CLASSIFICAÇÃO DE FALHAS DE UM CENTRO DE USINAGEM: UM ESTUDO DE CASO UTILIZANDO ÁRVORE DE DECISÃO

CLASSIFICAÇÃO DE FALHAS DE UM CENTRO DE USINAGEM: UM ESTUDO DE CASO UTILIZANDO ÁRVORE DE DECISÃO

Velloso, Higor Medina; Hora, Henrique Rego Monteiro da

Artigo Completo:

As empresas estão cada vez mais buscando atingir uma performance de alto nível para se manter em um ambiente caracterizado por intensa competitividade global. Uma das formas de atingir o nível qualidade e excelência desejado é dando foco nas funções de verificação das atividades de manutenção. Na área de manufatura industrial, os centros de usinagem representam o que há de mais avançado no quesito tecnologia, e paradas indesejadas podem gerar prejuízos para as companhias. Para um melhor controle de detecção e reconhecimento de falhas, a fim de atingir um maior período de disponibilidade deste maquinário, diversos autores utilizam ferramentas de inteligência artificial, como árvores de decisão e SVM, entre outros. Este trabalho tem como objetivo aplicar a técnica de árvore de decisão em um dataset composto pelo histórico de falhas de um centro de usinagem no período de março de 2016 a outubro de 2018, sendo que cada evento possui 4 atributos: Falha, Componente em falha, Tempo até a falha e Tempo da última manutenção. No ambiente WEKA, foi utilizado o algoritmo J48 com validação do tipo cross-validation com 10 subconjuntos e um número mínimo de 7 objetos por folha para gerar um modelo que possui como desfecho o atributo Falha e outro para Componente em falha. Ao fim do trabalho, obteve-se que o sistema hidráulico é o componente de maior criticidade deste tipo de maquinário, uma vez que possui o maior número de eventos tanto para o atributo Falha, quanto para Componente em falha. Apesar dos modelos terem obtido taxas razoáveis de acurácia, percebe-se que eles possuem algumas falhas.

As empresas estão cada vez mais buscando atingir uma performance de alto nível para se manter em um ambiente caracterizado por intensa competitividade global. Uma das formas de atingir o nível qualidade e excelência desejado é dando foco nas funções de verificação das atividades de manutenção. Na área de manufatura industrial, os centros de usinagem representam o que há de mais avançado no quesito tecnologia, e paradas indesejadas podem gerar prejuízos para as companhias. Para um melhor controle de detecção e reconhecimento de falhas, a fim de atingir um maior período de disponibilidade deste maquinário, diversos autores utilizam ferramentas de inteligência artificial, como árvores de decisão e SVM, entre outros. Este trabalho tem como objetivo aplicar a técnica de árvore de decisão em um dataset composto pelo histórico de falhas de um centro de usinagem no período de março de 2016 a outubro de 2018, sendo que cada evento possui 4 atributos: Falha, Componente em falha, Tempo até a falha e Tempo da última manutenção. No ambiente WEKA, foi utilizado o algoritmo J48 com validação do tipo cross-validation com 10 subconjuntos e um número mínimo de 7 objetos por folha para gerar um modelo que possui como desfecho o atributo Falha e outro para Componente em falha. Ao fim do trabalho, obteve-se que o sistema hidráulico é o componente de maior criticidade deste tipo de maquinário, uma vez que possui o maior número de eventos tanto para o atributo Falha, quanto para Componente em falha. Apesar dos modelos terem obtido taxas razoáveis de acurácia, percebe-se que eles possuem algumas falhas.

Palavras-chave:

