FenixEdu™

Dissertação

{pt_PT=Predicting Remaining Useful Life with Machine Learning Algorithms for Predictive Maintenance} {} EVALUATED

Detalhes: {pt=Falhas de ativos sao difíceis de prever e incorrem perdas significativas na indústria de manufatura. O presente trabalho explora a aplicação de técnicas de Machine Learning ( ML) para prever o tempo de vida útil restante de ativos a partir de dados de monitoração, no contexto da manutenção preditiva. Uma estratégia de manutenção preditiva bem-sucedida pode, não só reduzir as interrupções e o tempo de inatividade dos ativos, mas também maximizar a produção, melhorar a qualidade de produto e a segurança dos trabalhadores. O ambiente atual de Indústria 4.0 forneceu os dados e ferramentas necessárias para potenciar técnicas de ML na previsão de tempo de vida útil. Neste trabalho propomos três modelos de base, o modelo Random Forest ( RF), Extreme Gradient Boosted Trees (XGBoost), e Long-Short-Term-Memory (LSTM), e um modelo LSTM bidirecional (BiLSTM), com janela de tempo deslizante, para otimizar através da seleção de parâmetros e features. Os modelos propostos são aplicados ao conjunto de dados N-CMAPSS fornecido pela NASA e os resultados obtidos mostram a eficácia dos modelos. O melhor desempenho foi dado pelo modelo BiLSTM, seguido do modelo LSTM, XGBoost e RF. Tanto a seleção dos parâmetros quanto a seleção de features aumentaram o desempenho do modelo BiLSTM. Limitações e desafios foram identificados com o conjunto de dados escolhido e a estrutura proposta, no entanto, os principais objetivos foram alcançados e os resultados obtidos mostram-se promissores para pesquisa futura e no fornecimento de informações críticas para apoiar a tomada de decisão em estratégias de manutenção preditiva., en=Asset failures are hard to foresee and incur significant losses in the manufacturing industry. The present work explores the application of Machine Learning (ML) techniques to predict the Remaining-Useful-Life (RUL) of assets from monitoring data, in the context of Predictive Maintenance (PdM). A successful PdM strategy can not only reduce breakdowns and downtime of assets, but also maximize production, improve product quality, and safety of workers. The current environment of Industry 4.0 (I4.0) has provided the data and tools necessary to enable ML techniques in accurately predicting RUL. We propose three benchmark models using the Random Forest (RF), Extreme Gradient Boosted Trees (XGBoost), and Long-Short-Term-Memory (LSTM), and a Bidirectional LSTM (BiLSTM) model, with sliding time window, to further optimize through parameter and features selection. The proposed models are applied to the N-CMAPSS dataset provided by NASA and the results obtained show the effectiveness of the models. The best performance was given by the BiLSTM model, followed by the LSTM, XGBoost and RF model. Both the parameters and the features selection increased the performance of the BiLSTM model. Limitations and challenges were identified with the chosen dataset and proposed framework, however the main objectives were achieved and the results obtained show promise for further research and in providing critical information to support decision making for predictive maintenance strategies.}
Keywords: {pt=Previsão do tempo de vida útil restante, Manutenção preditiva, Machine Learning, Bi-directional long short-term memory, N-CMAPSS, en=Remaining useful life prediction, Predictive maintenance, Machine Learning, Bi-directional long short-term memory, N-CMAPSS}

Discussão: dezembro 15, 2021, 13:0