Aplicação de Conceitos de Manutenção Preditiva Com Aplicação de Ferramentas de Inteligência Artificial

Aplicação de conceitos de manutenção
preditiva com aplicação de ferramentas de

Inteligência Artificial
Diogo Emanuel Rocha Cardoso
Dissertação submetida a
Faculdade de Engenharia da Universidade do Porto
para o grau de:
Mestre em Engenharia Mecânica
Orientador na FEUP:
Prof. Luís Andrade Ferreira
Mestrado Integrado em Engenharia Mecânica

Porto, Julho 2020

Diogo Cardoso ([email protected])

Resumo
A presente dissertação foi desenvolvida no âmbito do Mestrado Integrado em Enge-

nharia Mecânica, ramo de Projeto e Construção Mecânica, da Faculdade de Engenha-
ria da Universidade do Porto.
A crescente competitividade do mercado aliada ao aumento da automatização im-

pulsionado pelo advento da Indústria 4.0 põe em destaque a importância da manu-
tenção no seio das organizações. Simultaneamente, a quantidade de dados capazes
de ser extraídos de sistemas industriais aumentou de forma exponencial devido à
proliferação de sensores, dispositivos de transmissão e armazenamento de dados via
Internet of Things. Estes dados, quando processados e analisados, podem fornecer
informações e conhecimentos valiosos acerca dos equipamentos, permitindo uma
movimentação no sentido de uma manutenção preditiva.
A manutenção é fundamental para a competitividade de uma empresa, uma vez que

as ações realizadas a esse nível têm impacto direto em aspetos como o custo e quali-
dade dos produtos. Assim, falhas nos equipamentos necessitam de ser identificadas
e resolvidas. As ferramentas de Inteligência Artificial, em particular o Machine Le-
arning, exibem um enorme potencial na análise de grandes quantidades de dados,
agora prontamente disponíveis, permitindo assim ambicionar uma melhoria na dis-
ponibilidade dos sistemas, reduzindo os custos de manutenção, aumentando o de-
sempenho operacional e ainda a capacidade de apoio na tomada de decisão. Na
presente dissertação, aplicam-se ferramentas de Inteligência Artificial, mais especi-
ficamente de Machine Learning, a um conjunto de dados disponibilizados online e
procura-se analisar as especificidades desta implementação assim como a definição
de metodologias, com vista a permitir fornecer informações e ferramentas à área da
manutenção.
Palavras-chave: Manutenção Preditiva, Indústria 4.0, Internet of Things, Inteligência

Artificial, Machine Learning
i
Abstract
The present dissertation was developed in the context of the Integrated Master’s
Degree in Mechanical Engineering, specialization in Project and Mechanical Cons-
truction, in the Faculty of Engineering of the University of Porto.
The growing competitiveness of the market, coupled with the increase in automation
driven by the advent of the Industry 4.0, highlights the importance of maintenance
within organizations. At the same time, the amount of data capable of being extrac-
ted from industrial systems has increased exponentially due to the proliferation of
sensors, transmission devices and data storage via Internet of Things. These data,
when processed and analyzed, can provide valuable information and knowledge
about the equipment, allowing a move towards predictive maintenance.
Maintenance is fundamental to a company’s competitiveness, since actions taken at

this level have a direct impact on aspects such as cost and quality of products. Hence,
equipment failures need to be identified and resolved. Artificial Intelligence tools,
in particular Machine Learning, exhibit enormous potential in the analysis of large
amounts of data, now readily available, thus aiming to improve the availability of sys-
tems, reducing maintenance costs, increasing operational performance and support
in decision making. In this dissertation, Artificial Intelligence tools, more specifically
Machine Learning, are applied to a set of data made available online and the speci-
fics of this implementation are analyzed as well as the definition of methodologies,
in order to provide information and tools to the maintenance area.
Keywords: Predictive Maintenance, Industry 4.0, Internet of Things, Artificial intelli-

gence, Machine Learning
iii
Data is the new Oil. It is only useful when
refined.
Agradecimentos
Em primeiro lugar, gostaria de agradecer ao meu orientador, o Professor Luís Andrade

Ferreira pela apoio, orientação e disponibilidade ao longo deste percurso.
Não poderia deixar de agradecer à minha família, amigos e colegas de curso, pelo
apoio incondicional ao longo destes anos.
Por fim, gostaria de agradecer a todas as pessoas que direta ou indiretamente torna-
ram possível a realização deste trabalho e me ajudaram a dar um passo importante
na caminhada da minha formação pessoal e académica.
vii
Conteúdo
Lista de Figuras xv
Lista de Tabelas xviii
Lista de acrónimos e siglas xix
1 Introdução 1
1.1 Enquadramento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Estado da Arte 5
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Definição de Manutenção . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Tipos de Manutenção . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3.1 Manutenção Corretiva (Run-to-failure) . . . . . . . . . . . . . . 7
2.3.2 Manutenção Preventiva . . . . . . . . . . . . . . . . . . . . . . 8
2.3.3 Manutenção Preditiva . . . . . . . . . . . . . . . . . . . . . . . 9
2.3.4 Manutenção Prescritiva . . . . . . . . . . . . . . . . . . . . . . 12
2.4 Falha, Avaria e Modo de Falha . . . . . . . . . . . . . . . . . . . . . . . 12
2.5 Normas Portuguesas da Manutenção . . . . . . . . . . . . . . . . . . . 13
2.6 Indicadores de desempenho da manutenção . . . . . . . . . . . . . . . 14
2.6.1 Manutibilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
ix
2.6.2 Fiabilidade e Disponibilidade . . . . . . . . . . . . . . . . . . . 14
2.7 Gestão da Manutenção . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.8 Custo do Ciclo de Vida . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3 Indústria 4.0 e Inteligência Artificial 21
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Revoluções Industriais . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Indústria 4.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4 Inteligência Artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.5 Breve distinção entre Inteligência Artificial, Machine Learning e Deep

Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.6 Impacto e Desafios da Indústria 4.0 na Manutenção . . . . . . . . . . . 26
4 Machine Learning 29
4.1 O que é Machine Learning? . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1.1 Porque usar Machine Learning? . . . . . . . . . . . . . . . . . . 29
4.2 Tipos de Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2.1 Supervised, unsupervised, reinforcement learning e Semisupervi-

sed learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.2.2 Batch e online learning . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.3 Instance-based e model-based learning . . . . . . . . . . . . . . 34
4.3 Workflow de um projeto de Machine Learning . . . . . . . . . . . . . . 34
4.4 Treino e métricas de avaliação . . . . . . . . . . . . . . . . . . . . . . . 37
4.5 Métodos de Machine Learning para manutenção preditiva . . . . . . . . 41
4.5.1 Revisão sistemática da literatura científica . . . . . . . . . . . . 42
5 Aplicação de modelos de Machine Learning 45
5.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.2 Origem dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

5.2.1 Telemetria em tempo real (Real-time telemetry) . . . . . . . . . 47
5.2.2 Registo de Erros . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2.3 Histórico de Manutenção . . . . . . . . . . . . . . . . . . . . . 50
5.2.4 Histórico de Falhas . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.2.5 Informação acerca das máquinas . . . . . . . . . . . . . . . . . 52
5.3 Definição dos objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.4 Feature Engineering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.4.1 Lag Features . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.4.2 Features adicionais . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.5 Seleção de Features . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.6 Classificação dos dados e construção de Labels . . . . . . . . . . . . . . 59
5.7 Divisão dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.7.1 Desequilíbrio entre classes em aplicações de problemas de ma-

nutenção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.8 Aplicação dos modelos no conjunto de desenvolvimento . . . . . . . . 63
5.8.1 K-Nearest Neighbors . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.8.2 Decision Tree . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.8.3 Random Forest . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.8.4 Naive Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.8.5 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . 70
5.9 Comportamento no Conjunto de Teste . . . . . . . . . . . . . . . . . . 72
5.10 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6 Conclusões e trabalhos futuros 75
6.1 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.2 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

Lista de Figuras
2.1 Estratégias de Manutenção . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Intervalo de Tempo “P-F” entre a deteção do início da falha (P) e o

momento em que existe perda da função (F) [19] . . . . . . . . . . . . 10
2.3 Visão geral das diferentes estratégias de manutenção [16] . . . . . . . 11
2.4 Curva da Banheira [23] . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5 Principais Funções da Gestão da Manutenção e as suas Relações [10] . 17
2.6 Comparação do Custo do Ciclo de Vida para dois equipamentos com

custo inicial distintos [23] . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.7 Iceberg dos Custos da Manutenção [11] . . . . . . . . . . . . . . . . . 19
3.1 Cronologia das Revoluções Industriais [29] . . . . . . . . . . . . . . . 22
3.2 Hierarquia DIKW - “Data-Information-Knowledge-Wisdom” [30] . . . . 24
3.3 Distinção entre Inteligência Artificial, Machine Learning e Deep Lear-

ning [33] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1 Supervised Learning: Classificação e Regressão [6] . . . . . . . . . . . . 31
4.2 Unsupervised Learning [6] . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.3 Semisupervised learning [6] . . . . . . . . . . . . . . . . . . . . . . . . 33
4.4 Divisão baseada na capacidade dos algoritmos aprenderem de forma

incremental [35] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.5 Divisão baseada na generalização para diferentes modos de aprendi-

zagem [35] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.6 Proposta de workflow de um projeto de Machine Learning [36] . . . . . 36
xiii
4.7 Exemplo de underfitting e overfitting [38] . . . . . . . . . . . . . . . . 37
4.8 Ilustração gráfica de Bias e Variance [37] . . . . . . . . . . . . . . . . . 38
4.9 Técnica de validação Holdout [39] . . . . . . . . . . . . . . . . . . . . 39
4.10 Número de publicações científicas, por ano, de acordo com os critério

estabelecidos [15] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.1 Evolução dos dados de Telemetria ao longo dos primeiros quinze dias
do mês de Janeiro de 2015, para a máquina 1 . . . . . . . . . . . . . . 48
5.2 Representação do número de erros por tipo . . . . . . . . . . . . . . . 49
5.3 Representação do número de componentes substituídos, por tipo . . . 50
5.4 Representação do número de componentes substituídos, por tipo, de-

vido à ocorrência de uma falha . . . . . . . . . . . . . . . . . . . . . . 51
5.5 Histograma representativo do número de máquinas e tempo de ser-

viço, por modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.6 Feature Engineering [65] . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.7 Lag Features [7] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.8 Correlação entre Features . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.9 Análise detalhada da correlação entre as features pressuremean_3h e

pressuremean_24h . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.10 Classificação dos dados e construção de Labels - Adaptado de [7] . . . 59
5.11 Exemplo de K-Nearest Neighbors, com “n-neighbors”= 1 . . . . . . . . . 63
5.12 Análise da evolução da Accuracy no conjunto de treino e no conjunto

de desenvolvimento, para K-Nearest Neighbors com diferentes valores
do hiperparâmetro “n-neighbors” . . . . . . . . . . . . . . . . . . . . . 64
5.13 Análise da evolução da taxa de erro no conjunto de desenvolvimento,

para K-Nearest Neighbors, com diferentes valores do hiperparâmetro
“n-neighbors” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

de desenvolvimento, para Decision Trees com diferentes valores do hi-
perparâmetro Max_Depth . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.15 Matriz de Confusão para Decision Tree no conjunto de desenvolvi-
mento com Max_Depth=6 . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.16 Matriz de Confusão Normalizada para Decision Tree no conjunto de

desenvolvimento com Max_Depth=6 . . . . . . . . . . . . . . . . . . . 68
5.17 Importância das features para para Decision Tree no conjunto de desen-
volvimento com Max_Depth=6 . . . . . . . . . . . . . . . . . . . . . . 68

de desenvolvimento, para Random Forest com diferentes valores do
hiperparâmetro ’n_estimators’ . . . . . . . . . . . . . . . . . . . . . . . 69
5.19 Artificial Neural Networks com 4 camadas [67] . . . . . . . . . . . . . . 71

Lista de Tabelas
4.1 Exemplo de uma Matriz de Confusão para um problema de classifica-

ção binária . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2 Resumo da revisão sistemática da literatura científica mais recente

para manutenção preditiva com métodos de Machine Learning - Adap-
tado de [15] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.1 Exemplo típico do registo de telemetria em tempo real . . . . . . . . . 47
5.2 Análise estatística aos dados da telemetria em tempo real . . . . . . . 47
5.3 Exemplo típico do registo de erros . . . . . . . . . . . . . . . . . . . . 49
5.4 Exemplo típico do histórico de manutenção . . . . . . . . . . . . . . . 50
5.5 Exemplo típico do histórico de falhas . . . . . . . . . . . . . . . . . . . 51
5.6 Exemplo típico das informações de cada máquina . . . . . . . . . . . . 52
5.7 Exemplo de Lag Features para os dados de telemetria em tempo real,

com N=3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.8 Exemplo de Lag Features para os dados de telemetria em tempo real,

com N=24 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.9 Exemplo de Lag Features para o registo de erros . . . . . . . . . . . . . 56
5.10 Tempo desde a última substituição, por tipo de componente . . . . . . 56
5.11 Exemplo da representação de falha no componente 2 . . . . . . . . . . 60
5.12 Quantidade de dados atribuída a cada um dos conjuntos e a percenta-

gem correspondente a falhas . . . . . . . . . . . . . . . . . . . . . . . . 61
5.13 Exemplo do desequilíbrio entre as diferentes classes para a feature ’fai-

lure’ no conjunto total de dados . . . . . . . . . . . . . . . . . . . . . . 62
xvii
5.14 Resultado para K-Nearest Neighbors no conjunto de desenvolvimento
com “n-neighbors”= 13 . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.15 Resultado para K-Nearest Neighbors no conjunto de desenvolvimento

com “n-neighbors”= 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.16 Resultado para Decision Tree no conjunto de desenvolvimento com

Max_Depth=6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.17 Resultado para Random Forest no conjunto de desenvolvimento com

’n_estimators = 70 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.18 Resultado para naive Bayes no conjunto de desenvolvimento . . . . . . 70
5.19 Resultado para Artificial Neural Network no conjunto de desenvolvi-

mento com 100 camadas ocultas (hidden_layers = 100) . . . . . . . . 72
5.20 Resultado para Artificial Neural Network no conjunto de desenvolvi-

mento com 100 camadas ocultas (hidden_layers = 100) e normaliza-
ção min-max scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.21 Performance para o modelo Random Forest nos conjuntos de desenvol-

vimento e teste, com ’n_estimators = 70 . . . . . . . . . . . . . . . . . . 73
5.22 Performance para o modelo Artificial Neural Network nos conjuntos de

desenvolvimento e teste, com 100 camadas ocultas (hidden_layers =
100) e normalização min-max scaling . . . . . . . . . . . . . . . . . . . 73
Lista de acrónimos e siglas
AI Artificial Intelligence
ANN Artificial Neural Network
AR Augmented Reality
BN Bayesian Network
CNN Convolutional Neural Network

CPS Cyber-Physical Systems
DL Deep Learning
FN False Negative
FP False Posite
GPR Gaussian Process Regression
IA Inteligência Artificial
IoT Internet of Things
K-NN K-Nearest Neighbors
LCC Life Cycle Costing

LR Linear Regression
LSTM Long Short-Term Memory
MC Manutenção Preventiva Condicionada

ML Machine Learning
MLP Multi-Layer Perceptron
MPS Manutenção Preventiva Sistemática
NN Neural Networks
PCA Principal Component Analysis
RF Random Forests
RNN Recurrent Neural Network
RTF Run-To-Failure
xix
RUL Remaining Useful Life
SVM Support Vector Machine
TN True Negative
TP True Positive
VR Virtual Reality
1. Introdução
O presente documento foi desenvolvido no âmbito da unidade curricular Dissertação

do Mestrado Integrado em Engenharia Mecânica da Faculdade de Engenharia da
Universidade do Porto, com o objetivo de apresentar o trabalho desenvolvido durante
o segundo semestre do ano letivo 2019/2020.
1.1. Enquadramento
Na economia globalizada atual, o ambiente competitivo, caracterizado pelo apareci-

mento crescente e cada vez mais rápido de novas técnicas e tecnologias nos processos
e produtos, leva a que a sobrevivência das organizações dependa da sua capacidade
de inovar, da atualização constante e da procura incessante pela otimização de so-
luções [1]. Estas mudanças estão relacionadas principalmente com o aumento da
variedade de aspetos físicos (equipamentos, sistemas e estruturas) e com a crescente
preocupação do seu impacto no ambiente, segurança, mais valias económicas e qua-
lidade dos produtos [1]. A melhoria contínua nos processos e o espírito de inovação é
uma realidade que pode ser observada de diversas formas nas áreas que constituem
uma empresa [1]. É fundamental procurar uma diferenciação que possibilite uma
melhoria na posição estratégica no mercado atual [1]. Assim sendo, um dos setores
que pode representar um custo significativo, e que tem despertado as empresas para
a implementação de um desenvolvimento contínuo, é o setor de manutenção [1, 2].
A manutenção constitui um fator relevante para a competitividade de uma empresa,

uma vez que as ações realizadas a esse nível têm impacto direto em aspetos como
o custo, prazo e qualidade dos produtos produzidos ou serviços prestados [2]. A
manutenção é um suporte à área operacional de uma empresa, não podendo ser
dissociada desta, dada a implicação que tem ao nível da eficiência dos ativos pro-
dutivos [2]. Estas duas áreas, operação e manutenção, têm obrigatoriamente de
funcionar em paralelo de modo a garantir a disponibilidade e a rápida resposta dos
meios humanos e materiais aos problemas operacionais, permitindo assim assegurar
o cumprimento dos objetivos com a maximização dos recursos disponíveis [2]. Desta
forma, passa a ser importante, não só, atingir os objetivos propostos, mas atingi-los
1
2 1.1. Enquadramento
com o mínimo consumo ou utilização de recursos [2].
É neste contexto de transformação constante, de rápidas mudanças tecnológicas, que

surge uma revolução baseada na incorporação de tecnologias de informação e comu-
nicação em processos industriais tradicionais, criando uma conexão entre os diversos
sistemas, conhecida como Indústria 4.0 [1].
A Indústria 4.0 é um conceito que surge em novembro de 2011, num artigo publicado
pelo governo Alemão [3], relativamente a uma estratégia de desenvolvimento tecno-
lógico. É caracterizada pela fusão conceptual de tecnologias que encurtam a fronteira
entre os sistemas físico, digital e o ser humano, através de um conjunto de avanços
e desenvolvimentos tecnológicos disruptivos, que afetam a indústria a nível global,
tais como a Internet of Things (IoT), Cyber-Physical Systems (CPS), Virtual/Augmented
Reality (VR/AR), Big Data e Cloud Computing [1].
A Indústria 4.0 implementa as ferramentas fornecidas pelos avanços nas tecnologias

de informação e comunicação de modo a aumentar os níveis de automação e digitali-
zação nos processos industriais e de produção [1]. O objetivo é gerir todo o processo
da cadeia de valor, melhorando a eficiência da produção e criação de produtos e ser-
viços de qualidade superior [4]. Um dos pontos chave desta revolução são os dados,
que agora são lidos, processados, armazenados, analisados e partilhados muito mais
facilmente entre máquinas e o ser humano [4].
A IoT é definida como um ecossistema no qual os objetos e equipamentos nele inseri-

dos estão equipados com sensores e outros dispositivos digitais, sendo assim capazes
de reunir e trocar informações uns com os outros, num sistema interligado em rede
[1]. Esta tecnologia permitirá avanços significativos na execução e gestão de tarefas
em tempo real [1].
Nos últimos anos, uma queda no custo e um aumento da fiabilidade de sensores,

dispositivos de transmissão e armazenamento de dados promoveram o aparecimento
de sistemas de monitorização de condições [1, 5]. Simultaneamente, a IoT per-
mite uma transmissão em tempo real destas informações acerca das condições dos
sistemas capturadas por diversos dispositivos de monitorização [5]. Este desenvolvi-
mento oferece uma excelente oportunidade para usar os dados de monitorização de
condições de forma inteligente dentro dos regimes de manutenção preditiva, aliando
a capacidade de recolha de dados a uma análise efetiva e integrada dos mesmos [5].
Neste sentido, o potencial das ferramentas de Inteligência Artificial, mais concreta-
mente o Machine Learning1 , permitirá ambicionar uma melhoria na disponibilidade
dos sistemas, reduzindo os custos de manutenção, aumentando o desempenho ope-
racional e ainda a capacidade de apoio na tomada de decisão em relação ao ponto
1
Capítulo 4
FEUP | 2020 | Diogo Cardoso

1. Introdução 3
ideal no tempo e a ação ideal para a realização da intervenção de manutenção [4,

5].
A Inteligência Artificial em alguma das suas vertentes, como o Machine Learning,

está frequentemente associada à análise de dados [5]. O Machine Learning pode ser
definido como “o campo de estudo que dá ao computador a habilidade de aprender
sem ser explicitamente programado” [6]. Pode dizer-se que “os algoritmos de Ma-
chine Learning usam métodos computacionais para aprender informação diretamente
dos dados sem recurso a equações pré-definidas como modelo” [6].
1.2. Objetivos
O objetivo principal da presente dissertação é aplicar ferramentas de Inteligência

Artificial, mais especificamente de Machine Learning, a um conjunto de dados, prove-
nientes de diversas fontes, disponibilizados online [7]. Mais ainda, procurar analisar
as especificidades desta implementação e a definição de metodologias, com vista a
permitir fornecer informações e ferramentas à área da manutenção.
1.3. Estrutura da dissertação
A presente dissertação encontra-se dividida em seis capítulos.
Neste primeiro capítulo (Capítulo 1) é realizada uma pequena introdução e enqua-

dramento ao tema, bem como os objetivos propostos.
No Capítulo 2 é realizada uma revisão bibliográfica, onde são apresentados os con-

ceitos inerentes à manutenção, tipos de manutenção, Normas Portuguesas da Manu-
tenção, custo do ciclo de vida e indicadores de desempenho.
No Capítulo 3 começa por abordar-se, muito brevemente, a história das revoluções

industriais de modo a enquadrar o tema da Indústria 4.0, onde são abordados os
conceitos de Internet of Things (IoT), Cyber-Physical Systems (CPS) e Big Data. É
introduzido o tema da Inteligência Artificial e realizada uma breve distinção entre
Inteligência Artificial, Machine Learning e Deep Learning. Por fim, é apresentado o
impacto e principais desafios da Indústria 4.0 na manutenção.
No Capítulo 4, relacionado com Machine Learning, apresenta-se a sua definição, os

tipos de Machine Learning existentes, o Workflow de um projeto, as métricas de ava-
liação dos modelos e uma primeira abordagem à aplicação de métodos de Machine
Learning para a manutenção preditiva, auxiliada por uma revisão sistemática da lite-

4 1.3. Estrutura da dissertação
ratura científica.
No Capítulo 5 são apresentados os resultados da aplicação de modelos de Machine

Learning a um conjunto de dados disponibilizado online. É realizado um estudo das
diferentes origens dos dados, divisão e classificação, e ainda como estes se podem
conjugar, através de feature engineering, de modo a aplicar os modelos de Machine
Learning. Estuda-se ainda o problema do desequilíbrio entre classes comum em apli-
cação destas ferramentas para problemas de manutenção.
No Capítulo 6 são apresentadas as conclusões finais do projeto e propostas de traba-

lho futuro.

