Desenvolvimento de um modelo de machine learning de classificação para previsão de falhas em equipamentos

Abstract

A manutenção preditiva desempenha um papel essencial na Indústria 4.0, possibilitando a antecipação de falhas em equipamentos por meio de análise de dados. Neste contexto, este estudo teve como objetivo desenvolver um modelo de Machine Learning para a classificação da ocorrência de falhas em ativos industriais. Para isso, foi utilizado um conjunto de dados sintético, ao qual foram aplicadas técnicas de pré-processamento, modelagem e avaliação de desempenho de seis algoritmos de classificação: Regressão Logística, Random Forest, SVM, KNN, Árvore de Decisão e Gradient Boosting. Os resultados indicaram que o modelo de Árvore de Decisão ofereceu um melhor equilíbrio entre acurácia e interpretabilidade, mostrando-se o mais adequado para aplicações de manutenção preditiva, apesar de maior precisão dos modelos de SVM, Random Forest e Gradient Boosting. Como continuidade deste estudo, sugere-se a validação do modelo com dados reais e a investigação por técnicas mais avançadas, como Deep Learning. A aplicação de Machine Learning na manutenção preditiva tem o potencial de aprimorar significativamente a detecção antecipada de falhas, reduzindo custos operacionais e aumentando a confiabilidade dos equipamentos. Assim, este trabalho contribui para a adoção de soluções inteligentes na manutenção industrial, reforçando a importância da digitalização e do uso da inteligência artificial na otimização dos processos produtivos.