Algoritmos para a manutenção preditiva, na Indústria 4.0

Abstract

No âmbito da Indústria 4.0, pretende-se o desenvolvimento de algoritmos que permitam realizar a manutenção preditiva e apoiar na tomada de decisões face à calendarização de uma paragem de produção para reparações. Desta forma o planeamento de uma paragem será mais preciso, diminuindo custos, evitando a aquisição de material/equipamentos com entrega imediata (valor acrescido) e o overstock em armazém. Este projeto contempla um estudo sobre os vários indicadores que contribuem para a identificação de falha de rolamentos, como por exemplo a temperatura e as frequências inerentes aos constituintes do rolamento. Tem também uma análise de métodos preditivos focada em redes neuronais artificiais, particularmente num algoritmo chamado de Multi-layer Perceptron Classifier. Este algoritmo é aplicado sobre vibrações sob a forma de frequência e medições de temperatura. A aceleração e a temperatura, são recebidas em tempo real de pontos estratégicos da máquina, e que demonstrem o estado atual de degradação dos rolamentos. Estas resultam do processamento de medições de aceleração com o algoritmo Fast computation algorithm for discrete Fourier Transform sendo as frequências e temperatura submetidas ao modelo que indica qual o tempo de vida que a máquina tem. Foram criadas duas rotinas de atualização do modelo de aprendizagem, uma que se repete semanalmente e outra que ocorre de aproximadamente de 16 em 16 horas. Por fim são apresentados vários resultados que comprovam a eficiência do algoritmo de machine-learning.

In the scope of Industry 4.0, it is intended the development of algorithms that allow carrying out the predictive maintenance and support in the decision-making in relation to the scheduling of a production stop for repairs. In this way the planning of a stop will be more precise, reducing costs and avoiding urgent purchases and overstock in the warehouse. This project contemplates a study on the various indicators that contribute to the identification of bearing failure like temperature and each component frequency, and has a somewhat detailed analysis on predictive methods focused on Artificial Neural Network, particularly in an algorithm called Multi-layer Perceptron Classifier. That algorithm is applied on a quantity of data, vibrations in the form of frequency and measurements of temperature. The data is received in real time from strategic points of the machine that demonstrates the current degradation state of the machine. They are then processed and submitted to the model which then calculates the machine life span. Two update routines of the learning model were created, one that is repeated weekly and the other that occurs approximately 16 to 16 hours. This makes the model approach more reliable, even with load changes. Finally, several results that demonstrate the efficiency of the machinelearning algorithm are presented and discussed on the last chapter.