2. Estado da Arte
2.1. Introdução
No presente capítulo apresentam-se conceitos relacionados com a manutenção, tipos

de manutenção, Normas Portuguesas da Manutenção, custo do ciclo de vida e indica-
dores de desempenho. Este capítulo é de extrema relevância para o desenvolvimento
da presente dissertação, uma vez que permite refletir sobre os conceitos adquiridos.
Recentemente, é possível observar um processo de mudança de mentalidade relati-

vamente à forma como a manutenção é percecionada, sendo lhe atribuído um papel
cada vez de maior relevância, pelo que, faz todo o sentido fazer o seu enquadra-
mento, mas também apresentar novas abordagens e políticas de manutenção.
2.2. Definição de Manutenção
Devido aos elevados padrões de qualidade e inspeção em vigor atualmente, um equi-

pamento, quando adquirido e colocado em funcionamento opera, regra geral, no
limiar da sua eficiência máxima [2]. Salvo raras exceções, provenientes de possíveis
defeitos de fabrico ou montagem, um sistema que possua componentes móveis acaba
inevitavelmente por se desgastar [2, 8]. Assim sendo, será necessária, por exemplo,
a realização de trocas dos componentes que apresentam desgaste, de modo a res-
tabelecer a capacidade máxima do equipamento em questão [2]. É essencial para
as empresas detetar estes acontecimentos e desenvolver um plano para combater o
inevitável desgaste [2].
De acordo com Giagi (2007) [9], “para que uma instalação assegure a função para
que foi concebida, é necessário que os seus equipamentos e máquinas sejam mantidos
em boas condições de funcionamento. Isto requer que sejam efetuadas reparações,
inspeções, rotinas preventivas, substituição de componentes ou peças, mudanças de
óleo, limpezas, correções de defeitos e pinturas para que se possa repor os níveis de
operacionalidade. Este conjunto de ações forma o leque de atividades da Função de
Manutenção”.
5
6 2.2. Definição de Manutenção
É possível encontrar várias definições para a manutenção propostas por diversos au-
tores. Para Pinto [10], a manutenção é o ato de “combinar ações de gestão, técnicas e
económicas, aplicadas aos bens para otimização do seu ciclo de vida”. Já para Cabral
[11], a manutenção pode ser definida como “o conjunto das ações destinadas a as-
segurar o bom funcionamento das máquinas e das instalações, garantindo que estas
são intervencionadas nas oportunidades e com o alcance certo, de forma a evitar que
avariem ou baixem de rendimento e, no caso de tal acontecer, que sejam repostas em
boas condições de operacionalidade com a maior brevidade, tudo a um custo global
otimizado”.
No entanto, a definição adotada na presente dissertação é a encontrada na Norma

Portuguesa NP EN 13306:2007 [12], onde a manutenção é definida como a “com-
binação de todas as ações técnicas, administrativas e de gestão, durante o ciclo de
vida de um bem, destinadas a mantê-lo ou repô-lo num estado em que ele pode
desempenhar a função requerida”.
De notar que, apesar das suas diferenças, os objetivos da manutenção mantêm-se

transversais a todas estas definições.
Independentemente do objetivo considerado primordial, as ações de manutenção

devem orientar-se pelos seguintes conceitos [2, 10, 11]:
• Segurança: deve ser garantida a segurança de todos os elementos intervenien-

tes no processo, desde os equipamentos às pessoas;
• Qualidade: o número de defeitos deve ser minimizado, visando-se a obtenção
de um rendimento cada vez maior. Esta aquisição deve ser conseguida sempre
respeitando as normas estabelecidas;
• Criação de Valor: devem ser objetivados custos globais mínimos. Esses valo-
res dependem dos custos de produção, bem como das intervenções ou não de
manutenção;
• Disponibilidade: visa garantir a maior operacionalidade dos equipamentos e
sistemas, permitindo a regularização da produção e cumprimento de prazos.
A harmonização dos parâmetros supramencionados é muitas vezes de extrema difi-

culdade, uma vez que melhorias implementadas num dos parâmetros não conduzem
invariavelmente a progressos nos outros [2, 10, 11]. Por exemplo, a redução do nú-
mero de defeitos e posterior aumento de qualidade podem encaminhar a aumentos
exponenciais de custos, o que pode não ser rentável para a empresa [2, 10, 11]. Esta
interdependência das variáveis constitui um desafio permanente, a que os profissio-
nais de manutenção estão sujeitos [10, 11].
Atualmente, é possível observar uma nova fase de mudança no conceito de manuten-

ção, com recurso à implementação de novas tecnologias, cada vez mais presentes na

2. Estado da Arte 7
indústria, que abrem a possibilidade de monitorizações dos equipamentos de forma

mais eficaz, tornando, no entanto, o processo mais complexo [13].
Algumas das principais limitações presentes atualmente na manutenção são [2, 14]:
• Escolha das práticas que conduzam a um desempenho superior (benchmar-

king);
• Falta de comunicação e informação;
• Incapacidade de medição e controlo dos parâmetros de performance, razão de
qualidade e disponibilidade do sistema;
• Aumento da complexidade dos sistemas;
• Inexistência de uma proposta e plano estratégico e a sua implementação;
• Falta de preocupações com a segurança e saúde.
2.3. Tipos de Manutenção
É fundamental para as empresas que os equipamentos críticos operem no pico de

eficiência e utilização, de modo a permitir um retorno sobre os investimentos de
capital [15].
De forma geral, a manutenção de ativos pode dividir-se em quatro grupos distintos

de estratégias de manutenção (Figura 2.1): manutenção corretiva ou Run-to-failure
(RTF), manutenção preventiva, manutenção preditiva e manutenção prescritiva [2].
Figura 2.1: Estratégias de Manutenção
2.3.1. Manutenção Corretiva (Run-to-failure)
A manutenção corretiva ou Run-to-failure (RTF) é a “manutenção efetuada depois da

deteção de uma avaria e destinada a repor um bem num estado em que este é capaz
de realizar uma função requerida” [11]. As falhas dos equipamentos ocorrem sem

8 2.3. Tipos de Manutenção
qualquer aviso e, portanto, não existe qualquer planeamento prévio da manutenção

[11]. A manutenção corretiva garante que as peças são completamente utilizadas,
isto é, não existe desperdício da vida útil dos componentes [14].
Esta abordagem é de fácil implementação, uma vez que não necessita de grandes
esforços de organização e planeamento o que, consequentemente, conduz a uma
diminuição dos custos indiretos da manutenção, isto é, custos associados às ativida-
des de gestão, organização e planeamento da manutenção [11, 14]. No entanto, a
manutenção corretiva apresenta diversas desvantagens: uma paragem não planeada
leva a um aumento do custo e perdas na produção; possível aumento no número de
defeitos; diminuição do tempo útil de vida dos equipamentos; aumento do risco de
acidente e consequente redução da segurança dos utilizadores do equipamento [11,
14].
2.3.2. Manutenção Preventiva
A manutenção preventiva “é a manutenção efetuada em intervalos de tempo pré-

determinados com a finalidade de reduzir a probabilidade de avaria ou de degrada-
ção do funcionamento de um bem” [11].
A manutenção preventiva pode-se dividir em duas vertentes: a manutenção preven-

tiva sistemática (MPS) e a manutenção preventiva condicionada (MC) [11].
A manutenção preventiva sistemática consiste na realização de operações de manu-

tenção em intervalos de tempo fixos com o objetivo de detetar e prevenir possíveis
falhas, possibilitando assim prolongar o tempo de vida de um equipamento [14]. O
agendamento das intervenções de MPS deve ser otimizado de modo a diminuir os
riscos de falha e assim permitir minimizar os custos totais de manutenção [11, 14].
Na MPS, é assumida a existência de uma relação entre a perda de fiabilidade1 e

o tempo de funcionamento, com padrões de avaria constantes e que as ações de
manutenção realizadas repõem a fiabilidade dos equipamentos [11].
De notar que na MPS não existe o recurso à monitorização nem à análise do estado
atual dos equipamentos e dos seus componentes [11] e, portanto, podem ser realiza-
das ações de manutenção desnecessárias, que contribuem para um aumento do custo
total da manutenção e afetam o estado de equilíbrio entre os vários componentes do
equipamento [10, 11].
A manutenção preventiva condicionada (MC) é uma técnica de manutenção que, re-

correndo à monitorização de parâmetros de funcionamento dos equipamentos (como
1
Secção 2.6.2

2. Estado da Arte 9
por exemplo, temperatura, pressão, vibrações) e à análise de tendências [11], pro-

cessa essa informações e, quando estes parâmetros se encontram próximos ou ten-
dem rapidamente para níveis de alarme previamente definidos, é realizada a inter-
venção de manutenção de imediato (ou pouco tempo depois) [16], permitindo assim
uma redução dos custos associados a avarias e, consequentemente, os custos associ-
ados à perda de produtividade [11]. No entanto, isto leva a um aumento dos custos
indiretos de manutenção, uma vez que, devido ao curto tempo de planeamento da
intervenção necessária, o momento selecionado pode não ser o ideal do ponto de
vista operacional [11, 16]. Mais ainda, esta estratégia de manutenção pode conduzir
a um possível subaproveitamento da vida útil do componente [11].
2.3.3. Manutenção Preditiva
De acordo com a norma NP EN 13306:2010 [17], a manutenção preditiva é “base-

ada na condição dos equipamentos, sendo realizada de acordo com a previsão obtida
pela análise e avaliação repetitiva dos parâmetros de funcionamento ou outras ca-
racterísticas conhecidas do equipamento”.
Ao contrário da manutenção preventiva condicionada, a manutenção preditiva vai

muito além da simples monitorização de parâmetros de funcionamento, utilizando
dados da monitorização para realizar previsões relacionadas com o estado futuro do
equipamento [11], podendo ainda permitir estimar o tempo útil de vida restante até
ocorrer uma falha - Remaining Useful Lifetime (RUL) [16] e, assim, agir de forma
proativa [16].
Ao aumentar o tempo de vida dos componentes (em comparação com a manutenção

preventiva) e reduzir os custos não programados de manutenção e mão de obra (em
comparação com a manutenção corretiva), permite às empresas uma redução de
custos e ainda vantagens competitivas [14].
De acordo com Schmidt (2017) [18], a manutenção preditiva, de modo a ser capaz
de estimar a saúde e o estado de degradação dos equipamentos, deve utilizar vários
tipos de informação:
• Dados relacionados com os equipamentos: tipo de máquina, localização e cons-

tituição;
• Ordens de trabalho: ações de manutenção realizadas no equipamento, descri-
ção das falhas ou avarias, lista de peças de substituição utilizadas, apresentação
das suas causas e métodos utilizados para as resolver;
• Monitorização de parâmetros de funcionamento do equipamento: temperatura,
pressão, vibrações, medidas geométricas, entre outros;

10 2.3. Tipos de Manutenção
• Sistemas de supervisão e aquisição de dados: número de ciclos do equipa-

mento, tipos de variantes produzidas.
De modo a ser exequível utilizar efetivamente a condição dos equipamentos na ma-

nutenção é necessário ser possível definir um intervalo de tempo “P-F” entre a deteção
do início da falha (P) e o momento em que existe perda da função (F) - Figura 2.2 -
suficientemente lato para que o processo produtivo possa ser interrompido com um
mínimo de perdas económicas e a intervenção de manutenção possa ser planeada de
forma efetiva [19].
Figura 2.2: Intervalo de Tempo “P-F” entre a deteção do início da falha (P) e o
momento em que existe perda da função (F) [19]
Com o advento da Internet of Things (IoT), cada vez mais parâmetros relacionados
com a condição dos equipamentos estão disponíveis em tempo real, possibilitando
assim estimar a duração do intervalo de tempo “P-F” com maior precisão, permitindo
uma abordagem “just in time” à prevenção de falhas, prolongando a vida útil dos
componentes [19]. Além disso, Big Data2 pode permitir determinar fatores adicionais
com possível influência neste intervalo, para um determinado modo de falha numa
peça especifica, sob condições especificas [5, 19].
No entanto, um problema comum em todas as formas de análise preditiva, quando

se trata de prever a vida útil restante de um equipamento, é a necessidade de ter
dados de falhas anteriores para analisar [15, 20]. A maioria das organizações, prin-
cipalmente quando se trata de ativos críticos, tende a não permitir que esses recursos
falhem - por razões óbvias [15]. Dados relacionados com falhas “suspensas”, isto é,
o ativo foi sujeito a uma substituição e/ou reparação antes que falhasse, permitem
saber que ele durou até esse ponto no tempo sem sofrer uma falha funcional - mas
não é possível determinar por quanto tempo continuaria a funcionar caso não tivesse
sido submetido à intervenção [15]. Assim, uma limitação que necessita de ser supe-
rada está relacionada com uma escassez de dados precisos (para momentos perto de
2
Secção 3.3

2. Estado da Arte 11
uma falha) de modo a poder treinar e testar modelos3 que permitem prever falhas
nos equipamentos [15].
Os objetivos típicos da aplicação de métodos de manutenção preditiva são [2, 14]:
• Reduzir o risco operacional de um equipamento crítico;

• Aumentar a taxa de rentabilidade dos ativos, prevendo falhas antes de estas
ocorrerem;
• Controlar o custo da manutenção, permitindo operações de manutenção “just-
in-time”;
• Reduzir os custos de inventário reduzindo os níveis de inventário, prevendo o
ponto de encomenda;
• Descobrir padrões ligados a vários problemas de manutenção;
• Fornecer indicadores-chave de desempenho para as condições do ativo;
• Estimar o tempo de vida remanescente dos ativos;
• Recomendar atividades de manutenção atempadamente.
Na Figura 2.3 está representada uma visão geral das diferentes estratégias de ma-
nutenção abordadas até aqui, num intervalo de tempo [t0 , t], no que diz respeito
à deteção e possível ocorrência de uma falha e ainda o posicionamento e duração
temporal dos custo e indisponibilidade dos equipamentos [16].
Figura 2.3: Visão geral das diferentes estratégias de manutenção [16]
3
Capítulo 4

12 2.4. Falha, Avaria e Modo de Falha
2.3.4. Manutenção Prescritiva
A manutenção prescritiva (por vezes também chamada de manutenção proativa) é

uma estratégia de manutenção que se baseia na aquisição e análise de dados acerca
da condição de um equipamento para apresentar recomendações especializadas e
correspondentes resultados dessas recomendações, de modo a reduzir os riscos ope-
racionais [2, 21].
Como referido anteriormente, a manutenção preditiva recorre a vários tipos de in-

formações que descrevem a condição de um ativo e o seu estado operacional geral
[2, 18]. Estes dados podem ser analisados para prever quando os eventos de falha
poderão ocorrer [2]. Contudo, a manutenção prescritiva leva essa análise a um nível
superior, não apenas prevendo eventos de falha, mas também recomendando ações a
serem tomadas [2, 21]. Os resultados potenciais da execução dessas recomendações
são calculados e antecipados [2, 21]. A manutenção prescritiva permite calcular os
efeitos da variação das condições operacionais até o momento da falha [2, 21].
Por exemplo, dado que um determinado equipamento opera com uma temperatura
variável nos seus rolamentos, os métodos preditivos informam quando é provável a
ocorrência de uma falha devido ao seu perfil de temperatura [21]. Por outro lado, os
métodos prescritivos informam que a redução da velocidade do equipamento numa
certa quantidade pode permitir duplicar o tempo até ocorrer uma falha [21].
À medida que a capacidade de aquisição de dados aumenta, aumenta também a

complexidade da análise que pode ser feita para interpretar estes dados. Ferramentas
de Inteligência Artificial exibem um enorme potencial na aplicação destes conceitos
[2, 21]. No entanto, atualmente, o número de aplicações reais de estratégias de
manutenção prescritiva é baixo [21].
2.4. Falha, Avaria e Modo de Falha
De acordo com a norma NP EN 13306:2007 [12], define-se “falha da função re-

querida” ou simplesmente “falha”, como sendo o “estado de um bem inapto para
cumprir uma função requerida, excluindo a inaptidão devida à manutenção preven-
tiva ou outras ações programadas, ou devida à falta de recursos externos”, ou seja,
é não só a cessação de funcionamento mas também a degradação de um parâmetro
de funcionamento até um nível que se considere insatisfatório. Ainda segundo NP
EN 13306:2007 [12] define-se “avaria” como sendo a “cessação da aptidão de um
bem para cumprir uma função requerida”. A avaria representa um caso particular de
falha, ou seja, o termo avaria refere-se não só à ocorrência de uma falha mas engloba

igualmente a consequência, isto é, o bem imobiliza-se devido à função desempenho

se reduzir a zero. Assim sendo, após a declaração da avaria o bem poderá estar em
falha, total ou parcial. “Avaria” é então um acontecimento, enquanto que “em falha”
ou “avariado” é um estado.
Novamente de acordo com a norma NP EN 13306:2007 [12], modo de falha pode

ser definido como a “maneira pela qual é verificada a incapacidade de um bem para
cumprir uma função requerida”. Pode igualmente ser entendido como o sintoma
através do qual uma falha de um componente ou equipamento se pode manifestar,
originando uma falha funcional no próprio equipamento ou sistema. Assim sendo, o
modo de falha é uma propriedade inerente a cada equipamento, dado que cada um
tem as suas próprias características.
2.5. Normas Portuguesas da Manutenção
Tendo em conta a diversidade de domínios técnicos relacionados com a execução

da intervenções de manutenção, é recomendável que se recorra a um conjunto de
normas que deverão ser acessíveis pelas organizações e recursos humanos afetos ao
departamento [22]. Recentemente, é possível observar uma atividade significativa na
uniformização de terminologias, conceitos, definições e formas de atuação, através
de normas internacionais [22]. Esta tendência representa inequivocamente um fator
positivo, no entanto, a sua eficácia depende do realismo no número de normas que se
elaboram, do rigor dos seus conteúdos e da sua utilização intensiva pelos interessados
[22]. São de seguida listadas as normas mais significativas [22]:
• NP EN 13306:2007: “Terminologia da Manutenção”;

• NP EN 15341:2009: “Manutenção – Indicadores de desempenho da manuten-
ção (KPI)”;
• NP EN 13269:2007: “Manutenção. Instruções para a preparação de contratos
de manutenção”;
• NP EN 13460:2009: “Manutenção – Documentação para a manutenção”;
• NP 4483:2009: “Guia para a implementação do sistema de gestão de manuten-
ção”;
• NP 4492:2010 “Requisitos para a prestação de serviços de manutenção”.

