Dissertação
Integração de técnicas de Machine Learning para manutenção preditiva da nova linha de produção de cimento EVALUATED
Nas últimas décadas, a consciencialização dos efeitos da indústria na emissão de poluentes, levou a uma procura de soluções sustentáveis e modernização das indústrias. Atingir estas metas pode provocar paragens e arranques não planeados, o que acarreta desperdícios energéticos e de produtos fora da especificação pretendida. Assim, a manutenção é crucial para otimizar estas perdas, com destaque para a manutenção preditiva que permite modelar equipamentos com o objetivo de prever o comportamento futuro do sistema, antecipando falhas antes destas ocorrerem e planear uma manutenção com impactos à produção e ambientais reduzidos. A Secil através do projeto Clean Cement Line aposta na digitalização e na manutenção preditiva com vista a uma indústria mais sustentável e moderna. O objetivo desta dissertação é utilizar técnicas e modelos capazes de prever diferentes variáveis do sistema e identificar possíveis falhas futuras. Para este efeito, foram aplicadas técnicas de machine learning, como redes neuronais artificiais para a previsão de séries temporais, bem como aprendizagem não supervisionada de clustering para deteção de anomalias e falhas. Tal permite obter resultados preliminares de previsão e deteção de anomalias referentes à potência consumida num ventilador industrial e ao caudal de entrada num moinho de carvão em comissionamento, a partir de dados dos equipamentos de janeiro de 2020 e de maio e junho de 2023, respetivamente. Relativamente ao ventilador, é possível destacar o bom desempenho dos modelos Cluster, PCA, OCSVM e MCD, e para o moinho apenas o OCSVM apresentou um bom desempenho na deteção de anomalias conhecidas a priori.
dezembro 4, 2023, 15:45
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Departamento de Engenharia Química (DEQ)
Professor Associado