Search

Submitted by Anna Barbara Alves Beraldine (annabarbara@unisinos.br) on 2022-03-15T18:22:09Z No. of bitstreams: 1 Tiago Zonta_.pdf: 8667818 bytes, checksum: 724e19749d8a3b99893d92f7863eba50 (MD5) Made available in DSpace on 2022-03-15T18:22:09Z (GMT). No. of bitstreams: 1 Tiago Zonta_.pdf: 8667818 bytes, checksum: 724e19749d8a3b99893d92f7863eba50 (MD5) Previous issue date: 2022-01-11 Nenhuma CONTEXTO: A Indústria 4.0 (I4.0) fornece conectividade, volume de dados, novos dispositivos, miniaturização, redução de estoque, personalização e produção controlada. Nesta nova era, a customização da produção e a disponibilidade de dados são essenciais para gerar informações que permitam a tomada de decisões. A possibilidade de prever a necessidade de manutenção no futuro e utilizar essa informação para outros processos é um dos desafios do processo de fabricação. Neste contexto, a proposta desta tese transcende o fato específico da aplicação da manutenção preditiva (PdM) e sugere formas de integração de processos, focando nos agendamentos de manutenção e produção. OBJETIVO: O objetivo é criar o Predictive Maintenance & Schedule (PdMS) para integrar os cronogramas de manutenção e produção de forma preditiva. A cada leitura dos dados de sensores e informações operacionais, é estimada a vida útil remanescente (RUL) das máquinas, decidindo se a máquina fará parte do processo de produção ou não. Reforçando que, este novo cenário da indústria, permite que a aplicação da computação, juntamente com a inteligência artificial e computação distribuída, se torne mais efetiva nos processos de fabricação. Com a criação do PdMS, a ideia é reduzir o tempo de inatividade, melhorar a comunicação entre os setores de manutenção e produção e permitir uma integração futura com os setores de armazenamento e logística. METODOLOGIA: O processo de criação do PdMS foi divido em duas fases: (i) relacionada à PdM, que descreve o processo utilizado para melhorar o prognóstico do RUL, com ciência de dados, criação e combinação de índices de degradação, utilizando padrões de similaridade e aplicação de filtros de suavização Savitzky-Golay e Kalman; (ii) relacionada ao problema de escalonamento e à integração com os resultados gerados pela PdM, que descreve a geração da agenda, verificação da manutenção e a geração de gráficos para controle e acompanhamento do cronograma da produção. Para avaliar o PdMS, foi utilizado um conjunto de dados de manutenção preditiva de amostra fornecido pela Microsoft. Foram buscado dados com características que pudessem contribuir com a ideia de definição de uma abordagem que estimule a adoção da manutenção preditiva em fábricas que já possuem telemetria em seus ativos, mas ainda realizam manutenção corretiva ou preventiva. RESULTADOS: Para avaliação dos resultados, foram comparados vários modelos baseados em Redes Neurais Profundas (DNN) e Redes Neurais Recorrentes (RNN). Foram utilizadas Regression Random Forest (RRF) para auxiliar com a seleção de características e foi realizada a comparação do desempenho da predição com Convolutional Neural Network (CNN), Long short term memory (LSTM), Gated Recurrent Unit (GRU), redes recorrentes e rede Deep Feed Forward (DFF). Os resultados foram avaliados de forma visual e por critérios baseados nos erros: Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Squared Error (MSE), coeficiente de determinação R2 e Mean Absolute Percentage Error (MAPE). Os melhores resultados apresentaram RMSE = 8:789;MSE = 77:253;MAE = 2:262;R2 = 0:848;MAPE = 92:22. CONCLUSÃO: Como contribuição, este trabalho traz uma revisão sistemática com a proposta de uma taxonomia, identificação de desafios e questões abertas referente a I4.0 com foco na PdM. A partir dos desafios apresentados foi criado o modelo PdMS que apresentou as decisões, estratégias e arquitetura que resultaram na predição de falhas em dados ruidosos com antecipação de cinco dias no conjunto de dados utilizado para o experimento, possibilitando assim, a simulação da integração pretendida. CONTEXT: Industry 4.0 (I4.0) provides connectivity, data volume, new devices, miniaturization, inventory reduction, personalization, and controlled production. In this new era, production customization and data availability are essential to generate information that allows decision-making. The possibility of predicting the need for maintenance in the future and using this information for other processes is one of the manufacturing process challenges. In this context, this thesis proposal transcends the specific fact of applying predictive maintenance (PdM) and suggests ways to integrate