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.