14 2.6. Indicadores de desempenho da manutenção
2.6. Indicadores de desempenho da manutenção
Só é possível quantificar a importância da manutenção através da monitorização de

indicadores de desempenho dos equipamentos e do processo de manutenção [2]. A
análise dos parâmetros contidos nestes conceitos ajudará a compreender as anoma-
lias dos equipamentos, podendo assim ser desenvolvido um plano de manutenção
mais adequado para cada equipamento [2].
2.6.1. Manutibilidade
De acordo com a norma NP EN 13306:2007 [12], a manutibilidade é definida como

a “aptidão de um bem, sob condições de utilização definidas, para ser mantido ou
restaurado, de tal modo que possa cumprir uma função requerida, quando a ma-
nutenção é realizada em condições definidas, utilizando procedimentos e recursos
prescritos”.
É quantificada pelo parâmetro Mean Time To Repair (MTTR) (Tempo Médio de Re-
paração) - Equação 2.1. Representa a média de tempo que leva a reparação dos
equipamentos, na qual o intervalo de tempo considerado é entre a deteção de uma
falha até à retoma de trabalho.
TTR
P
MTTR = (2.1)
N
Onde:
• MTTR - Mean Time to Repair (Tempo Médio de Reparação);

• TTR - Time to Repair (Tempo de Reparação);
• N, número de reparações no período de tempo considerado.
2.6.2. Fiabilidade e Disponibilidade
A norma NP EN 13306:2007 [12] define fiabilidade como a “aptidão de um bem

para cumprir uma função requerida sob determinadas condições, durante um dado
intervalo de tempo”.
A fiabilidade também se pode aplicar como uma medida de desempenho da fiabili-

dade, podendo, nesse caso, definir-se como uma probabilidade [14]. O processo de
resolução de problemas de fiabilidade deve começar por um conhecimento profundo

dos equipamentos que se pretende analisar e respetivas condições de funcionamento

[14].
De modo a quantificar a fiabilidade, é utilizado o parâmetro Mean Time Between

Failures (MTBF) ou Tempo Médio entre Falhas - Equação 2.2.
TBF
P
MTBF = (2.2)
N
Onde:
• MTBF - Mean Time Between Failures (Tempo Médio entre Falhas);

• TBF - Time Between Failures (Tempo entre Falhas), o intervalo de tempo que
decorre entre duas falhas consecutivas num determinado equipamento;
• N, número de falhas verificadas no período.
Outro parâmetro associado ao MTBF é a taxa de falhas (λ) - Equação 2.3 - que pode
ser definida como a razão entre o número de falhas, n, e o produto entre um deter-
minado intervalo de tempo, τ , e o número de equipamentos sobre o qual incide a
análise. Este parâmetro quantifica a frequência média de falhas por equipamento.
Desta forma, tem-se que:
n
λ= (2.3)
mτ
A análise da fiabilidade envolve não só a análise do MTBF dos equipamentos, mas

também o modo de degradação dos mesmos. Esta degradação influência a evolução
da taxa de falhas ao longo do tempo, normalmente representada pela denominada
curva da banheira - Figura 2.4.
Figura 2.4: Curva da Banheira [23]

16 2.6. Indicadores de desempenho da manutenção
A curva da banheira (Figura 2.4) representa três períodos distintos da vida de um

equipamento [11]:
• Juventude (Fase Inicial): a taxa de falhas é mais elevada, sendo que depois
decresce e tende a estabilizar;
• Maturidade: as falhas são aleatórias, com taxa de falhas baixa e aproximada-
mente constante;
• Velhice (Fase Final): a taxa de falhas aumenta de uma forma acentuada, de-
vido a factores como a acumulação de danos, fadiga ou degradação.
Pela norma NP EN 13306:2007 [12], a disponibilidade (D) - Equação 2.4 - representa

a “aptidão de um bem para cumprir uma função requerida sob determinadas condi-
ções, num dado instante ou durante um dado intervalo de tempo, assumindo que é
assegurado o fornecimento dos necessários recursos externos”. A disponibilidade é
uma função directa da fiabilidade e da de manutibilidade.
MTBF
D= × 100 % (2.4)
MTBF + MTTR
Onde:
• D – Disponibilidade, geralmente expressa em percentagem;

• MTBF - Mean Time Between Failures (Tempo Médio entre Falhas);
• MTTR - Mean Time to Repair (Tempo Médio de Reparação);
Apesar de ser importante definir fiabilidade e disponibilidade de forma bastante pre-

cisa, o processo de avaliação do desempenho e do cumprimento de metas impostas na
manutenção, envolve necessariamente a definição de métricas que permitam avaliar
quantitativamente a fiabilidade e a disponibilidade dos equipamentos, “quantificar o
que se faz, estabelecer os objetivos do que se pretende fazer” e ainda “quantificar o
que se conseguiu de facto fazer” [12]. A definição de indicadores apropriados, que
medem os resultados atuais e esperados desta área, permite perceber o valor criado
pelos processos de manutenção e ainda quantificar se o investimento realizado está
a produzir mais valias para a organização [11].
Mais ainda, em manutenção, não é possível definir um número de indicadores ne-

cessários para medir ou fundamentar decisões da gestão universais, sendo que, em
cada caso será importante perceber quais os indicadores que podem ser utilizados,
adaptados ou até mesmo criados especificamente para uma determinada aplicação
[2].

2.7. Gestão da Manutenção
A gestão da manutenção é uma atividade dinâmica que envolve funções como o pla-
neamento, a coordenação, a monitorização e o controlo de recursos [10]. Neste
sentido, a manutenção pode ser considerada como uma atividade de apoio à produ-
ção, uma vez que contribui para uma melhoria da operacionalidade dos equipamen-
tos [10]. Ainda assim, é muitas vezes designada como um “mal necessário” para a
empresa, pois possui sempre um determinado custo associado, além de forçar a para-
gem de equipamentos e, consequentemente, da produção. No entanto, atualmente,
a manutenção pode ser um fator estratégico para garantir alta produtividade de sis-
temas industriais [10]. É, portanto, fundamental desenvolver estratégias de gestão
de manutenção [10].
De acordo com a norma NP EN 13306:2007 [12], a gestão da manutenção define-se

como “o conjunto das atividades de gestão que estabelecem os objetivos, a estratégia
e as responsabilidades da manutenção, e que procedem à sua implementação através
do planeamento, controlo e supervisão desta e da melhoria contínua dos métodos da
organização, incluindo os fatores económico”. Na Figura 2.5 estão representadas as
principais funções da gestão da manutenção.
Figura 2.5: Principais Funções da Gestão da Manutenção e as suas Relações [10]

18 2.8. Custo do Ciclo de Vida
A gestão da manutenção é fundamental para a produtividade de uma empresa, oti-

mização dos custos e, principalmente, preservação dos equipamentos [10].
2.8. Custo do Ciclo de Vida
O desenvolvimento de novos contextos tecnológicos conduziu a uma evolução na-

tural dos conceitos básicos dos sistema de produção. De acordo com a norma IEC
60300-3-3:2004 [24], o Custo de Ciclo de Vida (Life Cycle Costing - LCC) pode ser
definido como “o custo acumulado de um produto ao longo do seu ciclo de vida, con-
siderando ciclo de vida como o intervalo de tempo entre a conceção de um produto
e a sua retirada de serviço e abate seguindo as Normas ambientais”.
Esta definição impõe uma visão global da gestão de ativos físicos, desde a sua fase
inicial de projeto até à sua desativação e abate [25]. Este é um processo de análise
económica com fim a avaliar o custo do ciclo de vida de aquisição, posse e alienação
de um equipamento [25]. Esta análise pode ser útil em qualquer etapa da vida de
um equipamento, no entanto, quando realizada na fase de conceção e/ou aquisição,
revela-se de maior utilidade dado que permite conhecer as diferentes alternativas que
podem surgir nesta fase e compreender qual será o custo total dos equipamentos ao
longo da sua vida, podendo assim auxiliar a tomada de decisão com base não apenas
nos custos iniciais, mas em todos os custo envolvidos [25]. A título de exemplo, na
Figura 2.6 está representada a evolução dos custos gerados para dois equipamentos
distintos A e B. Apesar do equipamento A apresentar um custo inicial mais elevado
(equipamento de qualidade superior), o custo de ciclo de vida é superior para o
equipamento B (de menor qualidade e menor vida útil) [23].
Figura 2.6: Comparação do Custo do Ciclo de Vida para dois equipamentos com
custo inicial distintos [23]
O setor da manutenção representa um custo intrínseco para as empresas, no entanto,

essencial para os resultados globais da mesma [23]. Os métodos tradicionais de ava-

liação de custos permitem determinar facilmente os custos diretos da manutenção,
sendo que o mesmo não se verifica para a estimativa dos custos indiretos [23].
A fiabilidade tem um grande impacto no custo do ciclo de vida, sendo que, em muito
sistemas, pode até ser um dos fatores de custo mais importantes nesta análise [10].
As faltas de fiabilidade, ou seja, as falhas dos equipamentos, podem originar diferen-
tes tipos de custos, desde custos diretos, resultantes das intervenções de manutenção
como materiais e peças de substituição, assim como custos indiretos como a perda
de produção, mão-de-obra de produção parada, perdas financeiras devido à paragem
dos equipamentos, entre outros [10]. Estes fatores são normalmente representados
com recurso ao “iceberg” dos custos de manutenção - Figura 2.7.
Figura 2.7: Iceberg dos Custos da Manutenção [11]
O impacto no custo do ciclo de vida das intervenções de manutenção e das perdas de

produção devido a falhas imprevistas pode ser muito importante e deve ser avaliado
corretamente [25].
Existem diferentes métodos para o calcular o custo do ciclo de vida, dependendo

dos objetivos pretendidos. No entanto, todos eles reconhecem que, para equipamen-
tos de capital intensivo com uma vida produtiva longa, os custos operacionais e os
custos de manutenção são, normalmente, mais elevados do que os custos de inves-
timento inicial [23]. Assim, a estimativa inicial destes custos é fundamental, uma
vez que, não sendo estes conhecidos desde o início, podem vir a ser cruciais para a
sobrevivência das organizações [23].
A manutenção contribui efetivamente para o sucesso das organizações e esta deve

ser encarada como uma componente estratégica do sistema empresarial, deixando
de ser vista como uma área geradora de custos e evoluindo para uma área que deve
acrescentar valor aos processos de trabalho e negócio [25].

3. Indústria 4.0 e Inteligência
Artificial
3.1. Introdução
Na sociedade atual, a informação e o conhecimento têm um papel crescente na cria-

ção de riqueza, de bem-estar e melhoria da qualidade de vida das pessoas [1, 26]. A
revolução digital está a conduzir a mudanças profundas nos hábitos de consumo dos
clientes, devido a, entre outros fatores, um maior acesso a dados e a um crescente
desenvolvimento de novas tecnologias [1, 26]. Uma alavanca fundamental para a
transformação dos modelos de negócio é a Data Science, que se baseia no uso combi-
nado de técnicas de Inteligência Artificial, Machine Learning, matemática, estatística
e bases de dados [26]. A crescente utilização destas técnicas é impulsionada por
diversos fatores: um aumento sem precedentes do volume e da tipologia dos dados
disponíveis; a conectividade e o acesso a estes dados; a melhoria dos algoritmos
utilizados e ainda o aumento da capacidade computacional dos sistemas [26, 27].
3.2. Revoluções Industriais
A indústria é um setor da economia responsável pela produção de bens materiais

através de, regra geral, processos mecanizados e automatizados [28]. Desde o iní-
cio da industrialização de processos, os grandes avanços tecnológicos conduziram a
mudanças de paradigma, referenciadas como “revoluções industriais” [28].
Uma revolução industrial é um processo caracterizado por mudanças abruptas e ra-

dicais, associadas à incorporação de novas tecnologias, que se vão materializar e
implicar alterações na sociedade, em particular ao nível político, económico, e social
[28].
A primeira revolução industrial, que ocorreu em finais do século XVIII, ficou carac-
terizada pela mecanização da produção, usando água e energia a vapor como fontes
desse movimento [29]. Na segunda revolução industrial, final do século XIX e início
21
22 3.3. Indústria 4.0
do século XX, surge a produção em larga escala de produtos, de uma forma rápida e
barata, com a energia elétrica como o fator de inovação [29]. Na terceira revolução
industrial, durante os anos 70 do século passado, surge o advento das tecnologias de
informação e comunicação [29]. Com a revolução digital, a que ela dá origem, surge
o uso intensivo dos computadores pela sociedade, a Internet e as plataformas digitais
[28]. Atualmente, estamos perante a Indústria 4.0, como uma quarta revolução in-
dustrial, que assenta no desenvolvimento de Sistemas Ciber-Físicos inteligentes com
capacidade de resposta rápida e assertiva a alterações na produção e ainda supervi-
são contínua de equipamentos e processos [26, 28]. Na Figura 3.1 está representada
a cronologia das revoluções industriais.
Figura 3.1: Cronologia das Revoluções Industriais [29]
3.3. Indústria 4.0
A Indústria 4.0 é um conceito que surge em novembro de 2011, num artigo publi-
cado pelo governo Alemão [3], relativamente a uma estratégia de desenvolvimento
tecnológico. Caracteriza-se essencialmente por um conjunto de avanços e desenvol-
vimentos tecnológicos disruptivos, que afetam a indústria a nível global, tais como a
Internet of Things (IoT), os Cyber-Physical Systems (CPS), a Virtual/Augmented Reality
(VR/AR), o Big Data e o Cloud Computing [26, 27].
A Internet das Coisas (Internet of Things - IoT) pode ser definida como um ecossis-
tema no qual os objetos e equipamentos nele inseridos estão equipados com sensores
e outros dispositivos digitais, sendo assim capazes de reunir e trocar informações
uns com os outros, num sistema interligado em rede [1]. Esta tecnologia permitirá

3. Indústria 4.0 e Inteligência Artificial 23
avanços significativos na execução e gestão de tarefas em tempo real [1].
A Indústria 4.0, como uma quarta revolução industrial, assenta no desenvolvimento

de Sistemas Ciber-Físicos (Cyber-Physical Systems - CPS) inteligentes com capacidade
de resposta rápida e assertiva a alterações na produção e ainda supervisão contínua
de equipamentos e processos [26]. Com a introdução destes sistemas, as tecnologias
preditivas conseguem prever a degradação no desempenho do produto, equipamento
ou recurso e otimizar, de forma autónoma, as necessidades do mesmo [1].
Os sistemas Ciber-Físicos resultam da fusão do nível físico com o nível digital, inte-
grando computação e redes de comunicação que interagem entre si e influenciam-se
mutuamente [26]. No caso da manutenção preditiva, por exemplo, os dados rela-
tivos a parâmetros de processo de componentes mecânicos (elementos físicos) são
armazenados em sistemas digitais e, assim sendo, a condição real do sistema resulta
da interação dos seus elementos físicos com os parâmetros digitais implementados
[26].
Os dados recolhidos via IoT necessitam de ser analisados e processados [27]. O con-
ceito Big Data está relacionado com esta grande quantidade de dados que são gerados
e armazenados a cada instante resultantes da existência de um elevado número de
sistemas em rede via IoT [1]. Por ser um volume exponencial, torna-se impossível
a sua gestão manual. “Dados” podem ser números, palavras ou outros sinais e re-
presentam factos discretos sobre uma realidade objetiva [1]. Podem ser verificados
e validados, contudo não tem qualquer significado se não forem interpretados e con-
textualizados, dando origem a informação passível de ser utilizada como auxílio à
tomada de decisão. A capacidade de processar estes dados é fundamental, de modo
a permitir que estes possam ter significado e que as organizações sejam capazes de
melhorar as operações com decisões mais rápidas e inteligentes [1]. Na Figura 3.2
está representada a Hierarquia DIKW, de “Data-Information-Knowledge-Wisdom”, que
é por vezes utilizada no campo da ciência dos dados e procura refletir a relação entre
os vários níveis de informação [30].
O Cloud Computing tem oferecido um outro tipo de vantagens para a indústria, nome-
adamente, tarefas de computação com maior capacidade e rapidez, armazenamento
de dados em grande escala e outros recursos computacionais, incluindo servidores,
armazenamento, bases de dados, rede, software e análises, através da Internet (“a
cloud”) para disponibilizar mais rapidamente recursos flexíveis [1].
Devido à grande quantidade de dados a serem gerados continuamente são necessá-

rias ferramentas de análise poderosas para lhe dar significado [1, 5]. Assim sendo,
um dos grandes desafios da Indústria 4.0 é a sua capacidade de colecionar todos estes
dados, processá-los e transformá-los em conhecimento [1, 5]. Para isso, são necessá-

24 3.4. Inteligência Artificial
Figura 3.2: Hierarquia DIKW - “Data-Information-Knowledge-Wisdom” [30]
rios sistemas tecnologicamente evoluídos, capazes de processar grandes quantidades

de dados, com recurso a algoritmos sofisticados [1, 5]. A Inteligência Artificial ou,
mais especificamente, o Machine Learning destacam-se neste campo [1, 5].
3.4. Inteligência Artificial
O campo da Inteligência Artificial (IA) sempre despertou um fascínio no homem.

Desde os primórdios que tentamos criar uma máquina que pudesse demonstrar as
mesmas características que nos definem como “inteligentes” [31]. No entanto, exis-
tem ainda diversos obstáculos a serem superados. A representação do conhecimento
é um dos aspetos mais complexos para a resolução de problemas de IA e a ciência
continua a procurar uma forma eficiente de representar o conhecimento de maneira
mais genérica em sistemas computacionais [31].
A IA é a ciência que procura estudar e compreender o fenómeno da inteligência e,

ao mesmo tempo, um ramo da engenharia, na medida em que procura construir
instrumentos para apoiar a inteligência humana [1].
Luger [31] define IA como o ramo da ciência da computação que se ocupa da automa-
ção do comportamento inteligente, focado no desenvolvimento de sistemas que exi-
bem características que estão associadas à inteligência no comportamento humano,
como a compreensão da linguagem, raciocínio e resolução de problemas.
Independentemente da abordagem adotada, a IA trata de uma variedade de proble-

mas cujas características são [1]:

• Uso do computador para executar raciocínio, reconhecimento de padrões ou

aprendizagem;
• Problemas que não podem ser resolvidos utilizando soluções algorítmicas tra-
dicionais;
• Solução de problemas utilizando informação não exata, em falta ou pobre-
mente definida;
• Respostas nem sempre exatas ou ótimas, mas suficientes em determinado con-
texto;
• Uso de grandes quantidades de conhecimento específico num domínio particu-
lar.
3.5. Breve distinção entre Inteligência Artificial, Ma-

chine Learning e Deep Learning
Inteligência artificial (IA), Machine Leaning (ML) e Deep Learning (DL) são conceitos
que estão relacionados, sendo que, habitualmente existe dificuldades para diferenciá-
los. Com o objetivo de ilustrar as suas diferenças (Figura 3.3), são apresentadas as
seguintes definições [6]:
A Inteligência Artificial é o conceito mais amplo, cujo objetivo é o desenvolvimento

de sistemas que exibem características que estão associadas à inteligência no compor-
tamento humano. Na conferência de Inteligência Artificial de Dartmouth (1956)[32]
foi definida como “todos os aspetos da aprendizagem ou qualquer outra caracterís-
tica da inteligência que pode, em princípio, ser precisamente descrita de tal forma
que uma máquina possa realizá-la”.
Por outro lado, o Machine Learning pode ser considerado como uma vertente da IA,
sendo definido como “o conjunto de métodos capazes de detetar padrões automatica-
mente num conjunto de dados e usá-los para fazer previsões acerca de dados futuros,
ou para tomar outro tipo de decisões num ambiente de incerteza”. O tema Machine
Learning será analisado com detalhe no Capítulo 4 [6].
Por último, o Deep Learning é um ramo do Machine Learning que, de uma forma
simples, procura produzir representações hierárquicas de alto nível dos dados de
entrada, por meio de camadas de processamento sequencial numa rede neuronal
artificial [6].

26 3.6. Impacto e Desafios da Indústria 4.0 na Manutenção
Figura 3.3: Distinção entre Inteligência Artificial, Machine Learning e Deep Learning
[33]
3.6. Impacto e Desafios da Indústria 4.0 na Manuten-

ção
As tecnologias de IoT irão desempenhar um papel fundamental na transição da área

da manutenção de uma empresa para a filosofia da Indústria 4.0, baseada na sen-
sorização de ativos físicos, assim capazes de gerar informações associadas ao seu
funcionamento [1].
A implementação de sensores nos equipamentos e a análise e armazenamento da in-

formação produzida relativa ao seu funcionamento permite uma movimentação no
sentido de uma manutenção preditiva e prescritiva, já que possibilita a utilização das
informações recolhidas e de métodos de IA para estudar e prever o comportamento
dos equipamentos [1, 5]. A análise de dados permite igualmente a deteção de ano-
malias e, por outro lado, encontrar padrões e condições de funcionamento ótimas
ou de maior eficiência ou prever tendências de necessidades futuras e planear as
operações de uma linha de produção de forma otimizada [2].
A transformação de uma indústria tem ser um processo contínuo e abrangente, que

além da melhoria de tecnologias, deve igualmente afetar toda a cadeia envolvente
e sequencial de processos, modelos de negócio, aspetos organizacionais e de gestão,
criando por sua vez desafios significativos para as empresas [4].
Alguns dos desafios mais relevantes são a pouca familiarização com uma visão e es-
tratégia digital, desconhecimento dos benefícios tecnológicos, recursos financeiros,
segurança de dados, falta de qualificação de recursos humanos, falta de normas e
legislação, ou insuficiências na infraestrutura tecnológica [4]. A criação de uma ar-

quitetura integrativa de conectividade entre equipamentos para eficazmente gerir a

recolha, armazenamento e processamento dos dados é essencial para tornar estes
acessíveis e visualizáveis, possibilitando a análise e utilização de dados para pro-
mover operações mais eficientes, com aplicação de diversas técnicas baseadas em
Inteligência Artificial [4].
No entanto, na área da manutenção, é importante perceber o motivo subjacente que

leva um sistema de IA a recomendar uma determinada ação [34]. Um dos benefí-
cios de aumentar a explicabilidade dos sistemas de IA é um aumento da confiança
no sistema. Se o utilizador for capaz de entender o que levou a uma determinada
recomendação gerada pela IA, o nível de confiança nessa decisão é superior. No en-
tanto, a conexão entre explicação e confiança é, por vezes, complexa. Se um sistema
produzir explicações convincentes, mas ilusórias, o utilizador pode desenvolver um
falso sentido de confiança ou compreensão, isto é, pode ter confiança na eficácia ou
segurança dos sistemas, sem que essa confiança seja justificada. Explicações podem
ajudar a aumentar a confiança a curto prazo mas não ajudam necessariamente a criar
sistemas que geram resultados confiáveis [34].