processes, focusing on maintenance and production schedules. OBJECTIVE: The objective is to create the Predictive Maintenance & Schedule (PdMS) to integrate maintenance and production schedules in a predictive way. At each sensor data reading and operational information, the machine’s remaining useful life (RUL) is predicted, deciding whether the machine will be part of the production process or not. Reinforcing that, this new Industry scenario allows Computing Applications, together with artificial intelligence and distributed computing, to become more effective in manufacturing processes. With the PdMS creation, the idea is to reduce downtime, improve communication between the maintenance and production sectors and allow future integration with the production, storage, and logistics sectors. METHODOLOGY: The PdMS creation process was divided into two phases: (i) related to PdM, which describes to create and combine degradation indices using similarity patterns and application Savitzky-Golay and Kalman smoothing filters that allow noisy data to identify time-based failures; (ii) related to the scheduling problem and the integration with the results generated by the PdM, which describes the schedule generation, maintenance verification and graphics generation to control and follow up the production schedule. To evaluate the PdMS, a sample predictive maintenance dataset provided by Microsoft was used. We searched for data with characteristics that could contribute to the idea of defining an approach that encourages the adoption of predictive maintenance in factories that already have telemetry in their assets but still perform corrective or preventive maintenance. RESULTS: To evaluate the results, we compared several models based on Deep Neural Networks (DNN) and Recurrent Neural Networks (RNN). Regression Random Forest (RRF) was used to contribute to feature selection and was performed a comparison between Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Recurrent Networks, and Deep Feed Forward (DFF) network. The results were visually evaluated and by criteria based on errors: Root Mean Square Error (RMSE), Mean Absolute Error (MAE) and Mean Squared Error (MSE), Determination Coefficient R2 and Mean Absolute Percentage Error (MAPE). The best results presentes RMSE = 8:789;MSE = 77:253;MAE = 2:262;R2 = 0:848;MAPE = 92:22. CONCLUSION: As a contribution, this work brings a systematic review with a taxonomy proposal, challenges identification, and open questions regarding I4.0 with a focus on PdM. The PdMS model was created from the challenges presented, which presented the decisions, strategies, and architecture that resulted in the prediction of failures in noisy data with five-day anticipation in the data set used for the experiment, thus enabling the intended outcome integration simulation.

Orientadores: Vivaldo Silveira Júnior, Cíntia Carla Melgaço de Oliveira Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia de Alimentos Resumo: O morango no Brasil tem sua produção voltada basicamente ao mercado interno, tanto para consumo in natura como para forma processada. Por tratar-se de um produto de alta perecibilidade no mercado, há a necessidade do aprimoramento, principalmente da cadeia do frio, uma vez que o acondicionamento inadequado reflete em perdas de qualidade, diminuição de vida útil e, consequentemente, perdas na comercialização. Neste contexto, o objetivo deste estudo concentrou-se na avaliação da vida útil dinâmica de lotes de morangos in natura submetidos a diferentes cenários de exposição a fim de demonstrar a influência das condições pregressas na atualização da vida útil dos produtos. Para tanto, obteve-se um modelo preditivo semiempírico, a partir da determinação da taxa de perda de água, a diferentes tempos e condições ambientais de exposição em locais controlados, utilizados para armazenar os frutos em condições pré determinadas de temperatura e umidade relativa do ar. Tais condições foram definidas por um Planejamento Fatorial Completo, totalizando 12 ensaios. O modelo foi validado por comparação entre as perdas de massa preditas e aquelas oriundas de armazenamentos dos morangos em refrigerador convencional com condições variáveis. Os testes comprovaram a habilidade preditiva do modelo, o qual apresentou o coeficiente de correlação (R²) igual a 0,999 para a variedade San Andreas e 0,998 para a variedade Albion. Para a determinação do limite aceitável de perda de massa determinante da qualidade, realizou-se análise sensorial em frutos das variedades San Andreas e Albion, por meio de fotografias e formulários online, aplicando testes de