Dissertação

{pt_PT=Remote Condition Monitoring – application to railway traction systems} {} EVALUATED

{pt=A manutenção é um tema crucial no setor dos transportes. A manutenção preditiva aumenta a disponibilidade das frotas, enquanto reduz custos. Esta estratégia tem como objetivo antecipar as falhas dos equipamentos, permitindo agendar atividades de manutenção em conformidade. É apresentada uma abordagem baseada em ferramentas de ciência de dados para predição de falhas aplicada a sistemas de tração ferroviários, utilizando dados reais. Primeiramente, faz-se a análise exploratória dos dados e a redução de dimensionalidade. De seguida, o problema de engenharia é representado do ponto de vista da ciência de dados. Por fim, é desenhado um esquema para predição de falhas e são usados algoritmos de aprendizagem automática para aprender a partir dos dados. Foram alcançados resultados importantes, porquanto todas as falhas foram corretamente previstas no conjunto de teste. Isto permite que o sistema seja reparado imediatamente antes da falha, evitando falhas durante a operação e as suas repercussões potencialmente graves. Todavia, a taxa de falsos positivos (0.40) é maior do que o desejado, conduzindo a operações de manutenção desnecessárias, mas é esperado que estas tenham um impacto menor do que não prever uma falha verdadeira. Do ponto de vista da operação, esta solução representa uma redução de custos se o gasto com uma reparação for pelo menos 2.22 vezes superior ao de uma manutenção, o que está claramente abaixo da estimativa para este custo relativo (3.7–6.1). São discutidas futuras orientações de trabalho, desde metódos alternativos de aprendizagem até soluções que foram desenhadas mas não realizadas por limitações de tempo., en=Maintenance is a crucial aspect for any transportation operator. The predictive maintenance strategy improves fleet availability while reducing costs. This approach aims to anticipate equipment failures, allowing to schedule maintenance activities accordingly, preventing downtime and the severe consequences of breakdowns during operation. This thesis presents a data-driven approach based on data science tools for failure prediction applied to railway traction systems, using real data collected by a remote condition monitoring system. The first steps include the exploratory data analysis and dimensionality reduction. Then, the engineering problem is represented from a data science point of view, for which the expert knowledge perspective is considered. Lastly, a scheme for failure prediction is designed and machine learning algorithms together with strategies for imbalanced datasets are used to learn from data. Important results were achieved as all failures were correctly predicted in the test set, meaning that every fault is anticipated. This allows repairing the system just before its breakdown, avoiding failures during operation and their potentially serious repercussions. However, the false positive rate (0.40) is higher than desired, leading to unnecessary maintenance operations, but these are expected to have a lower impact than not predicting a true failure. From an operation’s perspective, this solution represents a cost reduction if a repair costs at least 2.22 times more than a maintenance activity, which is clearly below the estimated relative cost (3.7 – 6.1). Future work directions are discussed, from alternative learning methods to solutions which were designed but not performed due to time constraints.}
{pt=predição de falhas, manutenção preditiva, abordagem baseada em dados, ciência de dados, sistemas de tração ferroviários, monitorização de condição remota, en=failure prediction, predictive maintenance, data-driven approach, data science, railway traction systems, remote condition monitoring}

Novembro 13, 2018, 11:0

Orientação

ORIENTADOR

Cláudia Alexandra Magalhães Soares

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Prof Auxiliar Convidado

ORIENTADOR

Rodrigo Martins de Matos Ventura

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar