AVALIAÇÃO E IMPLEMENTAÇÃO DE MÉTODOS MCDA ASSOCIADOS A TÉCNICAS DE ANÁLISE DE DADOS EM MANUTENCÃO.

ANDRADE, GREGORY BUENO DE1; GORSKI, Ewerton Gusthavo 3; LOURES, Eduardo de Freitas Rocha2;

Resumo

Introdução:Na integração da manutenção a uma arquitetura de supervisão e controle, sob os novos requisitos da indústria 4.0, a dimensão de decisão encontra uma estratificação organizacional que associa a manutenção à diferentes perspectivas temporais de decisão nos planos operacional, tático e estratégico. Estas perspectivas consomem um grande volume de dados e informações de natureza heterogênea ainda muito dependente do conhecimento especialista. De maneira a complementar tal conhecimento especialista, propõe-se a exploração de técnicas de análise de dados e aprendizagem sob as bases históricas de operação e manutenção, enriquecendo os mecanismos de descoberta de conhecimento e inferência (diagnóstico) para suporte a tomada de decisão.

Objetivo:Investigação de métodos MCDM (Multicriteria Decision Making) integrados a técnicas de ML (Machine Learning) aplicáveis às dimensões de decisão na gestão da manutenção com o intuito do enriquecimento do modelo de apoio à tomada de decisão.

Metodologia:O resultado esperado no final do projeto é a classificação automática do campo ‘prioridade de manutenção’ (priority) da tabela ‘ordem de manutenção’ (OM) oriunda do sistema Manusis 4.0 de empresa de gerenciamento de ativos com atuação no âmbito nacional. Tal priorização foi realizada utilizando campos relevantes providos através do rank de alternativas executado pelo método MCDM, TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution). Utilizou-se o software WEKA para treino e testes dos modelos ML classificatórios naives bayes, árvore de decisão e support vector machine, Excel para implementação do TOPSIS e linguagem Python para extração, limpeza e padronização dos dados.

Resultados:O resultado do ranking provido pelo método TOPSIS implicou na identificação de muitos campos que foram desconsiderados no script de pré-processamento desenvolvido em Python. O treinamento de modelos de classificação no WEKA foi simples, sendo a etapa de pré-processamento dos dados a mais demorada e crucial para o correto funcionamento dos modelos. O modelo de árvore de decisão foi o que obteve o melhor resultado para classificação do campo priority nos dados de testes chegando à precisão de 99.99%, errando 9 registros dos 120.145 mil da base de treino.

Conclusões:A implementação do método TOPSIS com os dados provindos tabela de OM em estudo permitiu ranquear as colunas relevantes para criação de modelos ML podendo ser aperfeiçoado com a ponderação e adição de novos critérios. As abordagens envolvidas com o WEKA e linguagem Python neste projeto podem ser exploradas e aplicáveis no desenvolvimento de um modelo ML na arquitetura de API (Application Programming Interface) permitindo a interoperabilidade com sistema de manutenção industrial que se comuniquem através do formato.

Palavras-chave: Manutenção Industrial. Gerenciamento de Ativos. Machine Learning. MCDM. TOPSIS.

Legendas

    1. Estudante
    2. Orientador
    3. Colaborador