preferência e intenção de compra dos produtos, os quais reuniram 30 amostras de cada produto armazenadas nos ambientes de estocagem ensaiados, cujo limite máximo aceitável de perda de massa foi em torno de 10 %. O modelo preditivo de perda de água foi aplicado desde a colheita até a expedição do centro de distribuição a diferentes proposições de cenários de exposição do morango para demonstrar a influência das condições pregressas na atualização da vida útil dos produtos. Assim, esta sistematização instrumenta uma ferramenta para uma gestão inteligente de distribuição de morango in natura na cadeia do frio, como por exemplo, logística F.E.F.O. (First Expired First Out), agregando resultados atualizados quanto a atual qualidade vinculada a perda de massa no produto com as estimativas da vida útil remanescente para uma correta logística. Palavras-chave: Morangos in natura, Qualidade pós-colheita, Modelo preditivo, Análise sensorial, Vida útil remanescente Abstract: Strawberries in Brazil are basically produced for the internal market, both for consumption in natura and in processed form. Because it is a product of high perishability in the market, there is a need to improve mainly the cold chain, since the inadequate packaging reflects in quality losses, reduction of remaining useful life and, consequently, losses in marketing. In this context, the main objective of this study focused on the implementation of update of the dynamic and remaining shelf life of fresh strawberries in the different links of the cold chain. For this, a predictive semi-empirical model was obtained from the determination of the rate of mass loss to different times and exposure in controlled environment conditions, used to store the fruits under fixed conditions of temperature and relative humidity, defined from a Complete Factorial Planning with two independent variables to storage conditions, totaling 12 tests. The model was validated by comparison between the predicted losses of mass and those from strawberry storage in conventional refrigerator under variable conditions. The tests proved the predictive ability of the model, which presented a correlation coefficient (R²) equal to 0.999 for the San Andreas variety and 0.998 for the Albion variety. For the determination of the quality determinant mass loss mark, a sensory analysis was performed in fruits of the San Andreas variety through photographs and off-site (remote), applying preference and purchase intention tests for the product, the which gathered 30 samples of products stored in the storage environments tested, noting that the maximum acceptable limit of mass loss around 10%. The predictive model of water loss with the determined and acceptable mass loss limit were applied up to the cold chain link, the expedition from distribution center, with the proposition of different strawberry exposure scenarios to demonstrate the influence of previous conditions on the update the remaining life of the products. Thus, this systematization implements an intelligent management, such as F.E.F.O. (First Expired First Out) of fresh strawberry distribution in the cold chain, aggregating true or updated results regarding the current quality linked to the loss of mass in the product with the estimates of the remaining useful life. Keywords: Strawberries in natura. Post harvest quality. Predictive Model. Sensory analysis Remaining useful life Mestrado Engenharia de Alimentos Mestra em Engenharia de Alimentos CAPES 001

Trabalho final de mestrado para obtenção do grau de Mestre em Engenharia Mecânica Submitted by Sónia Mestre (sonia.mestre@isel.pt) on 2021-07-07T15:54:25Z No. of bitstreams: 1 Dissertação_2203.pdf: 1753484 bytes, checksum: e2f60720d002d2f3501139e97de33459 (MD5) Made available in DSpace on 2021-07-07T15:54:26Z (GMT). No. of bitstreams: 1 Dissertação_2203.pdf: 1753484 bytes, checksum: e2f60720d002d2f3501139e97de33459 (MD5) Previous issue date: 2021-05-06 N/A