4. Machine Learning
4.1. O que é Machine Learning?
Na maioria dos casos, quando se deseja resolver um problema com o auxílio de um

computador, é necessário um algoritmo [6]. Um algoritmo consiste na programa-
ção de uma dada sequência de instruções com as quais é possível transformar uma
entrada numa saída desejada [6].
O Machine Learning pode ser definido como “o campo de estudo que dá ao compu-
tador a habilidade de aprender sem ser explicitamente programado”. De forma mais
simples, pode dizer-se que “os algoritmos de Machine Learning usam métodos compu-
tacionais para aprender informação diretamente dos dados sem recurso a equações
pré-definidas como modelo” [6].
4.1.1. Porque usar Machine Learning?
O Machine Learning certamente não será capaz de resolver todos os problemas para
os quais ainda não há resposta, no entanto, o seu potencial não deve ser desprezado
[35]. De entre as várias tarefas para as quais há uma elevada probabilidade das
ferramentas de Machine Learning serem usadas com sucesso, destacam-se:
1. Procurar soluções para problemas complexos para os quais as abordagens tra-

dicionais não encontraram nenhuma ou, tendo encontrado, requeiram demasi-
adas afinações de parâmetros ou uma longa lista de regras [35].
2. Auxiliar o ganho de “intuições” acerca de grandes quantidades de dados [35].
No caso da manutenção, o Machine Learning permite integrar informação e aprovei-

tar o potencial da grande quantidade de dados que, tipicamente, são armazenados
[8].
Os modelos preditivos possuem a capacidade de aprender padrões a partir de dados

históricos e assim prever resultados futuros, com uma determinada probabilidade
associada, com base nestes padrões observados. A precisão preditiva de um modelo
29
30 4.2. Tipos de Machine Learning
depende da relevância, quantidade e qualidade dos dados [8, 35].
4.2. Tipos de Machine Learning
Os sistemas de Machine Learning podem dividir-se em várias categorias, de acordo

com vários aspetos [35]:
1. Se são ou não treinados com supervisão (Subsecção 4.2.1):

(a) Supervised learning
(b) Unsupervised learning
(c) Reinforcement learning
(d) Semisupervised learning
2. Se podem aprender de forma incremental (Subsecção 4.2.2):
(a) Batch learning
(b) Online learning
3. Se fazem previsões comparando os novos dados com pontos conhecidos ou se
constroem novos modelos preditivos (Subsecção 4.2.3):
(a) Instance-based learning
(b) Model-based learning
4.2.1. Supervised, unsupervised, reinforcement learning e Semisu-

pervised learning
Os sistemas de Machine Learning podem ser divididos de acordo com a quantidade e

tipo de supervisão que recebem durante a fase de treino [35]. Este aspeto permite
a divisão dos modelos Machine Learning em três categorias principais (supervised,
unsupervised e reinforcement learning) e, ainda, numa quarta categoria que consiste
simplesmente na combinação de modelos das categorias anteriores (semisupervised
learning).
Supervised learning
Supervised learning é um dos modos de aprendizagem mais comum e também com
maior sucesso [35]. Neste, os dados fornecidos aos algoritmos durante a fase de
treino incluem a solução desejada (label), isto é, a variável dependente resultante
das variáveis independentes observadas [6]. É assim possível desenvolver modelos
preditivos capazes de gerar respostas para novos dados [35].

4. Machine Learning 31
Existem dois principais tipos de problemas de supervised learning: classificação e

regressão - Figura 4.1.
Figura 4.1: Supervised Learning: Classificação e Regressão [6]
As técnicas de classificação são utilizadas para prever a resposta, isto é, a classifica-

ção (class label), a partir de um conjunto de valores de entrada. As respostas são
discretas (os modelos classificam os dados em categorias) [6]. Os problemas de clas-
sificação podem ainda ser separados em: classificação binária (binary classification),
que consiste na distinção entre duas classes, e problemas de classificação multi-classe
(multiclass classification), quando o número de classes é superior a dois [6]. Classi-
ficar um e-mail como spam ou não spam é um exemplo de um problema típico de
binary classification enquanto que, prever qual a língua de um website com base no
texto nele presente é um exemplo de um problema de multiclass classification, onde,
neste caso, as classes seriam uma lista predefinida de possíveis línguas [35].
Por outro lado, as técnicas de regressão prevêem respostas contínuas [35]. Um exem-
plo de um problema deste tipo é, dado um conjunto de dados sobre o tamanho de
casas no mercado imobiliário, tentar prever o seu preço (variável contínua) [35].
As variáveis utilizadas em modelos de Machine Learning que, espera-se, contêm in-

formação relevante acerca do problema e permitem ao modelo aprender com sucesso
são denominadas por features (ou atributos) [35]. Uma feature pode ser diretamente
medida, calculada a partir dos sinais medidos ou, simplesmente, gerada pelo progra-
mador (por exemplo, a identificação de um equipamento) [35].
Os algoritmos mais populares de supervised learning são: k-nearest neighbors (kNN),

linear regression, logistic regression, support vector machines (SVMs), decision trees,
random forests, naive Bayes e neural networks [6, 35].
Unsupervised learning
Em alguns casos, conseguir dados com a solução desejada (label) pode ser caro ou
até mesmo impossível [35].

32 4.2. Tipos de Machine Learning
Em unsupervised learning um algoritmo procura aprender padrões e relações exis-

tentes num conjunto de dados sem categorização (sem labels) fornecidos [35]. Os
sistemas de unsupervised learning procuram encontrar padrões escondidos e estrutu-
ras intrínsecas nos dados - Figura 4.2 [6].
(a) Clustering (b) Deteção de Anomalias
Figura 4.2: Unsupervised Learning [6]
Dentro do unsupervised learning destacam-se quatro principais tarefas [35]: cluste-

ring, que consiste na divisão dos dados em grupos (clusters) semelhantes (Figura
4.2a); visualização e redução de dimensionalidade, que procura simplificar os dados
sem perda significativa de informação; deteção de anomalias, uma vez que o sistema
é treinado com exemplos normais, perante um novo ponto é capaz determinar se este
se encontra fora do normal (Figura 4.2b); e association rule learning, que consiste em
encontrar relações entre features [35].
Reinforcement learning
Em reinforcement learning , o sistema tenta aprender qual a melhor ação a ser to-
mada, dependendo das circunstâncias na qual essa ação será executada [35]. Como,
a priori, não sabe o que irá acontecer no futuro, é desejável uma abordagem que
leve em consideração essa incerteza, capaz de incorporar as eventuais mudanças no
processo de tomada da melhor decisão [35]. Uma recompensa ou punição é dada ao
sistema de apredizagem, dependendo da decisão tomada; ao longo do tempo e com
a repetição do processo, espera-se que este seja capaz de associar as ações que geram
maior recompensa para cada situação que o ambiente apresenta, e passe a evitar as
ações que geram punição ou recompensa menor [35].
Semisupervised learning
Alguns algoritmos são capazes de lidar, em simultâneo, com uma combinação de
dados de treino categorizados (normalmente em pequena quantidade) e não catego-
rizados (em grande quantidade) - Figura 4.3 [35]. Esta combinação de um grande
número de dados não categorizados, regra geral mais fáceis de obter, com alguns

dados categorizados, geralmente dispendiosos de obter, pode levar a um aumento da

performance do sistema de aprendizagem [35].
Figura 4.3: Semisupervised learning [6]
4.2.2. Batch e online learning
Outro critério usado para classificar os sistemas de Machine Learning é a sua capaci-
dade de aprender de forma incremental (Figura 4.4), a partir de um fluxo de dados
recebidos [35]. Em batch learning (Figura 4.4a), o sistema é incapaz de aprender
incrementalmente, sendo que necessita de acesso à totalidade dos dados para ser
treinado [35]. De modo a fornecer novos dados ao sistema, é necessário treinar um
nova versão com o conjunto de dados completo (não apenas os novos dados, mas
também os antigos) [35].
Por outro lado, em online learning (Figura 4.4b), a fase de treino é realizada de forma
incremental, isto é, o sistema é capaz de treinar continuamente ao ser alimentado
com exemplos [35]. Este modo de treino é ideal para sistemas que recebem um fluxo
de dados contínuo e necessitam de se adaptar de forma rápida ou autónoma [35].
(a) Batch Learning (b) Online learning
Figura 4.4: Divisão baseada na capacidade dos algoritmos aprenderem de forma

incremental [35]

34 4.3. Workflow de um projeto de Machine Learning
4.2.3. Instance-based e model-based learning
A última divisão dos sistemas de Machine Learning baseia-se no modo como as pre-
visões são efetuadas, ou seja, na forma como os modelos generalizam (Figura 4.5).
Dado um conjunto de exemplos para treino, o modelo tem de ser capaz de generali-
zar para exemplos desconhecidos. Esta generalização pode basear-se em medidas de
similaridade (distância) aos exemplos conhecidos - instance-based learning (Figura
4.5a) - ou então pode basear-se num modelo matemático associado a estes sistemas
- model-based learning (Figura 4.5b) [35].
(a) Instance-based learning (b) Model-based learning
Figura 4.5: Divisão baseada na generalização para diferentes modos de

aprendizagem [35]
4.3. Workflow de um projeto de Machine Learning
No presente projeto será seguido o workflow apresentado em [36], representado na

Figura 4.6. Um projeto de Machine Learning deve começar, sempre, pelo estabeleci-
mento rigoroso e claro dos objetivos, uma vez que um sistema de Machine Learning
cumpre uma tarefa muito específica e a definição de objetivos muito vagos pode levar
a que o que o modelo desenvolvido não seja capaz de prever exatamente o que se
pretende 4.6.
Muito possivelmente, a parte mais importante de um projeto de Machine Learning

é a capacidade de entender os dados utilizados e como estes se relacionam com
a tarefa que desejamos resolver [13]. Não será eficaz escolher aleatoriamente um
algoritmo, usar o conjunto de dados que temos disponível e esperar bons resultados
[13]. É necessário entender o que está a acontecer no conjunto de dados antes
de começar a construir um modelo. Quando construímos uma solução de Machine
Learning devemos responder ou pelo menos ter em mente as seguintes questões:
• A que perguntas estamos a tentar responder? O conjunto de dados disponível

permite responder a estas perguntas?

• Qual a melhor forma de parafrasear a minha questão como um problema de

Machine Learning?
• O conjunto de dados disponível é suficiente para representar o problema que
estamos a tentar resolver?
• Que features (ou atributos) foram extraídos e serão estes capazes de conduzir
às corretas previsões?
• Como medir o sucesso da aplicação de Machine Learning?
• Como irá a solução de Machine Learning interagir com o resto do processo?
Os algoritmos e métodos de Machine Learning são apenas uma parte de um processo

maior para resolver um problema específico, e é importante manter um panorama
geral em mente [20]. Por vezes, muito tempo é despendido a construir soluções
complexas de Machine learning, apenas para descobrir no final que elas não resolvem
o problema que estaríamos à espera [20]. Ao aprofundar os aspetos técnicos do
Machine Learning, é fácil perder de vista os objetivos finais. É importante manter
em mente todas as suposições criadas, de forma explícita ou implícita, quando são
construídos modelos de Machine Learning.

36 4.3. Workflow de um projeto de Machine Learning
Figura 4.6: Proposta de workflow de um projeto de Machine Learning [36]

4.4. Treino e métricas de avaliação
A única forma de determinar a capacidade do modelo em generalizar para novos

casos é mesmo testá-lo com novos casos, nunca antes vistos [6, 35]. Para isso, regra
geral, o dataset é dividido em dois conjuntos: o conjunto de treino e o conjunto de
teste [35]. Como o próprio nome indica, o conjunto de treino será utilizado para
treinar o modelo. Durante esta fase de treino, o modelo não tem acesso aos dados
atribuídos ao conjunto de teste [35]. Ao avaliar o modelo no conjunto de teste,
é possível obter um estimativa da taxa de erro em novos casos, chamada de erro
de generalização. Este valor permite perceber a perfomance do modelo em novos
registos desconhecidos [37].
Caso o erro cometido pelo modelo seja baixo no conjunto de treino mas alto no
conjunto de teste significa que o modelo pode apresentar overfitting, isto é, o modelo
é capaz de explicar muito bem os dados de treino, mas não de generalizar [35]. Por
outro lado, o underfitting acontece quando o modelo ”não aprendeu o suficiente“, ou
seja, não é capaz de capturar a tendência subjacente dos dados de treino [35]. Na
Figura 4.7 estão representados estes comportamentos. Dependendo do modelo em
questão, é importante procurar um desempenho que se situe entre o underfitting e
o overfitting [37]. Estes dois termos estão também ligados aos conceitos de bias e
variance (Figura 4.8) [35]. O conceito de bias está relacionado com o underfitting e
significa que o algoritmo tende a aprender consistentemente a mesma coisa errada
[35]. O conceito de variance, relacionado com o overfitting, ocorre quando não existe
um padrão nos erros de previsão [35].
Figura 4.7: Exemplo de underfitting e overfitting [38]
Cada algoritmo de Machine Learning possui diversos parâmetros que podem ser afina-
dos de modo a procurar obter uma melhor performance para cada dataset específico
[6]. A estes parâmetros intrínsecos dos algoritmos dá-se o nome de hiperparâmetros

38 4.4. Treino e métricas de avaliação
Figura 4.8: Ilustração gráfica de Bias e Variance [37]
[6].
Um problema comum neste fase é, ao afinar os hiperparâmetros de modo a procu-

rar diminuir o erro de generalização no conjunto de teste, a performance do modelo
para novos dados pode piorar [6]. Ora, ao realizar uma segunda divisão do conjunto
de treino em dois subconjuntos: subconjunto de treino e subconjunto de desenvol-
vimento (Figura 4.9), é possível resolver este problema. A esta técnica de validação
dá-se o nome de Holdout [39]. O processo de treino dos algoritmos é realizado no
subconjunto de treino e o novo subconjunto de desenvolvimento fornece uma avalia-
ção imparcial do ajuste do modelo aos dados de treino permitindo simultaneamente
afinar o modelo e hiperparâmetros de modo a procurar uma melhor performance [35,
39]. Por fim, o conjunto de teste é utilizado para obter uma estimativa do erro de
generalização para o modelo. Caso fosse apenas considerada a avaliação feita so-
bre o subconjunto de desenvolvimento corria-se o risco de se lançar um sistema com
uma performance inferior à esperada, uma vez que os hiperparâmetros são afinados
para melhorar as métricas de avaliação nesse subconjunto [35, 39]. O conjunto de
teste contém dados que o modelo nunca “viu” anteriormente, permitindo assim si-
mular o comportamento do modelo com dados futuros [6]. Esta avaliação poderá
ser generalizada para o desempenho operacional do modelo [6, 8, 13].

Figura 4.9: Técnica de validação Holdout [39]
Métricas de Avaliação
O processo de avaliação dos modelos é essencial em qualquer projeto de Machine
Learning [6, 35]. Existem várias métricas de avaliação distintas, sendo que, é neces-
sário escolher com cuidado quais usar, uma vez que a performance dos modelos será
inteiramente dependente da métrica escolhida [5, 6, 35].
A métrica mais simples é a Accuracy (Equação 4.1), que representa a razão entre o
número de previsões efetuadas com sucesso e o número total de previsões efetuadas
[6]. No entanto, quando existe desequilíbrio entre classes, esta métrica pode não ser
a mais indicada [6].
TP + TN
Accuracy = (4.1)
TP + FP + TN + FN
A matriz de confusão (Confusion Matrix) - (Tabela 4.1) - permite determinar como o

modelo se comporta na previsão de cada categoria [6]. Regra geral, cada linha da
matriz de confusão representa a categoria real, enquanto que as colunas representam
as categorias previstas pelo modelo [6]. Na primeira linha são representados os
verdadeiros-positivos (True Positive - TP) e os falsos-negativos (False Negative - FN)
e na segunda linha são representados os falsos-positivos (False Positive - FP) e os
verdadeiros-negativos (True Negative - TN) [6].
No entanto, ao avaliar modelos de Machine Learning é conveniente utilizar métricas

mais concisas, baseadas na matriz de confusão: Precision e Recall [6, 35].
A Precision representa a razão entre o número de verdadeiros-positivos e a soma de

40 4.4. Treino e métricas de avaliação
Tabela 4.1: Exemplo de uma Matriz de Confusão para um problema de classificação

binária
Previsão
Positivo Negativo
Positivo TP FN
Real
Negativo FP TN
verdadeiros-positivos com falsos-positivos (Equaçao 4.2), medindo assim a percenta-

gem de previsões positivas que o são realmente [6].
TP
Precision = (4.2)
TP + FP
O Recall define-se como a razão entre o número de verdadeiros-positivos e a soma de

verdadeiros-positivos com falsos negativos (Equaçao 4.3) e representa a capacidade
do modelo em detetar os exemplos positivos [6].
TP
Recall = (4.3)
TP + FN
Contudo, as métricas Precision e Recall não são independentes: o aumento de uma

implica a diminuição da outra [6].
O F1 score - Equação 4.4 - é uma média harmónica destas duas métricas que dá
mais peso a valores mais baixos, pelo que um modelo com um elevado F1 score tem
Precision e Recall elevados [6].
2 Precision × Recall TP
F1 Score = 1 1 =2× = (4.4)
Precision
+ Recall
Precision + Recall T P + F N +F
2
P
Estas métricas são, regra geral, mais importantes para problemas de classificação
binária [5, 6], no entanto, permitem também tirar conclusões importantes em pro-
blemas de classificação multi-classe [40]. No Capítulo 5 será realizada uma aplicação
destas métricas de avaliação num problema de classificação multi-classe. A Accuracy,
para classificação multi-classe, define-se novamente como a fração de exemplos cor-
retamente classificados. Uma vez mais, quando existe um desequilíbrio entre classes,
a Accuracy pode não a métrica de avaliação mais adequada [6]. Em relação às métri-
cas Precision, Recall e F1 Score para problemas multi-classe, estas são calculadas, para
cada uma das classes, de forma semelhante aos problemas binários, obtendo assim,
para cada uma das classes, um valor de Precision, Recall e F1 Score. De seguida, é
possível realizar uma média sob todas as classes [6]. Esta média pode ser realizada
de acordo com uma das seguintes estratégias [6]:

• “Macro Averaging”: É realizada uma média não ponderada com igual peso para
todas as classes, independentemente do seu tamanho relativo;
• “Weighted Averaging”: É realizada uma média ponderada tendo em considera-
ção o tamanho relativo de cada classe;
• “Micro Averaging”: É calculado o número total de falsos positivos, falsos nega-
tivos e verdadeiros positivos em todas as classes e, de seguida, utilizando estes
valores, as métricas de avaliação multi-classe são calculadas.
4.5. Métodos de Machine Learning para manutenção

preditiva
Nesta secção serão apresentadas algumas considerações acerca da aplicação de mé-

todos de Machine Learning para manutenção preditiva.
No que diz respeito às métricas de avaliação, regra geral, o mais importante é o

número de falhas reais que o modelo é capaz de prever, ou seja, o Recall - Equação
4.3 - do modelo [41]. Este parâmetro torna-se ainda mais importante à medida que
as consequências de falsos negativos, isto é, falhas verdadeiras que o modelo não foi
capaz de prever, excedem as consequências de falsos positivos, ou seja, uma previsão
falsa de uma falha [40, 41].
Relativamente aos dados utilizados, é necessário que estes sejam relevantes para o
problema. Geralmente, é recomendado conceber sistemas de previsão sobre compo-
nentes específicos e não subsistemas maiores, uma vez que estes terão dados mais
dispersos [41].
Em relação à quantidade de dados necessários, são geralmente colocadas duas ques-

tões: quantos eventos de falha são necessários para treinar um modelo e quantos
registos são considerados “suficientes”. A resposta a estas duas perguntas irá de-
pender do sistema, mas, regra geral, quanto maior o número de eventos de falha,
melhor a capacidade preditiva do modelo, sendo que, este número depende da rele-
vância dos dados e do contexto do problema que esta a ser resolvido [41]. Por outro
lado, se um componente falhar demasiadas vezes, este acabará provavelmente por
ser substituído, o que reduz o número de eventos de falha. Será necessário adotar
métodos que permitam lidar com “acontecimentos raros” [2, 40].
Em sistemas críticos, eventos de falha são raros. Ainda assim, ao construir mode-
los de previsão, os algoritmos necessitam de aprender acerca do padrão operacional
normal de um componente, assim como os seus padrões de falha [41]. Os dados
de treino devem conter um número suficiente de exemplos de ambas as categorias.