DOI: 10.5151/spolm2019-072

Referências bibliográficas

• [1] A. Ali, The Impact of Innovativeness and Development Time on New Product Performance for Small Firms, Mark. Lett. 11 (2000) 151–163. doi:10.1023/A:1008142823872. [2] L. Swanson, Linking maintenance strategies to performance, Int. J. Prod. Econ. 70 (2001) 237– 244. doi:10.1016/S0925-5273(00)00067-0. [3] W.R. Marcorin, C.R.C. Lima, Análise dos Custos de Manutenção e de Não-manutenção de Equipamentos Produtivos, 11 (2003) 8. [4] L. TAVARES, Administração Moderna da Manutenção, NOVO POLO PUBLICAÇÕES, 2011. [5] H.G. Xenos, Gerenciando a Manutenção Produtiva, Edição: 1, Editora GD, 1998. [6] C. Scheffer, P. Girdhar, Practical Machinery Vibration Analysis and Predictive Maintenance, Elsevier, 2004. [7] K.-A. Nguyen, P. Do, A. Grall, Multi-level predictive maintenance for multi-component systems, Reliab. Eng. Syst. Saf. 144 (2015) 83–94. doi:10.1016/j.ress.2015.07.017. [8] P. Do Van, A. Barros, C. Bérenguer, K. Bouvard, F. Brissaud, Dynamic grouping maintenance with time limited opportunities, Reliab. Eng. Syst. Saf. 120 (2013) 51–59. doi:10.1016/j.ress.2013.03.016. [9] M.C. MUNION, Predictive vs. preventive: The debate—and the future, Plant Eng. (2017). https://www.plantengineering.com/articles/predictive-vs-preventive-the-debate-and-the-future/ (accessed December 27, 2018). [10] C. Yang, J. Liu, Y. Zeng, G. Xie, Real-time condition monitoring and fault detection of components based on machine-learning reconstruction model, Renew. Energy. 133 (2019) 433– 441. doi:10.1016/j.renene.2018.10.062. [11] S. Nallusamy, Enhancement of Productivity and Efficiency of CNC Machines in a Small Scale Industry Using Total Productive Maintenance, Int. J. Eng. Res. Afr. 25 (2016) 119–126. doi:10.4028/www.scientific.net/JERA.25.119. [12] S. Nandi, H.A. Toliyat, Condition monitoring and fault diagnosis of electrical machines - a review, in: 1999: pp. 197–204. [13] R. Liu, B. Yang, E. Zio, X. Chen, Artificial intelligence for fault diagnosis of rotating machinery: A review, Mech. Syst. Signal Process. 108 (2018) 33–47. doi:10.1016/j.ymssp.2018.02.016. [14] V. Sugumaran, V. Muralidharan, K.I. Ramachandran, Feature selection using Decision Tree and classification through Proximal Support Vector Machine for fault diagnostics of roller bearing, Mech. Syst. Signal Process. 21 (2007) 930–942. doi:10.1016/j.ymssp.2006.05.004. [15] H.M. Velloso, H.R.M. Da Hora, R.A. de Carvalho, Inteligência Artificial Para Detecção De Falhas Em Equipamentos: Um Estudo Bibliométrico No Setor De Óleo E Gás, in: Penedo/RJ, 2018. [16] Z. Yang, C. Chen, F. Chen, Q. Hao, B. Xu, Reliability analysis of machining center based on the field data, Sci. Technol. (2013) 9. [17] A. Jindal, A. Dua, K. Kaur, M. Singh, N. Kumar, S. Mishra, Decision Tree and SVM-Based Data Analytics for Theft Detection in Smart Grid, IEEE Trans. Ind. Inform. 12 (2016) 1005– 1016. doi:10.1109/TII.2016.2543145. [18] PORTAL MÁQUINAS, Portal Máquinas, (2018). http://portalmaquinas.com.br/limeira/index.php/2-uncategorised/193-mandrilhadora-cnc-wotancut- max-3 (accessed December 26, 2018). [19] I.H. Witten, E. Frank, Data Mining: Practical Machine Learning Tools and Techniques, Second Edition, Elsevier, 2005. [20] T.R. Patil, M.S.S. Sherekar, Performance Analysis of Naive Bayes and J48 Classification Algorithm for Data Classification, Open Access. 6 (2013) 6.

Como citar:

Velloso, Higor Medina; Hora, Henrique Rego Monteiro da; "CLASSIFICAÇÃO DE FALHAS DE UM CENTRO DE USINAGEM: UM ESTUDO DE CASO UTILIZANDO ÁRVORE DE DECISÃO", p-995-1003. In: Anais do XIX Simpósio de Pesquisa Operacional & Logística da Marinha. São Paulo: Blucher, 2020.
ISSN 21756295, DOI 10.5151/spolm2019-072