Submitted by Junout Louzada Neto (junout.neto@gmail.com) on 2019-05-23T15:51:10Z No. of bitstreams: 4 Disserta????o - Junout Louzada.pdf: 3197413 bytes, checksum: 1ec5a3bef12737fe0059ea6996e2ebe7 (MD5) Folha Aprova????o - Disserta????o - Junout.pdf: 262730 bytes, checksum: 09364ef57167193c2d22c82059a73e9f (MD5) Carta de Encaminhamento para autodep??sito .pdf: 1782323 bytes, checksum: 63a621d1db676e6d32823965ce68a606 (MD5) Termo de Autoriza????o e Declara????o para publica????o.pdf: 756931 bytes, checksum: 298ada0f65cd61a849e556521208cdc4 (MD5) Approved for entry into archive by PPGEE Engenharia El??trica (mestrado_engeletrica@ufam.edu.br) on 2019-05-23T19:52:34Z (GMT) No. of bitstreams: 4 Disserta????o - Junout Louzada.pdf: 3197413 bytes, checksum: 1ec5a3bef12737fe0059ea6996e2ebe7 (MD5) Folha Aprova????o - Disserta????o - Junout.pdf: 262730 bytes, checksum: 09364ef57167193c2d22c82059a73e9f (MD5) Carta de Encaminhamento para autodep??sito .pdf: 1782323 bytes, checksum: 63a621d1db676e6d32823965ce68a606 (MD5) Termo de Autoriza????o e Declara????o para publica????o.pdf: 756931 bytes, checksum: 298ada0f65cd61a849e556521208cdc4 (MD5) Approved for entry into archive by Divis??o de Documenta????o/BC Biblioteca Central (ddbc@ufam.edu.br) on 2019-05-24T19:14:32Z (GMT) No. of bitstreams: 4 Disserta????o - Junout Louzada.pdf: 3197413 bytes, checksum: 1ec5a3bef12737fe0059ea6996e2ebe7 (MD5) Folha Aprova????o - Disserta????o - Junout.pdf: 262730 bytes, checksum: 09364ef57167193c2d22c82059a73e9f (MD5) Carta de Encaminhamento para autodep??sito .pdf: 1782323 bytes, checksum: 63a621d1db676e6d32823965ce68a606 (MD5) Termo de Autoriza????o e Declara????o para publica????o.pdf: 756931 bytes, checksum: 298ada0f65cd61a849e556521208cdc4 (MD5) Made available in DSpace on 2019-05-24T19:14:32Z (GMT). No. of bitstreams: 4 Disserta????o - Junout Louzada.pdf: 3197413 bytes, checksum: 1ec5a3bef12737fe0059ea6996e2ebe7 (MD5) Folha Aprova????o - Disserta????o - Junout.pdf: 262730 bytes, checksum: 09364ef57167193c2d22c82059a73e9f (MD5) Carta de Encaminhamento para autodep??sito .pdf: 1782323 bytes, checksum: 63a621d1db676e6d32823965ce68a606 (MD5) Termo de Autoriza????o e Declara????o para publica????o.pdf: 756931 bytes, checksum: 298ada0f65cd61a849e556521208cdc4 (MD5) Previous issue date: 2019-05-17 92993906548 In the present work, two hybrid failure prognostics approaches based on particle fiters (PF) were developed to predicting Remaning Useful Life (RUL) of a gearbox. The gearbox is composed by a spur gear pair on which pinion has a tooth root crack. The first approach is the PF with artificial dynamic on parameters, on which parameters are treated as states and the FP is applyed to, so called, extended space. The second approach, it is the Particle Metropolis-Hastings (PMH), which unifies the PF with Markov Chain Monte Carlo (MCMC). First, the degradation and measurement model are implemented. The degradation model is based on the Paris Law, which describes the dynamic bahavior of crack propagation based on Stress Intensity Factor (SIF) and material parameters. In this work, the SIF is obtained by finite elements model with gear model. The measurement model developed relates the crack length with the Root Mean Square (RMS) variation and Kurtosis variation indexes extracted from the vibration signal. Three uncertainty sources are considered on these models: degradation model uncertainty, material parameters uncertainty, and measurements errors. With the models, the two prognostics approaches were tested and both prognostics approaches obtained success at estimating the crack length and the RUL of the gearbox. In addition, the two approaches estimate the material parameters. No presente trabalho, duas abordagens h??bridas de progn??stico de falha baseadas em Filtro de Part??culas (FP) s??o desenvolvidas para estimar a Vida ??til Remanescente (RUL) de uma caixa de engrenagens. A caixa de engrenagens ?? composta por um par de engrenagens retas e a falha considerada ?? uma fratura na raiz em um dos dentes do pinh??o. A primeira abordagem ?? o FP com din??mica artificial nos par??metros, na qual os par??metros s??o tratados como estados e a estimativa pelo FP ?? aplicada ao chamado espa??o estendido. A segunda ?? o Particle Metropolis-Hastings (PMH), que une o FP ao m??todo de Monte Carlo via Cadeia de Markov (MCMC). Primeiramente, s??o implementados os modelos de degrada????o e de medi????o. O modelo de degrada????o ?? baseado na lei de Paris, que descreve o comportamento din??mico da propaga????o da fratura com base no Fator de Intensidade de Tens??o (SIF) e par??metros do material. Nesse trabalho, o SIF ?? obtido atrav??s de um modelo em elementos finitos em conjunto com um modelo din??mico do sistema de engrenagens. O modelo de medi????o desenvolvido relaciona o comprimento da fratura aos ??ndices de varia????o de Root Mean Square (RMS) e varia????o de Kurtosis extra??dos do sinal de vibra????o. Nesses modelos s??o inseridas tr??s fontes de incertezas: erro do modelo de degrada????o, par??metros do material tratados como incertos e erro de medi????o. As duas abordagens de progn??stico estimaram precisamente o comprimento da fratura e RUL da caixa de engrenagens, al??m de possibilitarem a estimativa dos par??metros do material. Nenhum problema. Portal bem intuitivo.