42 4.5. Métodos de Machine Learning para manutenção preditiva
Registos de manutenção e histórico de substituição de peças são boas fontes para

encontrar eventos de falha [41]. O histórico de manutenção de um ativo pode conter
informações acerca de componentes substituídos e atividades de reparação realiza-
das, registando assim padrões de degradação. A ausência desta informação crucial
nos dados de treino pode levar a resultados insatisfatórios [41].
Assim, no que diz respeito à origem dos dados, as fontes relevantes para a manuten-
ção preditiva incluem, mas não se limitam a: histórico de falhas, histórico de ma-
nutenção e reparação, condições de funcionamento do sistema e informações acerca
dos equipamentos [41].
Os dados baseados em sensores do equipamento em funcionamento são fundamen-

tais para a aplicação de modelos de Machine Learning. É de esperar que estes dados
contenham características que variam com tempo e que permitem capturar padrões
de envelhecimento e quaisquer anomalias que possam conduzir à degradação dos
ativos [40, 41].
No entanto, para aplicação dos conceitos de manutenção preditiva, é fundamental

ter em consideração os seguintes pressupostos [42]:
• A conexão entre as condições dos sistemas de engenharia, envelhecimento e a

longevidade é múltipla e variada;
• Os sistemas de engenharia não são afetados apenas pela passagem do tempo,
mas também por fatores como o uso e as condições ambientais;
• O envelhecimento e a degradação de um sistema são um processo possivel-
mente não linear que se manifesta de várias maneiras;
• Existem sinais precoces de envelhecimento que podem ser detetados antes do
final da vida do sistema, ou seja, antes da perda de função;
• É possível modelar o processo de desgaste do equipamento;
• O desempenho dos prognósticos melhora à medida que mais dados se tornam
disponíveis. Por outras palavras, a incerteza da previsão pode ser reduzida com
o passar do tempo, dado que mais informações estarão disponíveis.
Sem estas considerações, as estratégias de manutenção preditiva não poderiam exis-

tir [42].
4.5.1. Revisão sistemática da literatura científica
Em [15], é realizada uma revisão sistemática da literatura científica de métodos de

Machine Learning aplicados a manutenção preditiva, de modo a tentar responder às
seguintes questões:

Q1. Quais os algoritmos de Machine Learning mais utilizados para a manuten-

ção preditiva?
Q2. Em que equipamentos são aplicados este métodos?
Q3. Quais os conjuntos de dados utilizados?
Q4. O conjunto de dados é real ou sintético?
Q5. Como é que os algoritmos de Machine Learning são aplicados no contexto
da manutenção preditiva?
A pesquisa das publicações científicas em [15] foi realizada a 18 de outubro de 2018,

em duas bases de dados de referência: IEEEXplore Digital Library1 e ScienceDirect2 .
A escolha das palavras-chave para criar a sequência de pesquisa foi baseada em ter-
mos comuns encontrados na literatura relacionados com o tema e é apresentada de
seguida:
• IEEE Xplore: (“predictive maintenance” OR “PdM”) AND (“Machine Learning”

or “Machine Learning technique”)
• ScienceDirect: title-abstr-key((“predictive maintenance” OR “PdM”) AND (“Ma-
chine Learning” or “Machine Learning technique”))
Três critérios de exclusão foram definidos [15]:
E1. Trabalhos não relacionados com manutenção preditiva e Machine Learning

E2. Trabalhos que não apresentam nenhum tipo de experimentação ou resulta-
dos de comparações.
E3. Trabalhos publicados antes de 2009.
De acordo com os critérios de exclusão definidos, das 54 publicações científicas en-

contradas, 36 foram selecionadas para análise [15]. Na Figura 4.10 está represen-
tado o número de publicações científicas, por ano, de acordo com os critério estabele-
cidos [15]. È possível verificar uma tendência de aumento do número de publicações
nesta área.
Contudo, segundo [43], uma razão que pode explicar o ainda baixo número de publi-
cações científicas é a complexidade de implementação de estratégias de manutenção
preditiva em ambientes industriais. Mais ainda, o recurso a algoritmos de Machine
Learning em manutenção preditiva necessita de profissionais especialista em Inteli-
gência Artificial e/ou Data Science.
Na Tabela 4.2 é apresentado um resumo da revisão sistemática da literatura científica

realizada em [15], da qual é possível retirar diversas conclusões. As estratégias de
manutenção preditiva estão a ser aplicadas aos mais diversos equipamentos, em múl-
1
http://ieeexplore.ieee.org
2
http://www.sciencedirect.com

44 4.5. Métodos de Machine Learning para manutenção preditiva
Figura 4.10: Número de publicações científicas, por ano, de acordo com os critério
estabelecidos [15]
tiplas áreas [15]. Os equipamentos onde estes métodos são aplicados incluem, mas
não se limitam a, turbinas, motores, compressores, bombas [15]. Cerca de 89% dos
artigos utiliza um conjunto de dados reais, sendo que 11% recorre a dados sintéticos
[15]. Em relação à utilização dos algoritmos de Machine Learning nas publicações
científicas analisadas em [15], o mais utilizado é Random Forest (RF) - 33%, seguido
de métodos baseados em Neural Networks (NN), como por exemplo Artificial NN,
Convolution NN, Long Short-Term Memory Network (LSTM) e Deep Learning - 27%,
Support Vector Machine (SVM) - 25% e k-means - 13% [15]. Foi também verificado
uma maior tendência de uso de sinais de vibração [15].
Tabela 4.2: Resumo da revisão sistemática da literatura científica mais recente para
manutenção preditiva com métodos de Machine Learning - Adaptado de [15]
Referência Algoritmo de ML Equipamento Conjunto de Dados
(Onanena et al., 2009) [44] LR Célula de combustível Medições de espectroscopia de impedância eletroquímica
(Hong and Zhou, 2012) [45] GPR Rolamentos Dados de vibração
(Susto et al., 2013) [46] SVM Filamento de Tungsténio Ciclos históricos de manutenção
(Schopka et al., 2013) [47] LR, RF, BN Filamento Dados de processo, equipamentos e logística de avaria
(Li et al., 2014) [48] SVM Rede Ferroviária Dados de falhas, manutenção, inspeção, tipo e clima
(Praveenkumar et al., 2014) [49] SVM Caixa de Velocidades Automóvel Sinais de vibração
(Prytz et al., 2015) [50] RF Compressores de ar em caminhões e autocarros Dados On-board e registos de serviços
(Biswal and Sabareesh, 2015) [51] ANN Turbina Eólica Dados de acelerómetros
(Machado and Mota, 2015) [52] ANN and SVM Sistemas de energia elétrica Sinais elétricos
(Durbhaka and Selvaraj, 2016) [53] k-NN, SVM, k-means Rolamentos Sinais de vibração
(Aydin and Guldamlasioglu, 2017) [54] LSTM Motor Dados operacionais e de medições de sensores
(Canizo et al., 2017) [55] RF Turbina Eólica Dados operacionais e de estado
(Santos et al., 2017) [56] RF Motores de Indução Formas de onda de corrente e tensão
(Su and Huang, 2018) [57] RF Disco Rígido Dados históricos (vibração, temperatura)
(Uhlmann et al., 2018) [58] k-means Fusão a Laser Dados do sensor da máquina-ferramenta
(Amihai et al., 2018) [59] RF Bombas Industriais Sinais de vibração
(Huuhtanen and Jung, 2018) [60] CNN Painéis fotovoltaicos Sinal diário de energia elétrica
(Kulkarni et al., 2018) [61] RF Sistemas de refrigeração para supermercados Dados de sensor de temperatura
(Luo et al., 2018) [62] Deep Learning Máquina de Comando Numérico Computadorizado Sinais de vibração

5. Aplicação de modelos de Machine
Learning
5.1. Introdução
Ao longo do presente capítulo, o processo de implementação dos algoritmos de Ma-

chine Learning será detalhado e explicado.
Em primeiro lugar, o conjunto de dados é apresentado, é justificada a sua escolha,

analisado e visualizado. De seguida, é realizado o estabelecimento rigoroso e claro
dos objetivos da presente aplicação de Machine Learning. Posteriormente, o conjunto
de dados é processado através de feature engineering, criando novas features de modo
a procurar um melhor desempenho dos modelos.
O conjunto de dados utilizado é chave para a resolução de problemas de Machine

Learning. Uma escolha sensata de quais os dados a usar e como tratá-los é crucial
para melhorar o desempenho dos algoritmos. De acordo com Domingos [35], o
feature engineering é a chave dos projetos de Machine Learning e que, não raras vezes,
os sinais medidos não são adequados à aprendizagem, sendo necessário construir
features a partir deles que o são.
De seguida, o conjunto de dados é dividido em subconjuntos de treino, desenvolvi-

mento e teste e procedeu-se à primeira aplicação de modelos de Machine Learning,
onde uma variedade de algoritmos foi treinada e avaliada. Como referido anterior-
mente, o processo de treino dos algoritmos é realizado no subconjunto de treino e o
subconjunto de desenvolvimento fornece uma avaliação imparcial do ajuste dos mo-
delos aos dados de treino permitindo simultaneamente afinar o modelo e respetivos
hiperparâmetros de modo a procurar uma melhor performance. Por fim, o conjunto
de teste é utilizado para obter uma estimativa da performance do modelo, simulando
o seu comportamento para dados futuros.
A implementação descrita nesta capítulo será realizada com recurso à linguagem

de programação Python, com a utilização das packages Matplotlib, Numpy, Pandas e
Scikit-Learn [63].
45
46 5.2. Origem dos Dados
5.2. Origem dos Dados
Apesar do crescimento desta área, devido à competitividade empresarial, a partilha

de informação sensível desta natureza é rara, o que leva a que o número de datasets
(relevantes para esta aplicação) disponíveis publicamente seja muito escasso.
Um conjunto de dados com alguma reputação neste campo, disponibilizado pelo

Prognostic Center of Excellence da NASA em [64], intitulado “Turbofan Engine Degra-
dation Simulation Data Set”, é composto por dados obtidos através de simulação com
o software C-MAPSS, de cenários run-to-failure de degradação de turbinas de aviões.
No entanto, no âmbito do presente documento, é considerado que uma aplicação
mais relevante é conseguida recorrendo ao dataset introduzido de seguida, uma vez
que este permite demonstrar como é possível combinar dados de fontes distintas,
muito comum em manutenção.
Dentro de um ambiente industrial, existe um conjunto de dados bastante completo,

disponibilizado pela Microsoft, publicado em [7], de relevância para o presente pro-
jeto.
Este dataset contém dados de cinco fontes distintas:
• Telemetria em tempo real (Real-time telemetry)

• Registo de erros
• Histórico de manutenção
• Histórico de falhas
• Informação acerca das máquinas
Os dados foram adquiridos ao longo de um ano (2015) para cem máquinas, à exceção
do histórico de manutenção, que contém também registos do ano de 2014 [7].
Para um total de cem máquinas, de quatro modelos distintos, o conjunto de dados

contém 876100 registos de telemetria de hora em hora, isto é, 8761 registo por
máquina [7]. O registo de erros contém 3919 entradas e o histórico de manutenção
3286 [7]. O histórico de falhas possui 761 registos, ou seja, em média, cerca de 8
registo de falha, por máquina, ao longo do ano de 2015 [7]. Cada máquina possui 4
componentes de interesse para a análise e também 4 sensores, que medem a tensão,
a pressão, a vibração e a rotação [7]. Um controlador monitoriza o sistema e é capaz
de alertar para a ocorrência de 5 tipos de erro [7].
Após o acesso aos dados, e antes de iniciar o pré-processamento, é importante pro-

ceder à exploração e visualização destes.

5. Aplicação de modelos de Machine Learning 47
5.2.1. Telemetria em tempo real (Real-time telemetry)
Os dados da telemetria em tempo real consistem em medições provenientes de dife-

rentes sensores (4 por máquina), com a respetiva data e hora associadas. As medições
de tensão (“volt”), rotação (“rotate”), pressão (“pressure”) e vibração (“vibration”) são
adquiridas em tempo real e a média destas medições durante uma hora é registada -
Tabela 5.1.
Tabela 5.1: Exemplo típico do registo de telemetria em tempo real
datetime machineID volt rotate pressure vibration
0 2015-01-01 06:00:00 1 176.217853 418.504078 113.077935 45.087686

1 2015-01-01 07:00:00 1 162.879223 402.747490 95.460525 43.413973
2 2015-01-01 08:00:00 1 170.989902 527.349825 75.237905 34.178847
3 2015-01-01 09:00:00 1 162.462833 346.149335 109.248561 41.122144
4 2015-01-01 10:00:00 1 157.610021 435.376873 111.886648 25.990511
Para melhor compreender o comportamento de cada sensor, na Tabela 5.2 é reali-

zada uma análise estatística simples, onde a média, o desvio-padrão, o valor mínimo
e máximo são calculados para os parâmetros tensão (“volt”), rotação (“rotate”), pres-
são (“pressure”) e vibração (“vibration”) durante o ano de 2015. A título de exemplo,
na Figura 5.1 estão representadas as evoluções gráficas dos sinais de Tensão (Fi-
gura 5.1a), Rotação (Figura 5.1b), Pressão (Figura 5.1c) e Vibração (Figura 5.1d),
ao longo do primeiros quinze dias do mês de janeiro de 2015, para a máquina 1
(machineID=1).
Tabela 5.2: Análise estatística aos dados da telemetria em tempo real
volt rotate pressure vibration

count 876100 876100 876100 876100
mean 170.777736 446.605119 100.858668 40.385007
std 15.509114 52.673886 11.048679 5.370361
min 97.333604 138.432075 51.237106 14.877054
25% 160.304927 412.305714 93.498181 36.777299
50% 170.607338 447.558150 100.425559 40.237247
75% 181.004493 482.176600 107.555231 43.784938
max 255.124717 695.020984 185.951998 76.791072


7HQVmR

'LD0rV$QR
(a) Sinal de Tensão

5RWDomR

'LD0rV$QR
(b) Sinal de Rotação

3UHVVmR

'LD0rV$QR
(c) Sinal de Pressão

9LEUDomR

'LD0rV$QR
(d) Sinal de Vibração
Figura 5.1: Evolução dos dados de Telemetria ao longo dos primeiros quinze dias do
mês de Janeiro de 2015, para a máquina 1

5.2.2. Registo de Erros
A segunda fonte de informação é o registo de erros. Estes são erros que não con-
duziram de imediato a uma falha, sendo que a máquina permaneceu operacional.
Existem 5 tipos de erros: error1, error2, error3, error4, error5. A data e hora é arre-
dondada para a hora mais próxima. Cada registo consiste numa data/hora, máquina
e tipo de erro - Tabela 5.3. O número total de registos de erros ao longo do ano de
2015 é de 3919. Na Figura 5.2 é possível observar o número de erros por tipo ao
longo do ano de 2015.
Tabela 5.3: Exemplo típico do registo de erros
datetime machineID errorID

0 2015-01-03 07:00:00 1 error1
1 2015-01-03 20:00:00 1 error3
2 2015-01-04 06:00:00 1 error5
3 2015-01-10 15:00:00 1 error4
4 2015-01-22 10:00:00 1 error4

1GH(UURV

HUURU
HUURU
HUURU
HUURU
HUURU
Figura 5.2: Representação do número de erros por tipo

5.2.3. Histórico de Manutenção
O histórico de manutenção contém registos de substituição de componentes fruto de

uma intervenção de manutenção quer programada quer não-programada como, por
exemplo, inspeções periódicas, degradação de performance ou falha de um compo-
nente. Em caso de intervenção de manutenção devido à ocorrência de uma falha
num componente, é gerado igualmente um registo de falha - subsecção 5.2.4.
Para cada máquina, este conjunto de dados contém informação acerca de 4 tipos
de componentes: comp1, comp2, comp3, comp4. A data e hora é arredondada para
a hora mais próxima. Cada registo consiste numa data/hora, máquina e o tipo de
componente substituído - Tabela 5.4. O número total de registos de manutenção
ao longo do ano de 2015 é de 3286. Como referido anteriormente, o histórico de
manutenção contém também entradas de 2014. Na Figura 5.3 é representado o
número de componentes substituídos, por tipo. É possível observar que o número de
substituições é próximo para os 4 tipos de componentes.
Tabela 5.4: Exemplo típico do histórico de manutenção
datetime machineID comp

0 2014-06-01 06:00:00 1 comp2
1 2014-07-16 06:00:00 1 comp4
2 2014-07-31 06:00:00 1 comp3
3 2014-12-13 06:00:00 1 comp1
4 2015-01-05 06:00:00 1 comp4

1GH&RPSRQHQWHV

FRPS
FRPS
FRPS
FRPS
Figura 5.3: Representação do número de componentes substituídos, por tipo

5.2.4. Histórico de Falhas
O histórico de falhas contém os registos de substituição de componentes, resultado

da intervenção de manutenção, devido à ocorrência de uma falha. Existem 4 tipos
de componentes: comp1, comp2, comp3, comp4. A data e hora é arredondada para
a hora mais próxima. Cada registo consiste numa data/hora, máquina e o tipo de
componente substituído - Tabela 5.5. O número total de registos de falhas ao longo
do ano de 2015 é de 761. Na Figura 5.4 é possível observar o número de substitui-
ções, por tipo de componente, ao longo do ano de 2015, devido à ocorrência de uma
falha.
Tabela 5.5: Exemplo típico do histórico de falhas
datetime machineID failure

0 2015-01-05 06:00:00 1 comp4
1 2015-03-06 06:00:00 1 comp1
2 2015-04-20 06:00:00 1 comp2
3 2015-06-19 06:00:00 1 comp4
4 2015-09-02 06:00:00 1 comp4

1GH&RPSRQHQWHV

FRPS
FRPS
FRPS
FRPS
Figura 5.4: Representação do número de componentes substituídos, por tipo,

devido à ocorrência de uma falha

5.2.5. Informação acerca das máquinas
Por fim, este conjunto de dados contém informações acerca do modelo e número
de anos de serviço de cada uma das 100 máquinas - Tabela 5.6. Na Figura 5.5 é
representado um histograma que mostra a distribuição do número de máquinas e
tempo de serviço, por modelo.
Tabela 5.6: Exemplo típico das informações de cada máquina
machineID model age

0 1 model3 18
1 2 model4 7
2 3 model3 8
3 4 model3 7
4 5 model3 2
5 6 model3 7
6 7 model3 20
7 8 model3 16
PRGHO
PRGHO
PRGHO
PRGHO

1GH0iTXLQDV

,GDGHHPDQRV
Figura 5.5: Histograma representativo do número de máquinas e tempo de serviço,

por modelo

5.3. Definição dos objetivos
Como já referido, um projeto de Machine Learning deve começar pelo estabeleci-

mento rigoroso e claro dos objetivos. Neste caso, o principal objetivo dos modelos
utilizados será prever a probabilidade de ocorrência de uma falha dentro da janela
temporal definida. Mais especificamente, a probabilidade de ocorrência de uma falha
numa máquina nas próximas 24 horas (duração da janela temporal escolhida para
esta aplicação) relacionada com um dos componentes (componentes 1,2,3 ou 4).
De seguida, dado que já se estabeleceu um objetivo particular e claro, pode começar a

fazer-se perguntas mais específicas quanto ao Machine Learning propriamente dito1 :
1) deve optar-se por modelos de supervised, unsupervised, reinforcement learning ou,
eventualmente, por combinações de modos de aprendizagem? 2) se supervised lear-
ning, classificação ou regressão? 3) pretende-se que os modelos treinem imediata-
mente à medida que novos dados são obtidos (batch learning ou online learning)?
Após análise do problema, e tendo presente o objetivo proposto, optou-se por super-
vised learning e, em particular, classificação. Mais ainda, tendo em conta a existência
de 4 componentes distintos em análise, o problema será de classificação multi-classe
(“Multiclass Classification”). Considerou-se igualmente que não será necessário, dado
o âmbito do problema e a natureza dos dados, que os modelos treinem imediata-
mente à medida que novos dados são obtidos. Assim sendo, estamos perante um
problema de batch learning.
5.4. Feature Engineering
Uma feature é um atributo preditivo para o modelo [35]. O objetivo do feature engi-
neering é procurar aumentar o poder preditivo dos algoritmos de Machine Learning,
criando novas feautures a partir dos dados disponíveis (Figura 5.6) [6, 35]. Regra
geral, o feature engineering é realizado em primeiro lugar sendo que, de seguida,
ocorre a seleção de features, eliminando features irrelevantes, redundantes ou com
alta correleção [6, 35]. Tendo como ponto de partida as diferentes fontes de infor-
mação apresentadas na secção anterior, será criado um único dataset, que será usado
para a aplicação dos modelos preditivos.
1
De acordo com a Secção 4.2

