MACHINE LEARNING APLICADO À GESTÃO DE EQUIPAMENTOS EM UMA INDÚSTRIA CIMENTEIRA: ANÁLISE DE PARÂMETROS TRIBOLÓGICOS UTILIZANDO LINGUAGEM DE PROGRAMAÇÃO PYTHON

Página do item simplificado
dc.contributor.advisorMaurício Lourenço Jorge
dc.contributor.authorMelo, João Vitor Balduino Soares de
dc.contributor.authorBernini, Mateus
dc.date.accessioned2025-02-20T15:57:18Z
dc.date.available2025-02-20T15:57:18Z
dc.date.issued2024-12-12
dc.description.abstractA manutenção e gestão de ativos na indústria cimenteira apresentam desafios complexos devido ao desgaste intensivo de equipamentos como o moinho vertical de rolos, essencial na produção de cimento. Este trabalho aborda a aplicação de técnicas de Machine Learning para prever o desgaste e monitorar falhas no moinho, a fim de aumentar a disponibilidade e eficiência dos ativos. Foram desenvolvidos dois programas: um para análise de conformidade e falhas, e outro para controle do desgaste, utilizando Redes Neurais Artificiais (ANN) e redes Long Short-Term Memory (LSTM). As variáveis de entrada dos modelos foram obtidas a partir de manuais e planos de manutenção do equipamento, e os dados foram tratados e modelados em Python com o uso de bibliotecas específicas. Os resultados mostraram que o modelo LSTM apresentou melhor desempenho preditivo em várias posições dos rolos, com coeficientes de determinação (𝑅2) superiores e menor erro quadrático médio (MSE) em comparação ao modelo ANN. Esse sistema permite um monitoramento preditivo, que se alinha aos conceitos de Manutenção Preditiva e contribui para a redução de paradas não programadas. Foi possível concluir que as técnicas de aprendizado de máquina apresentam um potencial significativo para otimizar a manutenção na indústria cimenteira, especialmente no monitoramento de desgaste e falhas, conforme indicado pelos resultados obtidos nas simulações realizadas.
dc.description.abstract1Maintenance and asset management in the cement industry present complex challenges due to the intensive wear on equipment such as the vertical roller mill, essential in cement production. This work addresses the application of Machine Learning techniques to predict wear and monitor faults in the mill to increase asset availability and efficiency. Two programs were developed: one for compliance and fault analysis and another for wear control, utilizing Artificial Neural Networks (ANN) and Long Short-Term Memory (LSTM) networks. The input variables for the models were obtained from equipment manuals and maintenance plans, and the data were processed and modeled in Python using specific libraries. The results showed that the LSTM model demonstrated superior predictive performance at various roller positions, with higher coefficients of determination (𝑅2) and lower mean squared error (MSE) compared to the ANN model. This system enables predictive monitoring, aligning with Predictive Maintenance concepts and contributing to the reduction of unscheduled downtime. It was possible to conclude that Machine Learning techniques hold significant potential for optimizing maintenance in the cement industry, particularly in monitoring of wear and faults, as indicated by the results obtained in the simulations.
dc.identifier.urihttp://hdl.handle.net/20.500.14387/2092
dc.language.isoPortugues
dc.publisher.campiArcos
dc.publisher.countryBrasil
dc.publisher.institutionInstituto Federal de Educação, Ciência e Tecnologia de Minas Gerais - Campus Arcos
dc.publisher.programOpen Sans
dc.rightsAcesso aberto
dc.subject.keywordManutenção Preditiva. Tribologia. Machine Learning. Redes Neurais Artificiais.
dc.titleMACHINE LEARNING APLICADO À GESTÃO DE EQUIPAMENTOS EM UMA INDÚSTRIA CIMENTEIRA: ANÁLISE DE PARÂMETROS TRIBOLÓGICOS UTILIZANDO LINGUAGEM DE PROGRAMAÇÃO PYTHON
dc.typeTrabalho de Conclusão de Curso
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCC_Joao Vitor Balduino_Mateus Bernini__FINAL_.pdf
Tamanho:
3.24 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.79 KB
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar
Coleções
Trabalho de Conclusão de Curso