54 5.4. Feature Engineering
Figura 5.6: Feature Engineering [65]
5.4.1. Lag Features
Os dados históricos a que os modelos têm acesso são momentos individuais no pas-
sado. Em particular para os dados de telemetria, é possível a existência de pertur-
bações resultantes das medições, como ruído, dificultando assim a tarefa preditiva.
Deste modo, os dados podem ser agregados em janelas de tempo, permitindo assim
“suavizar” os valores, minimizando os efeitos do ruído nas features utilizadas pelos
modelos.
Tendo em consideração até que ponto no futuro o modelo deverá ser capaz de prever,
de acordo com os requisitos do projeto, é importante definir até onde deve “olhar”
para realizar estas previsões. A este intervalo de tempo passado para onde o modelo
deve “olhar para trás” dá-se o nome de lag. Diversas features podem ser extraídas
destes intervalos de tempo - lag features. O conjunto de dados utilizado para gerar
lag features tem normalmente associado uma data/hora.
Para cada registo, uma janela temporal de dimensão N é criada e as lag features
são calculadas para o período N anterior à data/hora desse registo. A Figura 5.7
mostra um exemplo desta aplicação para uma medição ti com N=3. O valor de N é
tipicamente em minutos ou horas, dependendo da natureza dos dados.
Assim, duas janelas temporais foram criadas. A primeira, de 3 horas, com fim a
permitir retratar o comportamento dos dados de telemetria a curto prazo (Tabela
5.7) e a segunda, de 24 horas, de modo a representar a evolução a longo prazo
(Tabela 5.8). Em cada um destes intervalos de tempo foram calculados, de 3 em 3
horas, dois novos parâmetros para cada uma das features dos dados de telemetria:
a média móvel e o desvio-padrão. De notar que, no caso de N=24 horas (Tabela
5.8), naturalmente os dois novos parâmetros não estão disponíveis para os instantes
iniciais (primeiras 24 horas).
Assim como os dados de telemetria, o registo de erros também possui associado uma

Figura 5.7: Lag Features [7]
Tabela 5.7: Exemplo de Lag Features para os dados de telemetria em tempo real,
com N=3
machineID datetime voltmean_3h rotatemean_3h pressuremean_3h vibrationmean_3h
0 1 2015-01-01 09:00:00 170.028993 449.533798 94.592122 40.893502

1 1 2015-01-01 12:00:00 164.192565 403.949857 105.687417 34.255891
2 1 2015-01-01 15:00:00 168.134445 435.781707 107.793709 41.239405
3 1 2015-01-01 18:00:00 165.514453 430.472823 101.703289 40.373739
4 1 2015-01-01 21:00:00 168.809347 437.111120 90.911060 41.738542
Tabela 5.8: Exemplo de Lag Features para os dados de telemetria em tempo real,
com N=24
machineID datetime voltmean_24h rotatemean_24h pressuremean_24h vibrationmean_24h
7 1 2015-01-02 06:00:00 169.733809 445.179865 96.797113 40.385160

8 1 2015-01-02 09:00:00 170.614862 446.364859 96.849785 39.736826
9 1 2015-01-02 12:00:00 169.893965 447.009407 97.715600 39.498374
10 1 2015-01-02 15:00:00 171.243444 444.233563 96.666060 40.229370
11 1 2015-01-02 18:00:00 170.792486 448.440437 95.766838 40.055214
data/hora. No entanto, estes dados são categóricos e não numéricos. Neste caso, é
realizada a soma do número de erros de cada tipo, de 3 em 3 horas, para a janela
temporal N=24 (Tabela 5.9). Cada linha da Tabela 5.9 representa a soma do número
de erros de cada tipo nas 24 horas anteriores ao datetime assinalado.
5.4.2. Features adicionais
O registo de manutenção, que contém a informação relacionada com a substituição

de componentes, permite gerar novas features potencialmente importantes, como,
por exemplo, há quanto tempo ocorreu a última substituição de um determinado

56 5.5. Seleção de Features
Tabela 5.9: Exemplo de Lag Features para o registo de erros
machineID datetime error1count error2count error3count error4count error5count
15 1 2015-01-03 06:00:00 0.0 0.0 0.0 0.0 0.0

16 1 2015-01-03 09:00:00 0.0 0.0 0.0 0.0 0.0
17 1 2015-01-03 12:00:00 1.0 0.0 0.0 0.0 0.0
18 1 2015-01-03 15:00:00 1.0 0.0 0.0 0.0 0.0
19 1 2015-01-03 18:00:00 1.0 0.0 0.0 0.0 0.0
20 1 2015-01-03 21:00:00 1.0 0.0 0.0 0.0 0.0
21 1 2015-01-04 00:00:00 1.0 0.0 1.0 0.0 0.0
22 1 2015-01-04 03:00:00 1.0 0.0 1.0 0.0 0.0
23 1 2015-01-04 06:00:00 1.0 0.0 1.0 0.0 0.0
24 1 2015-01-04 09:00:00 1.0 0.0 1.0 0.0 1.0
componente - Tabela 5.10. É de esperar que esta feature se relacione bem com as
possíveis falhas dos componentes, dado que, quanto maior o tempo de utilização de
um componente, maior será a degradação esperada.
É relevante notar que, a criação de features com base em dados de manutenção não é
tão linear como nos casos anteriores. No entanto, este tipo de feature engineering es-
pecífico caso a caso é muito comum na manutenção preditiva, onde o conhecimento
do domínio e a experiência cumprem um papel crucial na compreensão e criação de
features com relevância.
Tabela 5.10: Tempo desde a última substituição, por tipo de componente
datetime machineID comp1 comp2 comp3 comp4
0 2015-01-01 06:00:00 1 19.000000 214.000000 154.000000 169.000000

1 2015-01-01 07:00:00 1 19.041667 214.041667 154.041667 169.041667
2 2015-01-01 08:00:00 1 19.083333 214.083333 154.083333 169.083333
3 2015-01-01 09:00:00 1 19.125000 214.125000 154.125000 169.125000
4 2015-01-01 10:00:00 1 19.166667 214.166667 154.166667 169.166667
Por último, a informação acerca das máquinas pode ser utilizada sem modificações
adicionais, isto é, a informação relacionada com o modelo e número de anos em
serviço de cada uma das máquinas - Tabela 5.6.
5.5. Seleção de Features
Foi realizada uma análise da correlação linear entre as variáveis (Figura 5.8). O
coeficiente de correlação varia entre −1 e 1. Este coeficiente permite perceber se uma
variável justifica a variação linear de outra. Quando está próximo de 1, significa que
existe um correlação positiva acentuada, isto é, se determinada feature A aumenta,

então, a feature B também aumenta e se A diminui B também diminuirá.
Neste caso, verifica-se que a correlação entre as features é maioritariamente baixa ou

inexistente (coeficiente de correlação próximo de zero). Ainda assim, no caso das
features pressuremean_3h e pressuremean_24h, o valor do coeficiente de correlação é
aproximadamente 0.5 e será relevante uma análise mais detalhada.

PDFKLQH,'
YROWPHDQBK
URWDWHPHDQBK
SUHVVXUHPHDQBK
YLEUDWLRQPHDQBK
YROWVGBK
URWDWHVGBK
SUHVVXUHVGBK
YLEUDWLRQVGBK

YROWPHDQBK
URWDWHPHDQBK
SUHVVXUHPHDQBK
YLEUDWLRQPHDQBK
YROWVGBK
URWDWHVGBK
SUHVVXUHVGBK
YLEUDWLRQVGBK
HUURUFRXQW
HUURUFRXQW
HUURUFRXQW
HUURUFRXQW
HUURUFRXQW
FRPS
FRPS
FRPS
FRPS
DJH
PDFKLQH,'
YROWPHDQBK
URWDWHPHDQBK
SUHVVXUHPHDQBK
YLEUDWLRQPHDQBK
YROWVGBK
URWDWHVGBK
SUHVVXUHVGBK
YLEUDWLRQVGBK
YROWPHDQBK
URWDWHPHDQBK
SUHVVXUHPHDQBK
YLEUDWLRQPHDQBK
YROWVGBK
URWDWHVGBK
SUHVVXUHVGBK
YLEUDWLRQVGBK
HUURUFRXQW
HUURUFRXQW
HUURUFRXQW
HUURUFRXQW
HUURUFRXQW
FRPS
FRPS
FRPS
FRPS
DJH
Figura 5.8: Correlação entre Features
Assim, na Figura 5.9 estão representadas as falhas, por tipo de componentes, em

função da evolução das features pressuremean_3h e pressuremean_24h. É possível
observar que, para os componentes 1 e 3, existem aglomerados (clusters) de pontos.
No entanto, o mesmo não se verifica para os componentes 2 e 4. É, de igual modo,
possível observar que a maioria das falhas para o componente 3 ocorre para valores
de pressuremean_3h e pressuremean_24h mais elevados, quando comparado com os
outros componentes. Deste modo, decidiu-se manter ambas as features, uma vez que
existe um clara relação entre estas e a ocorrência de falhas em, pelo menos, alguns
dos componentes.

58 5.5. Seleção de Features

SUHVVXUHPHDQBK

IDLOXUH
QRQH
FRPS
FRPS
FRPS
SUHVVXUHPHDQBK
FRPS

SUHVVXUHPHDQBK SUHVVXUHPHDQBK
Figura 5.9: Análise detalhada da correlação entre as features pressuremean_3h e

pressuremean_24h

5.6. Classificação dos dados e construção de Labels
Como referido anteriormente, o problema de manutenção preditiva em análise é um

caso de Supervised Learning2 . De forma a treinar um modelo para prever falhas, é ne-
cessário não só exemplos de falha como também uma série temporal de observações
que conduziram a essa falha. Mais ainda, o modelo precisa de exemplos de períodos
de operação “normal” de modo a ser capaz de perceber a diferença entre os dois. A
classificação entre estes dois estados é binária (estável ou sem falha/instável ou com
falha).
Com esta informação disponível (estável/instável), o modelo apenas é útil caso seja
capaz de alertar de forma atempada para a iminência de ocorrência de uma falha.
De modo a cumprir este critério de aviso prévio, é necessário modificar a definição
do rótulo de evento de falha, que ocorre num momento específico de tempo, para um
intervalo temporal onde o evento de falha poderá ocorrer. O tempo até a ocorrência
da falha, que delimita a fronteira entre as duas categorias, deve ser escolhido de
acordo com critérios operacionais. Será o conhecimento de que uma falha irá ocorrer
dentro de 12 horas suficiente para a impedir? E 24 horas? E duas semanas? A
capacidade do modelo em prever uma falha dependerá também da duração desta
janela temporal.
Na Figura 5.10 é ilustrado este processo. De modo a alcançar a redefinição de ins-

tável para pré-instável, as observações dentro da janela temporal (representada por
“X” na Figura 5.10) antes da ocorrência de uma falha foram rotuladas como pré-
instável, enquanto que os registo fora deste intervalo de tempo X foram rotulados
como estável.
Figura 5.10: Classificação dos dados e construção de Labels - Adaptado de [7]
O principal objetivo dos modelos de Machine Learning utilizados será prever a pro-
babilidade de ocorrência de uma falha dentro desta janela temporal. Neste caso,
mais especificamente, a probabilidade de ocorrência de uma falha numa máquina
2
Secção 4.2.1

60 5.6. Classificação dos dados e construção de Labels
nas próximas 24 horas (duração da janela temporal escolhida para esta aplicação)
relacionada com um dos componentes (componentes 1,2,3 ou 4). Assim, foi criada
uma nova feature categórica “failure”, onde todos os registo nas 24 horas anteriores à
ocorrência de uma falha no componente 1 têm o valor failure=comp1 e assim suces-
sivamente para os componentes 2,3 e 4. Os registo que não verificam estas condições
têm o valor de failure=none. Isto leva a que o problema se transforme de um pro-
blema binário (estável/pré-instável) para um problema de classificação multi-classe
(estável/componente n pré-instável). Salientar ainda que, doravante, devido a esta
redefinição de evento de falha, quando se menciona que um determinado algoritmo
prevê uma falha, de facto, o que se está a referir é que o algoritmo prevê a ocorrência
de uma falha dentro desta janela temporal.
Na Tabela 5.11 são representados exemplos de falha no componente 2. De notar

que os primeiros 8 registos ocorrem nas 24 horas anteriores à ocorrência da primeira
falha do componente 2. Os próximos 8 registos nas 24 horas anteriores a outra falha
do componente 2.
Tabela 5.11: Exemplo da representação de falha no componente 2
machineID datetime model age failure

857 1 2015-04-19 09:00:00 model3 18 comp2
858 1 2015-04-19 12:00:00 model3 18 comp2
859 1 2015-04-19 15:00:00 model3 18 comp2
860 1 2015-04-19 18:00:00 model3 18 comp2
861 1 2015-04-19 21:00:00 model3 18 comp2
862 1 2015-04-20 00:00:00 model3 18 comp2
863 1 2015-04-20 03:00:00 model3 18 comp2
864 1 2015-04-20 06:00:00 model3 18 comp2
2297 1 2015-10-16 09:00:00 model3 18 comp2
2298 1 2015-10-16 12:00:00 model3 18 comp2
2299 1 2015-10-16 15:00:00 model3 18 comp2
2300 1 2015-10-16 18:00:00 model3 18 comp2
2301 1 2015-10-16 21:00:00 model3 18 comp2
2302 1 2015-10-17 00:00:00 model3 18 comp2
2303 1 2015-10-17 03:00:00 model3 18 comp2
2304 1 2015-10-17 06:00:00 model3 18 comp2

5.7. Divisão dos dados
Ao trabalhar com dados com registo de data e hora associados, como é o caso, a
divisão entre os conjunto de treino, desenvolvimento e teste deve ser realizada com
cuidado, de modo a garantir que as avaliações obtidas correspondem à performance
real que se deve esperar dos modelos, uma vez que existe um correlação temporal
inerente entre observações (elevada similaridade entre dados temporalmente próxi-
mos). Como referido anteriormente, a esta técnica de validação dá-se o nome de
Holdout - Figura 4.9. De notar que em [7], não se optou pela aplicação desta técnica.
Em problemas de manutenção preditiva, regra geral, a melhor opção é realizar uma

divisão com base no tempo, isto é, escolher um ponto no tempo, treinar o modelo
com todos os registo anteriores a esse ponto, utilizando os registos posteriores para
validar o modelo. Esta metodologia permite também simular como o modelo se irá
comportar realmente na prática.
Assim, na presente aplicação, os registos até 31-08-2015 1:00:00 foram atribuídos

ao conjunto de teste, os registo entre 01-09-2015 1:00:00 e 31-10-2015 1:00:00 ao
conjunto de desenvolvimento e os registo a partir de 01-11-2015 1:00:00 ao conjunto
de teste. De modo a garantir que os dados em diferentes conjuntos não partilham
janelas temporais, foram removidos os registos nas fronteiras, isto é, os registos das
24 horas que antecedem a data da divisão. Desta forma, apresenta-se na Tabela 5.12
a quantidade de dados que foi atribuída a cada um dos conjuntos e a percentagem
que corresponde a falhas.
Tabela 5.12: Quantidade de dados atribuída a cada um dos conjuntos e a

percentagem correspondente a falhas
Quantidade / % Falha / %
Treino 66.52 2.02
Desenvolvimento 16.57 1.89
Teste 16.91 1.92
5.7.1. Desequilíbrio entre classes em aplicações de problemas de

manutenção
Algo em ter em consideração em manutenção preditiva é o facto de que a ocorrência

de falhas é rara durante o ciclo de vida de uma determinada máquina, quando com-
parado com o funcionamento normal. Isto leva a que exista um desequilíbrio entre
classes (Tabela 5.13), o que normalmente conduz a uma performance ilusória por

62 5.7. Divisão dos dados
parte dos algoritmos, que tendem a classificar o exemplo mais comum mais frequen-
temente à custa dos menos comuns, uma vez que o número total de classificações
incorretas é assim menor. Como consequência, os valores de Recall e Precision po-
dem ser baixos, apesar de o valor de Accuracy ser elevado. Um exemplo claro deste
fenómeno é, no conjunto de desenvolvimento (onde serão calculadas a maioria das
métricas de avaliação), 98.11% (Tabela 5.12) dos dados correspondem à categoria
Estável (failure=none), ou seja, um modelo (sem qualquer utilidade) que prevê fun-
cionamento estável em todos os instantes teria uma Accuracy de 98.11%. É assim
fundamental olhar para outras métricas de avaliação.
Para um número considerável de aplicações em equipamentos críticos, a incapaci-

dade do modelo em prever uma falha pode vir a ser exorbitantemente cara. Na
manutenção preditiva, regra geral, o mais importante é o número de falhas reais que
o modelo é capaz de prever, ou seja, o Recall3 do modelo. Este parâmetro torna-se
ainda mais importante à medida que as consequências de falsos negativos, isto é, fa-
lhas verdadeiras que o modelo não foi capaz de prever, excedem as consequências de
falsos positivos, ou seja, uma previsão falsa de uma falha. Este fenómeno é conhecido
por “custo de classificação incorreta” e pode ser estimado pelas empresas de acordo
com os custo de reparação, das peças e da mão-de-obra. Geralmente, é preferível que
o modelo erre por precaução, uma vez que, será mais económico a realização de uma
verificação de manutenção do que um interrupção parcial ou total da operação. No
entanto, a previsão errada de uma falha, isto é, um falso positivo, pode igualmente
conduzir a uma perda de tempo e recursos. Nesse caso, o modelo deverá ser ajustado
para uma Precision elevada. Contudo, como mencionado anteriormente, as métricas
Recall e Precision não são independentes: o aumento de uma implica a diminuição
da outra.
Tabela 5.13: Exemplo do desequilíbrio entre as diferentes classes para a feature

’failure’ no conjunto total de dados
failure %
none 285684 98.06
comp2 1985 0.68
comp1 1464 0.50
comp4 1240 0.43
comp3 968 0.33
3
Secção 4.4

5.8. Aplicação dos modelos no conjunto de desenvol-

vimento
Nesta primeira aplicação, é utilizado o conjunto de desenvolvimento de modo a per-

ceber como uma grande variedade de modelos se comporta, assim como procurar
a afinação dos hiperparâmetros de certos modelos. Tal abordagem deve-se ao facto
de não ser possível, à partida, determinar qual o algoritmo mais adequado para um
determinado problema. Ao treinar e avaliar uma grande variedade de modelos numa
fase inicial é possível perceber quais têm um maior potencial, sendo que, no entanto,
para que esta etapa seja bem sucedida, é necessário que as métricas de avaliação dos
modelos tenham sido escolhidas em concordância com os objetivos estabelecidos.
Entender o princípio de funcionamento de um algoritmo de Machine Learning é dife-

rente de compreender quais as etapas que este realiza entre a entrada de um dado
conjunto de valores e a saída de um resultado: muitos algoritmos são caixas-negras.
No entanto, embora desconfortável, a utilização destes algoritmos é inevitável, dado
que o potencial destes é, tipicamente, superior ao daqueles para os quais é possível
perceber o processo de decisão. Contudo, a seleção de uma boa métrica de avaliação
pode permitir diminuir esse desconforto.
5.8.1. K-Nearest Neighbors
O algoritmo K-Nearest Neighbors (K-NN) é um dos mais simples algoritmos de Ma-

chine Learning. Dado um conjunto de dados, a previsão para um novo registo consiste
em encontrar os K pontos mais próximos no conjunto de treino (Figura 5.11), isto é,
os seus “vizinhos mais próximos” (“nearest neighbors”) [6].
Figura 5.11: Exemplo de K-Nearest Neighbors, com “n-neighbors”= 1

64 5.8. Aplicação dos modelos no conjunto de desenvolvimento
Na Figura 5.12 está representada a evolução da Accuracy no conjunto de treino e

no conjunto de desenvolvimento, para K-Nearest Neighbors com diferentes valores do
hiperparâmetro “n-neighbors”. De igual modo, na Figura 5.13 está representada a
evolução da taxa de erro no conjunto de desenvolvimento, para K-Nearest Neighbors
com diferentes valores do hiperparâmetro “n-neighbors”.

$FFXUDF\
QR&RQMXQWRGH7UHLQR

$FFXUDF\
QR&RQMXQWRGH9DOLGDomR

$FFXUDF\

QBQHLJKERUV
Figura 5.12: Análise da evolução da Accuracy no conjunto de treino e no conjunto

de desenvolvimento, para K-Nearest Neighbors com diferentes valores do
hiperparâmetro “n-neighbors”

7D[DGH(UUR

QBQHLJKERUV
Figura 5.13: Análise da evolução da taxa de erro no conjunto de desenvolvimento,

para K-Nearest Neighbors, com diferentes valores do hiperparâmetro “n-neighbors”
Os resultados obtidos para Precision, Recall e F1 Score para cada uma das classes, no
conjunto de desenvolvimento, com “n-neighbors”= 13 (hiperparâmetro selecionado

com base nas Figuras 5.12 e 5.13), são apresentados na Tabela 5.14. É, de imediato,
possível verificar que os resultados não são satisfatórios. Inclusive, para o compo-
nente 4, o algoritmo não é capaz de prever qualquer falha. Uma possível explicação
para os maus resultados obtidos na aplicação deste algoritmo é o facto de existir um
desequilíbrio entre classes (Tabela 5.13), sendo que, por norma, este algoritmo tem
dificuldades nesses casos [6]. Para um conjunto de treino desequilibrado, a probabi-
lidade de os k vizinhos mais próximos de qualquer ponto aleatório pertencer à classe
com mais exemplos é elevada. Para os registos das classes menos representadas,
mesmo que o vizinho mais próximo desse ponto pertença à classe correta, existe um
grande probabilidade dos restantes pontos ((k − 1) pontos) pertencerem à classe com
maior densidade no espaço e, deste modo, o ponto será classificado incorretamente.
Assim, uma abordagem de k = 1 (“n-neighbors”= 1) pode, eventualmente, conduzir
a um melhor resultado.
Tabela 5.14: Resultado para K-Nearest Neighbors no conjunto de desenvolvimento

com “n-neighbors”= 13
none comp1 comp2 comp3 comp4

Precision 0.9830 1.0000 0.4662 0.1667 0.0000
Recall 0.9982 0.0120 0.1917 0.0139 0.0000
F1 Score 0.9905 0.0238 0.2717 0.0256 —-
Esta hipótese é testada. Os resultados obtidos para “n-neighbors”= 1 são apresenta-

dos na Tabela 5.15. É possível observar que, para as classes menos representadas,
apesar de os resultados obtidos serem ligeiramente melhores, mantêm-se em níveis
insatisfatórios.
Tabela 5.15: Resultado para K-Nearest Neighbors no conjunto de desenvolvimento

com “n-neighbors”= 1

Precision 0.9857 0.1917 0.3639 0.2252 0.0667
Recall 0.9883 0.1386 0.3639 0.2361 0.0411
F1 Score 0.9870 0.1608 0.3639 0.2305 0.0508
5.8.2. Decision Tree
O próximo algoritmo aplicado foi Decision Trees. Decision Trees são amplamente uti-
lizadas para tarefas de classificação e regressão [6]. De acordo com [6], essencial-
mente, estes modelos aprendem através de uma hierarquia de perguntas if / else, que

conduz a uma decisão. Decision Trees apresentam duas principais vantagens: o mo-
delo resultante pode ser facilmente visualizado e compreendido (para “árvores” de
pequenas dimensões) e os algoritmos são capazes de lidar com dados em diferentes
escalas, isto é, uma vez que cada feature é processada separadamente, e as possíveis
divisões dos dados não dependem da sua escala, não são necessárias operações de
pré-processamento, como a normalização. Em particular, Decision Trees apresentam
bom desempenho quando as features estão em escalas completamente diferentes as-
sim como quando existe uma mistura de features binárias com features contínuas. A
principal desvantagem das Decison Trees é a sua tendência a apresentar overfitting,
conduzindo a uma baixa capacidade de generalização. No entanto, a afinação de hi-
perparâmetros como Max_Depth procura limitar o overfitting. Ainda assim, este facto
leva a que, em muitas aplicações, métodos de Ensemble, como Random Forests, sejam
utilizados em detrimento das Decision Trees.
Na Figura 5.14 está representada a evolução da Accuracy no conjunto de treino e no

conjunto de desenvolvimento, para diferentes valores do hiperparâmetro ’Max_Depth’.
É possível observar que, não só os valores de Accuracy são elevados, como não se veri-
fica a existência de overfitting. Para Max_Depth=6 (hiperparâmetro selecionado com
base na Figura 5.14), são apresentados na Tabela 5.16 os valores obtidos para Preci-
sion, Recall e F1 Score para cada uma das classes, no conjunto de desenvolvimento.

$FFXUDF\

$FFXUDF\
QR&RQMXQWRGH7UHLQR

$FFXUDF\

+LSHUSDUkPHWUR
0D['HSWK

de desenvolvimento, para Decision Trees com diferentes valores do hiperparâmetro
Max_Depth
Na Figura 5.15 está representada a matriz de confusão não normalizada e na Figura

5.16 a matriz de confusão normalizada. Para o caso em análise, a matriz de confusão
lista, em cada linha, as falhas reais dos componentes e em cada coluna a previsão de
falha pelo modelo. A título de exemplo, o segundo número da linha superior indica o

Tabela 5.16: Resultado para Decision Tree no conjunto de desenvolvimento com

Max_Depth=6

Precision 0.9999 0.9390 0.9917 1.0000 0.9167
Recall 0.9999 0.9277 1.0000 0.9167 0.9543
F1 Score 0.9999 0.9333 0.9959 0.9565 0.9351
número de vezes em que o modelo previu que o componente 1 iria falhar, quando na
realidade nenhum componente falhou. Na matriz de confusão, os valores da diagonal
correspondem a uma correta classificação de falha de um certo componente por parte
do modelo.

QRQH

FRPS

FRPS

FRPS

FRPS

QRQH FRPS FRPS FRPS FRPS
Figura 5.15: Matriz de Confusão para Decision Tree no conjunto de desenvolvimento

com Max_Depth=6
Na Figura 5.17 está representada a importância das features para este modelo. O
facto de uma feature apresentar um baixo coeficiente de importância não significa
necessariamente que a feature é pouco informativa, apenas que esta não foi escolhida
pela árvore, provavelmente porque outra feature codifica a mesma informação. De
notar que, os resultados obtidos para a aplicação deste modelo são satisfatórios.

68
,PSRUWkQFLDGDIHDWXUH

FRPS FRPS FRPS FRPS QRQH
HUURUFRXQW
YROWPHDQBK

QRQH
SUHVVXUHPHDQBK

HUURUFRXQW

YLEUDWLRQPHDQBK
HUURUFRXQW
HUURUFRXQW

FRPS
HUURUFRXQW

URWDWHPHDQBK

H
FRPS
FRPS
SUHVVXUHPHDQBK

YLEUDWLRQPHDQBK
FRPS
SUHVVXUHVGBK

YROWPHDQBK
URWDWHPHDQBK
YROWVGBK

URWDWHVGBK
FRPS
YLEUDWLRQVGBK

YROWVGBK
URWDWHVGBK
SUHVVXUHVGBK

YLEUDWLRQVGBK
FRPS
desenvolvimento com Max_Depth=6

desenvolvimento com Max_Depth=6
FRPS

H
FRPS
DJH
PRGHOBPRGHO
PRGHOBPRGHO
PRGHOBPRGHO

PRGHOBPRGHO
Figura 5.17: Importância das features para para Decision Tree no conjunto de
Figura 5.16: Matriz de Confusão Normalizada para Decision Tree no conjunto de

5.8. Aplicação dos modelos no conjunto de desenvolvimento
5.8.3. Random Forest
Como referido anteriormente, a principal desvantagem das Decision Trees é a tendên-

cia para existência de overfitting (algo que, no entanto, não se verificou na presente
aplicação). Os modelos Random Forest procuram resolver esse problema. De acordo
com [6], uma Random Forest é essencialmente uma coleção de Decision Trees, onde
cada “árvore” é ligeiramente diferente das outras. A ideia é que cada “árvore” é
capaz de fazer um bom trabalho de previsão, mas provavelmente com tendência a
existir overfitting de parte dos dados. Ao construir várias árvores, com bom desem-
penho e que apresentam overfitting de maneiras diferentes, podemos reduzir a quan-
tidade de overfitting total calculando a média dos seus resultados. O hiperparâmetro
’n_estimators’ define o número de Decision Trees utilizadas pelo modelo Random Fo-
rest. Na Figura 5.18 está representada a evolução da Accuracy no conjunto de treino
e no conjunto de desenvolvimento, para Random Forest com diferentes valores do
hiperparâmetro ’n_estimators’.

$FFXUDF\

$FFXUDF\
QR&RQMXQWRGH7UHLQR

$FFXUDF\

+LSHUSDUkPHWUR
QBHVWLPDWRUV

de desenvolvimento, para Random Forest com diferentes valores do hiperparâmetro
’n_estimators’
Para ’n_estimators=7’ (hiperparâmetro selecionado com base na Figura 5.18), são

apresentados na Tabela 5.17 os valores obtidos para Precision, Recall e F1 Score para
cada uma das classes, no conjunto de desenvolvimento.
De notar que, os resultados obtidos para a aplicação do modelo Random Forest no

conjunto de desenvolvimento são bastante satisfatórios, sendo que, para todas as
classes, os valores das métricas de avaliação encontram-se acima dos 90%.

Tabela 5.17: Resultado para Random Forest no conjunto de desenvolvimento com

’n_estimators = 70

Precision 0.9997 0.9244 0.9916 1.0000 0.9812
Recall 0.9999 0.9578 0.9861 0.9514 0.9543
F1 Score 0.9998 0.9408 0.9889 0.9751 0.9676
5.8.4. Naive Bayes
Os algoritmos naive Bayes são uma família de modelos de classificação bastante se-
melhante aos modelos lineares [6]. No entanto, eles tendem a ser ainda mais rápidos
durante a fase de treino [6]. O preço a pagar pela rapidez de treino é que estes mode-
los geralmente apresentam desempenhos de generalização um pouco piores do que
o de classificadores lineares como Logistic Regression e Linear SVC [6]. De notar que,
na manutenção tradicional, a análise bayesiana é muito utilizada [14] e, por isso,
considerou-se interessante verificar os resultados para a aplicação deste algoritmo.
Na Tabela 5.18 são apresentados os valores obtidos para Precision, Recall e F1 Score
para cada uma das classes, no conjunto de desenvolvimento.
Tabela 5.18: Resultado para naive Bayes no conjunto de desenvolvimento

Precision 1.0000 0.2120 0.8946 0.3318 0.4255
Recall 0.9759 0.9157 0.9194 0.9861 0.9909
F1 Score 0.9878 0.3443 0.9068 0.4965 0.5953
É possível verificar que, para as classes correspondentes aos componentes 1,3 e 4, o

valor do parâmetro Precision (e, consequentemente, F1 Score) é baixo e insatisfatório.
No entanto, o mesmo não se verifica para o Recall.
5.8.5. Artificial Neural Networks
As Artificial Neural Networks (ANN), ou Redes Neuronais Artificiais, são um conjunto

de técnicas computacionais que representam um modelo matemático inspirado no
sistema nervoso central, em particular o cérebro [6, 35].
As Artificial Neural Networks são modeladas de forma análoga ao cérebro humano,

sendo compostas por vários neurónios artificiais (o número de neurónios e de cone-

xões entre estes é, no entanto, significativamente menor do que o cérebro humano)

[66, 67]. Na Figura 5.19 está representada uma Artificial Neural Networks com 4
camadas: camada de entrada, duas camadas intermédias e camada de saída.
Figura 5.19: Artificial Neural Networks com 4 camadas [67]
As redes neuronais artificiais têm sido aplicadas com sucesso nas mais diversas áreas,
sendo que, a sua utilização tem vindo a aumentar progressivamente, uma vez que um
número cada vez maior de problemas mostra-se adequado à resolução através desta
técnica e as soluções obtidas apresentam um melhor desempenho quando compara-
das com outros algoritmos [6, 35, 49].
Neste caso, será aplicado o algoritmo Multi-Layer Perceptron (MLP), que consiste
numa Artificial Neural Networks onde a apredizagem é realizada através de retro-
propagação do erro [6, 35]. A flexibilidade das Redes Neuronais Artificiais é também
uma das suas principais desvantagens: existem múltiplos hiperparâmetros ajustáveis,
como por exemplo, é possível utilizar topologias de rede variadas, mesmo para um
MLP simples. É ainda possível alterar o número de camadas, o número de neuró-
nios por camada e o tipo de função de ativação a ser usada em cada camada. À
medida que a complexidade da rede aumenta, é verificado igualmente um aumento
significativo no tempo de treino [6].
Na Tabela 5.19 estão representados os valores obtidos para Precision, Recall e F1 Score
para Artificial Neural Network no conjunto de desenvolvimento com 100 camadas
ocultas (hidden_layers = 100).
No caso das Artificial Neural Network, a performance dos modelos é, regra geral,
superior quando o conjunto de dados é homogéneo [6, 35]. Assim, todas as features
foram reduzidas à mesma escala (feature scaling), isto é, recorreu-se ao método min-
max scaling, que consiste em dividir o conjunto de valores ao qual foi subtraído o seu
valor mínimo pela diferença entre os valores máximo e mínimo, garantindo assim
que todos os valores ficam compreendidos entre 0 e 1 [6, 35]. Os resultados obtidos
após realização de min-max scaling são apresentados na Tabela 5.20.

72 5.9. Comportamento no Conjunto de Teste
Tabela 5.19: Resultado para Artificial Neural Network no conjunto de

desenvolvimento com 100 camadas ocultas (hidden_layers = 100)

Precision 0.9994 0.9286 0.9890 0.9860 0.9231
Recall 0.9996 0.7831 0.9972 0.9792 0.9863
F1 Score 0.9995 0.8497 0.9931 0.9826 0.9536
Tabela 5.20: Resultado para Artificial Neural Network no conjunto de

desenvolvimento com 100 camadas ocultas (hidden_layers = 100) e normalização
min-max scaling

Precision 0.9997 0.9451 0.9917 1.0000 0.9520
Recall 0.9998 0.9337 0.9972 0.9167 0.9954
F1 Score 0.9997 0.9394 0.9945 0.9565 0.9732
É possível verificar que, após recorrer ao método min-max scaling, os resultados obti-
dos são, de facto, superiores e bastante satisfatórios. De notar que, para os modelos
de Artificial Neural Networks, na presente aplicação, não foi procurada uma otimiza-
ção exaustiva dos hiperparâmetros. Ainda assim, os resultados obtidos estão ao nível
de outros algoritmos anteriormente aplicados, tornando evidente a potencialidade
destes modelos.
5.9. Comportamento no Conjunto de Teste
O conjunto de desenvolvimento foi utilizado, até o momento, para afinar os modelos

e respetivos hiperparâmetros, de modo a procurar uma melhor performance. É agora
importante verificar como os modelos se comportam no conjunto de teste. Apesar
de, num caso real, ser aconselhável avaliar apenas o modelo que se pretende imple-
mentar [6], na presente secção apresentam-se os resultados obtidos para a avaliação
dos dois melhores modelos (no conjunto de desenvolvimento), neste caso, Random
Forest e Artificial Neural Networks, com normalização min-max scaling.
Na Tabela 5.21 e Tabela 5.22 são apresentados os valores obtidos para Precision,
Recall e F1 Score, para o modelo Random Forest e Artificial Neural Network, respetiva-
mente, nos conjuntos de desenvolvimento e teste.
Como seria de esperar, verifica-se uma diminuição de performance generalizada das

Tabela 5.21: Performance para o modelo Random Forest nos conjuntos de

desenvolvimento e teste, com ’n_estimators = 70

Precision 0.9997 0.9244 0.9916 1.0000 0.9812
Conj. Desenvol. Recall 0.9999 0.9578 0.9861 0.9514 0.9543
F1 Score 0.9998 0.9408 0.9889 0.9751 0.9676
Precision 0.9988 0.9718 0.9711 0.9855 0.9830
Conj. Teste Recall 0.9998 0.8150 0.9882 0.9189 0.9611
F1 Score 0.9993 0.8865 0.9796 0.9510 0.9719
Tabela 5.22: Performance para o modelo Artificial Neural Network nos conjuntos de
desenvolvimento e teste, com 100 camadas ocultas (hidden_layers = 100) e
normalização min-max scaling

Precision 0.9997 0.9451 0.9917 1.0000 0.9520
Conj. Desenvol. Recall 0.9998 0.9337 0.9972 0.9167 0.9954
F1 Score 0.9997 0.9394 0.9945 0.9565 0.9732
Precision 0.9990 0.9030 0.9941 0.9858 0.9725
Conj. Teste Recall 0.9995 0.8425 0.9853 0.9392 0.9833
F1 Score 0.9993 0.8717 0.9897 0.9619 0.9779
métricas de avaliação no conjunto de teste. Ainda assim, os resultados mantêm-se

satisfatórios. Como referido anteriormente, na manutenção preditiva, regra geral,
o mais importante é o número de falhas reais que o modelo é capaz de prever, ou
seja, o valor do parâmetro Recall do modelo [41]. Este parâmetro torna-se ainda
mais importante à medida que as consequências de falsos negativos, isto é, falhas
verdadeiras que o modelo não foi capaz de prever, excedem as consequências de
falsos positivos, ou seja, uma previsão falsa de uma falha [40, 41]. Para ambos
os modelos, verifica-se uma queda no valor do Recall (e, consequentemente, do F1
Score) para valores inferiores a 90% para o componente 1 no conjunto de teste. Na
presente aplicação, os quatro componentes foram considerados de igual importância.
Numa aplicação real, onde poderá ser possível conhecer mais informação acerca de
cada um deles (como por exemplo custo, importância no processo, localização no
equipamento, facilidade de substituição), a análise pode passar por tentar otimizar
certas métricas que se considerem de maior relevância.

74 5.10. Conclusões
5.10. Conclusões
No presente capítulo foram aplicados modelos de Machine Learning a um dataset

disponibilizado online. O conjunto de dados utilizado foi publicado pela Microsoft,
em [7], num Notebook de Manutenção Preditiva e Machine Learning. A utilização
deste conjunto de dados foi justificada. Na implementação realizada no presente
projeto, até a fase final do feature engineering (Secção 5.4), foram seguidos os passos
apresentados no Notebook [7]. No entanto, a partir desse momento, por ser consi-
derado que a abordagem apresentada em [7] é demasiado simplista (não é utilizada
nenhum técnica de validação e apenas é aplicado um único modelo), decidiu-se apro-
fundar a análise com implementação da técnica de validação Holdout, que divide o
conjunto de dados em três subconjuntos (Treino, Desenvolvimento e Teste), assim
como variados modelos de Machine Learning, de acordo com a estrutura apresentada
no Capítulo 4, sendo assim possível demonstrar como pode ser realizada a afinação
dos modelos e respetivos hiperparâmetros com recurso ao conjunto de desenvolvi-
mento. O facto de se tratar de um problema de classificação multi-classe acrescentou
complexidade à análise e, porventura, começar por um problema de classificação bi-
nário pode ser aconselhável para uma melhor compreensão de conceitos basilares do
Machine Learning, fundamentais para o sucesso de qualquer aplicação. Foi também
possível abordar o desequilíbrio entre classes, muito comum em aplicações de ma-
nutenção, uma vez que a ocorrência de falhas é rara durante o ciclo de vida de uma
determinada máquina, quando comparado com o seu funcionamento normal.
À partida, e sabendo que uma escolha sensata de quais os dados a usar e como tratá-
los é crucial para o desempenho dos algoritmos de Machine Learning, seriam de es-
perar bons resultados com base no resultado obtido, embora de forma diferente, em
[7]. Este facto veio a concretizar-se. No entanto, mais importante do que qualquer
resultado foi a demonstração de uma metodologia que permitiu mostrar, partindo
de dados de diferentes tipos e fontes (muito comum em aplicações de manutenção),
como é possível visualizá-los e tratá-los com fim a aplicar ferramentas de Inteligência
Artificial, neste caso, Machine Learning.

6. Conclusões e trabalhos futuros
6.1. Conclusões
A presente dissertação permitiu retirar um conjunto de conclusões sobre o traba-

lho realizado. Foi possível perceber de que modo ferramentas de Inteligência Artifi-
cial, mais concretamente o Machine Learning, podem ser aplicadas na área da manu-
tenção, com o advento da Indústria 4.0, permitindo uma movimentação no sentido
de uma manutenção preditiva e prescritiva, sob pena de perda de competitividade.
Espera-se que a necessidade de um engenheiro mecânico conhecer estas ferramentas
(ainda que do ponto de vista de utilizador) tenha sido evidenciada.
O conjunto de dados utilizado é chave para a resolução de problemas de Machine

Learning. Uma escolha sensata de quais os dados a usar e como tratá-los é crucial
para melhorar o desempenho dos algoritmos. A divisão dos dados em conjuntos de
treino, desenvolvimento e teste é fundamental para que a performance real dos siste-
mas de Machine Learning não seja inferior às expectativas geradas por uma avaliação
incorreta dos resultados dos modelos.
Demonstrou-se uma metodologia que permitiu mostrar, partindo de dados de dife-

rentes tipos e fontes (muito comum em aplicações de manutenção), como é possível
visualizá-los e tratá-los com fim a aplicar ferramentas de Inteligência Artificial, neste
caso, Machine Learning. Abordou-se o desequilíbrio entre classes, muito comum em
aplicações destas ferramentas em manutenção, uma vez que a ocorrência de falhas é
rara durante o ciclo de vida de uma determinada máquina, quando comparado com
o seu funcionamento normal.
A implementação foi realizada com recurso à linguagem de programação Python.

Esta linguagem de programação contém numerosas bibliotecas disponíveis (Matplo-
tlib, Numpy, Pandas, Scikit-Learn [63]) e uma extensa bibliografia [6, 35] que de-
monstra como estas podem ser aplicadas em projetos de Machine Learning. Assim, o
Python apresenta-se com uma ótima ferramenta para a aplicação de todos os concei-
tos apresentados ao longo da dissertação.
Não se deve esperar que o Machine Learning resolva todos os problemas da área
75
76 6.1. Conclusões
da manutenção, no entanto, o seu potencial não deve ser desprezado. Os modelos

de Machine Learning são apenas uma parte de um processo maior para resolver um
problema específico, e é importante manter um panorama geral em mente. Ao apro-
fundar os aspetos técnicos do Machine Learning, é fácil perder de vista os objetivos
finais. É importante manter em mente todas as suposições criadas, de forma explícita
ou implícita, quando são construídos modelos de Machine Learning.
Casos de estudo podem ter um papel importante nesta área, ainda que, o acesso a
conjuntos de dados reais é frequentemente uma barreira. Casos de estudo permi-
tem perceber como um determinado fenómeno é influenciado pelo contexto em que
se encontra assim como obter informações detalhadas acerca de um cenário especí-
fico, possibilitando uma análise mais profunda dessa situação. Um dos objetivos é
compreender a peculiaridade do caso de modo a extrapolar conclusões para outras
situações e compreender a relação entre as variáveis e o modelo. Mesmo em con-
textos altamente específicos, algumas das conclusões podem ser extrapoladas para
situações mais amplas.
Apesar do progresso nos métodos de aquisição de dados e ferramentas de Inteligên-

cia Artificial, a plena utilização dos recursos fornecidos por estes é, ainda, incipiente.
Os sistemas estão longe de atingir o grau de desempenho e robustez necessários para
automação total na maior parte dos casos. O fator humano é de importância central.
Sem a ajuda de mão de obra especializada não seria possível rastrear com eficiência
problemas em sistemas críticos. Contudo, é recomendável que as duas fontes de co-
nhecimento sejam combinadas de modo a produzir programas de manutenção mais
confiáveis e precisos. Ainda, a existência de uma visão no sentido de desenvolver sis-
temas que possam trazer maior produtividade ao elemento humano. Um sistema de
prognóstico será eventualmente capaz de reduzir a carga de trabalho desnecessária e
aliviar pequenos erros humanos, sendo que, no entanto, poderá igualmente criar la-
cunas induzidas pela automação, produzir alarmes falsos e, talvez mais importante,
aumentar a carga de trabalho mental necessária para executar a monitorização adi-
cional do sistema. De modo a alcançar o equilíbrio correto entre a automação e o
fator humano, é importante garantir que a tecnologia esteja presente para ajudar o
especialista naturalmente, deixando-o ser a autoridade final na determinação de uma
possível falha. O operador deve poder substituir as recomendações do sistema e usar
suas próprias habilidades e experiência quando necessário.
O difícil equilíbrio entre intervenção humana e automação é mais facilmente alcan-

çado se os sistemas estiverem equipados com modelos fáceis de interpretar e enten-
der. No entanto, a falta de transparência do processo de decisão inerente a muitos
dos modelos de Machine Learning é inevitável e, portanto, o desconforto que possa
advir deste facto tem de ser ultrapassado com, por exemplo, o uso de métricas de
avaliação poderosas e demonstrações práticas de sucesso preditivo.

6. Conclusões e trabalhos futuros 77
Para que a utilização de ferramentas de Inteligência Artificial na área da manutenção

seja viável, as consequências provenientes dessa aplicação devem ser significativas,
para que o custo de desenvolvimento, implementação e utilização seja justificado.
Deve existir uma lacuna significativa entre o desempenho de qualquer estratégia
existente e aquele que pode ser alcançado através da aplicação de modelos de Ma-
chine Learning. As tecnologias preditivas avançadas necessitam de ser direcionadas
para as oportunidades mais significativas de modo a permitir uma melhoraria no de-
sempenho geral da organização. Estes métodos devem ser capazes de atender não só
às necessidades técnicas mas também às necessidades económicas.
A transformação de uma indústria deve ser um processo contínuo e abrangente, que

vai além da melhoria de tecnologias, tendo que afetar toda a cadeia envolvente e
sequencial de processos, modelos de negócio, aspetos organizacionais e de gestão.
Deve-se reter que o investimento na digitalização poderá trazer melhorias em pro-
dutividade e eficiência, mas os benefícios virão apenas quando acompanhados da
melhoria de desempenho organizacional e visão nas empresas.
6.2. Trabalhos Futuros
Em relação ao trabalho realizado e possíveis trabalhos futuros, propõe-se a explora-

ção do impacto nos modelos de algumas escolhas efetuadas, como a data de divisão
dos dados em conjunto de treino, desenvolvimento e teste e o tempo de fronteira de-
finido entre as categorias estável/pré-instável. Igualmente, o facto de se tratar de um
problema de classificação multi-classe acrescentou complexidade à análise e, porven-
tura, começar por um problema de classificação binário pode ser aconselhável para
uma melhor compreensão de conceitos basilares do Machine Learning, fundamentais
para o sucesso de qualquer aplicação.
De um modo mais geral, em relação à aplicação de ferramentas de Inteligência Arti-

ficial na área da manutenção, geralmente, dada a escassez de dados rotulados para
aplicações de Machine Learning supervisionadas, abordagens não supervisionadas e
semi-supervisionadas são particularmente promissores e sugere-se uma exploração
destas técnicas.
Como foi visto, nos métodos tradicionais de Machine Learning, um número de fea-
tures necessita de ser identificado e extraído por especialistas no domínio, de modo
a reduzir a complexidade dos dados e tornar os padrões mais visíveis para que os
algoritmos sejam capazes de apresentar bom desempenho. Este feature engineering
específico para cada aplicação concreta impossibilita, de igual modo, a utilização de
um modelo desenvolvido em diversas aplicações e equipamentos distintos. A utiliza-

78 6.2. Trabalhos Futuros
ção de algoritmos de Deep Learning elimina esta necessidade de extração de features

ad hoc, uma vez que estes aprendam features de alto nível a partir do conjunto de
dados completo, de maneira incremental. Sugere-se a exploração destes algoritmos
que, embora mais complexos, apresentam enorme potencial.

Bibliografia
[1] Alasdair Gilchrist. Industry 4.0: the industrial internet of things. Springer, 2016.
ISBN : 978-1-4842-2047-4.
[2] Khairy Ahmed Helmy Kobbacy e DN Prabhakar Murthy. Complex system main-
tenance handbook. Springer Science & Business Media, 2008. ISBN: 978-1849967006.
[3] Henning Kagermann, Wolf-Dieter Lukas e Wolfgang Wahlster. «Industrie 4.0:
Mit dem Internet der Dinge auf dem Weg zur 4. industriellen Revolution». Em:
VDI nachrichten 13.11 (2011), p. 2.
[4] João Ribau. Afinal, o que é isto da Indústria 4.0? URL: https://visao.sapo.
pt/opiniao/ponto- de- vista/2019- 10- 28- afinal- o- que- e- isto- da-
industria-4-0 (acedido em 07/06/2020).
[5] Marina Paolanti et al. «Machine learning approach for predictive maintenance
in industry 4.0». Em: 2018 14th IEEE/ASME International Conference on Me-
chatronic and Embedded Systems and Applications (MESA). IEEE, pp. 1–6. ISBN:
1538646439.
[6] Andreas C Müller e Sarah Guido. Introduction to machine learning with Python:
a guide for data scientists. "O’Reilly Media, Inc.", 2016. ISBN: 1449369901.
[7] Microsoft. Predictive Maintenance Modelling Guide. 2018. URL: https://notebooks.
azure.com/Microsoft/projects/PredictiveMaintenance (acedido em 01/05/2020).
[8] Nikolaos Kolokas et al. «Forecasting faults of industrial equipment using ma-
chine learning classifiers». Em: 2018 Innovations in Intelligent Systems and Ap-
plications (INISTA). IEEE, pp. 1–6. ISBN: 1538651505.
[9] GIAGI. Gestão da Manutenção e Disponibilidade dos Equipamentos - Manual
Formando. Aveiro: GIAGI – Consultores em Gestão Industrial, Lda., 2007.
[10] Carlos Varela Pinto. Organização e Gestão da Manutenção. Monitor—Projecto
e Edições, Lda: Lisbon, Portugal, 2002. ISBN: 978-9729413391.
[11] José Paulo Saraiva Cabral. Organização e Gestão da Manutenção: dos conceitos
à prática. 5a ed. Lidel, 2006. ISBN: 978-9727574407.
[12] Norma Portuguesa NP EN 13306:2007. «Terminologia da Manutenção». Em:
Instituto Português da Qualidade (2007).
79
80 Bibliografia
[13] Ameeth Kanawaday e Aditya Sane. «Machine learning for predictive mainte-
nance of industrial machines using IoT sensor data». Em: 2017 8th IEEE In-
ternational Conference on Software Engineering and Service Science (ICSESS).
IEEE, pp. 87–90. ISBN: 1538604973.
[14] R Keith Mobley. An introduction to predictive maintenance. Elsevier, 2002. ISBN:
978-0-7506-7531-4.
[15] Thyago P Carvalho et al. «A systematic literature review of machine learning
methods applied to predictive maintenance». Em: Computers & Industrial En-
gineering 137 (2019), p. 106024. ISSN: 0360-8352.
[16] Olga Fink. «Data-Driven Intelligent Predictive Maintenance of Industrial As-
sets». Em: Women in Industrial and Systems Engineering: Key Advances and
Perspectives on Emerging Topics. Ed. por Alice E. Smith. Cham: Springer In-
ternational Publishing, 2020, pp. 589–605. ISBN: 978-3-030-11866-2. DOI:
10.1007/978-3-030-11866-2_25.
[17] Norma Portuguesa NP EN 13306: 2010. «Terminologia da Manutenção». Em:
Instituto Português da Qualidade (2010).
[18] Bernard Schmidt, Lihui Wang e Diego Galar. «Semantic Framework for Predic-
tive Maintenance in a Cloud Environment». Em: Procedia CIRP 62 (2017). 10th
CIRP Conference on Intelligent Computation in Manufacturing Engineering -
CIRP ICME ’16, pp. 583–588. ISSN: 2212-8271.
[19] Sandy Dunn. Big Data, Predictive Analytics and Maintenance. 2018. URL: https:
//www.assetivity.com.au/article/maintenance-management/big-data-
predictive-analytics-and-maintenance.html (acedido em 01/06/2020).
[20] Yasir Hassan Ali. «Artificial Intelligence Application in Machine Condition Mo-
nitoring and Fault Diagnosis». Em: Artificial Intelligence: Emerging Trends and
Applications (2018), p. 275. ISSN: 178923364X.
[21] Ryan Chan. What is prescriptive maintenance and how does it differ from pre-
dictive maintenance? 2019. URL: https : / / www . onupkeep . com / answers /
predictive-maintenance/what-is-prescriptive-maintenance-and-how-
does-it-differ-from-predictive-maintenance (acedido em 15/06/2020).
[22] A. J. Marques Cardoso C. Pereira Cabrita. «Conceitos e definições de falha e
avaria nas normas portuguesas de manutenção NP EN 13306:2007 e NP EN
15341:2009». Em: Revista Manutenção 125 (2015).
[23] João Paulo Pinto. Manutenção Lean. LIDEL - Edições Técnicas, Lda., 2013.
ISBN : 978-972-757-877-1.
[24] IEC. «Dependability management - Part 3-3: Application guide - Life cycle cos-
ting». Em: International Electrotechnical Commission (2004).

Bibliografia 81
[25] Luís Andrade Ferreira; José Sobral; José Torres Farinha. «LCC – Custo do Ciclo
de Vida, sua relevância para a Gestão de Ativos Físicos». Em: Revista Manuten-
ção 118-119 (2013).
[26] Jay Lee, Hung-An Kao e Shanhu Yang. «Service Innovation and Smart Analy-
tics for Industry 4.0 and Big Data Environment». Em: Procedia CIRP 16 (2014).
Product Services Systems and Value Creation. Proceedings of the 6th CIRP
Conference on Industrial Product-Service Systems, pp. 3–8. ISSN: 2212-8271.
[27] Jay Lee, Behrad Bagheri e Hung-An Kao. «A Cyber-Physical Systems architec-
ture for Industry 4.0-based manufacturing systems». Em: Manufacturing Let-
ters 3 (2015), pp. 18–23. ISSN: 2213-8463.
[28] Paulo Novais e Pedro Miguel Freitas. «Inteligência Artificial e Regulação de
algoritmos». Em: Inteligência Artificial, Diálogos União Europeia 1 (2018).
[29] Wolfgang Wahlster. Industrie 4.0: Cyber-Physical Production Systems for Mass
Customization. 2016. URL: http : / / www . dfki . de / wwdata / German - Czech _
Workshop_on_Industrie_4.0_Prague_11_04_16/Industrie_4_0_Cyber-
Physical _ Production _ Systems _ for _ Mass _ Customizations . pdf (acedido
em 20/05/2020).
[30] US Army. «Techniques for Effective Knowledge Management». Em: Techniques
Publication (ATP) 6-01.1 (2015).
[31] George F Luger. Artificial intelligence: structures and strategies for complex pro-
blem solving. Pearson education, 2005. ISBN: 978-0321545893.
[32] J McCarthy et al. «Dartmouth Summer Research Conference on Artificial In-
telligence». Em: (1956).
[33] Noelia González Rodríguez. How Deep Learning is Different from Machine Le-
arning? 2019. URL: https : / / noeliagorod . com / 2019 / 11 / 14 / how - deep -
learning-is-different-from-machine-learning (acedido em 15/06/2020).
[34] Uday Kumar; Diego Galar; Ramin Karim. Industrial AI in maintenance: false
hopes or real achievements? 2020. URL: https : / / www . maintworld . com / R -
D/Industrial- AI-in- maintenance-false- hopes- or- real- achievements
(acedido em 01/05/2020).
[35] Aurélien Géron. Hands-on machine learning with Scikit-Learn and TensorFlow
: concepts, tools, and techniques to build intelligent systems. 2019. ISBN: 978-
1491962299.
[36] L. Filipe Gomes Pereira. «Previsão de Falhas em Empanques Mecânicos da Re-
finaria de Matosinhos Usando Modelos de Machine Learning». Tese de mes-
trado. FEUP, 2018.

82 Bibliografia
[37] Scott Fortmann-Roe. Understanding the Bias-Variance Tradeoff. 2012. URL: http:
//scott.fortmann-roe.com/docs/BiasVariance.html (acedido em 01/06/2020).
[38] Dewang Nautiyal. Underfitting and Overfitting in Machine Learning. 2018. URL:
https : / / www . geeksforgeeks . org / underfitting - and - overfitting - in -
machine-learning/ (acedido em 01/06/2020).
[39] Robert Kelley. Making Predictive Models Robust: Holdout vs Cross-Validation.
2017. URL: https://www.kdnuggets.com/2017/08/dataiku- predictive-
model-holdout-cross-validation.html (acedido em 01/06/2020).
[40] Vijayaramaraju Poosapati et al. «Enabling Cognitive Predictive Maintenance
Using Machine Learning: Approaches and Design Methodologies». Em: Soft
Computing and Signal Processing. Springer, 2019, pp. 37–45.
[41] Microsoft. Azure AI guide for predictive maintenance solutions. 2020. URL: https:
/ / docs . microsoft . com / en - us / azure / machine - learning / team - data -
science-process/predictive-maintenance-playbook (acedido em 20/04/2020).
[42] Márcia Baptista. «Machine Learning and Deep Learning for Prognostics and
Predictive Maintenance of Aeronautical Equipment». Tese de doutoramento.
IST, 2018.
[43] H. Hashemian e Wendell Bean. «State-of-the-Art Predictive Maintenance Te-
chniques*». Em: IEEE Transactions on Instrumentation and Measurement 60
(out. de 2011), pp. 3480–3492. DOI: 10.1109/TIM.2009.2036347.
[44] R. Onanena et al. «Estimation of Fuel Cell Life Time Using Latent Variables in
Regression Context». Em: 2009 International Conference on Machine Learning
and Applications. 2009, pp. 632–637.
[45] Sheng Hong e Zheng Ou Zhou. «Application of Gaussian Process Regression
for bearing degradation assessment». Em: 2012 6th International Conference
on New Trends in Information Science, Service Science and Data Mining (IS-
SDM2012) (2012), pp. 644–648.
[46] G. A. Susto et al. «Prediction of integral type failures in semiconductor manu-
facturing through classification methods». Em: 2013 IEEE 18th Conference on
Emerging Technologies Factory Automation (ETFA). 2013, pp. 1–4.
[47] U. Schopka et al. «Practical aspects of virtual metrology and predictive main-
tenance model development and optimization». Em: mai. de 2013, pp. 180–
185. ISBN: 978-1-4673-5006-8. DOI: 10.1109/ASMC.2013.6552793.
[48] Hongfei Li et al. «Improving rail network velocity: A machine learning appro-
ach to predictive maintenance». Em: Transportation Research Part C: Emerging
Technologies 45 (2014). Advances in Computing and Communications and
their Impact on Transportation Science and Technologies, pp. 17–26. ISSN:
0968-090X.

Bibliografia 83
[49] T. Praveenkumar et al. «Fault Diagnosis of Automobile Gearbox Based on Ma-

chine Learning Techniques». Em: Procedia Engineering 97 (2014), pp. 2092–
2098. ISSN: 1877-7058.
[50] Rune Prytz et al. «Predicting the need for vehicle compressor repairs using
maintenance records and logged vehicle data». Em: Engineering Applications
of Artificial Intelligence 41 (2015), pp. 139–150. ISSN: 0952-1976.
[51] S. Biswal e G. R. Sabareesh. «Design and development of a wind turbine test
rig for condition monitoring studies». Em: 2015 International Conference on
Industrial Instrumentation and Control (ICIC). 2015, pp. 891–896.
[52] Rubem Geraldo Vasconcelos Machado e Hilton de Oliveira Mota. «Simple self-
scalable grid classifier for signal denoising in digital processing systems». Em:
2015 IEEE 25th International Workshop on Machine Learning for Signal Proces-
sing (MLSP). IEEE. 2015, pp. 1–6.
[53] G. K. Durbhaka e B. Selvaraj. «Predictive maintenance for wind turbine diag-
nostics using vibration signal analysis based on collaborative recommendation
approach». Em: 2016 International Conference on Advances in Computing, Com-
munications and Informatics (ICACCI). 2016, pp. 1839–1842.
[54] O. Aydin e S. Guldamlasioglu. «Using LSTM networks to predict engine con-
dition on large scale data processing framework». Em: 2017 4th International
Conference on Electrical and Electronic Engineering (ICEEE). 2017, pp. 281–285.
[55] Mikel Canizo et al. «Real-time predictive maintenance for wind turbines using
Big Data frameworks». Em: 2017 IEEE International Conference on Prognostics
and Health Management (ICPHM). IEEE. 2017, pp. 70–77.
[56] Tiago dos Santos et al. «Stator winding short-circuit fault diagnosis in induc-
tion motors using random forest». Em: 2017 IEEE International Electric Machi-
nes and Drives Conference (IEMDC). IEEE. 2017, pp. 1–8.
[57] Chuan-Jun Su e Shi-Feng Huang. «Real-time big data analytics for hard disk
drive predictive maintenance». Em: Computers & Electrical Engineering 71 (2018),
pp. 93–101.
[58] Eckart Uhlmann et al. «Cluster identification of sensor data for predictive
maintenance in a Selective Laser Melting machine tool». Em: Procedia Ma-
nufacturing 24 (2018), pp. 60–65.
[59] I. Amihai et al. «An Industrial Case Study Using Vibration Data and Machine
Learning to Predict Asset Health». Em: 2018 IEEE 20th Conference on Business
Informatics (CBI). Vol. 01. 2018, pp. 178–185.
[60] T. Huuhtanen e A. Jung. «Predictive Maintenance of Photovoltaic Panels via
Deep Learning». Em: 2018 IEEE Data Science Workshop (DSW). 2018, pp. 66–
70.

84 Bibliografia
[61] K. Kulkarni et al. «Predictive Maintenance for Supermarket Refrigeration Sys-

tems Using Only Case Temperature Data». Em: 2018 Annual American Control
Conference (ACC). 2018, pp. 4640–4645.
[62] B. Luo et al. «Early Fault Detection of Machine Tools Based on Deep Learning
and Dynamic Identification». Em: IEEE Transactions on Industrial Electronics
66.1 (2019), pp. 509–518.
[63] F. Pedregosa et al. «Scikit-learn: Machine Learning in Python». Em: Journal of
Machine Learning Research 12 (2011), pp. 2825–2830.
[64] Abhinav Saxena e Kai Goebel. «Turbofan engine degradation simulation data
set». Em: NASA Ames Prognostics Data Repository (2008).
[65] Patrick Janhke. «Machine learning approaches for failure type detection and
predictive maintenance». Em: Master’s Thesis, Technische Universitat Darmstadt
(2015).
[66] John Templeton. The Humble Approach Rev Ed: Scientist Discover God. Temple-
ton Foundation Press, 1998. ISBN: 978-1890151171.
[67] Carl Sagan. Dragons of Eden: Speculations on the evolution of human intelli-
gence. Ballantine Books, 2012. ISBN: 978-0345346292.

Aplicação de Conceitos de Manutenção Preditiva Com Aplicação de Ferramentas de Inteligência Artificial

Enviado por

Direitos autorais:

Formatos disponíveis

Aplicação de Conceitos de Manutenção Preditiva Com Aplicação de Ferramentas de Inteligência Artificial

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aplicação de Conceitos de Manutenção Preditiva Com Aplicação de Ferramentas de Inteligência Artificial

Enviado por

Direitos autorais:

Formatos disponíveis

Aplicação de conceitos de manutenção

preditiva com aplicação de ferramentas de

Diogo Emanuel Rocha Cardoso

Mestre em Engenharia Mecânica

Mestrado Integrado em Engenharia Mecânica

Porto, Julho 2020

Diogo Cardoso ([email protected])

A presente dissertação foi desenvolvida no âmbito do Mestrado Integrado em Enge-

A crescente competitividade do mercado aliada ao aumento da automatização im-

A manutenção é fundamental para a competitividade de uma empresa, uma vez que

Palavras-chave: Manutenção Preditiva, Indústria 4.0, Internet of Things, Inteligência

Maintenance is fundamental to a company’s competitiveness, since actions taken at

Keywords: Predictive Maintenance, Industry 4.0, Internet of Things, Artificial intelli-

Em primeiro lugar, gostaria de agradecer ao meu orientador, o Professor Luís Andrade

Lista de Tabelas xviii

Lista de acrónimos e siglas xix

1.3 Estrutura da dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2.2 Definição de Manutenção . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.3 Tipos de Manutenção . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.3.1 Manutenção Corretiva (Run-to-failure) . . . . . . . . . . . . . . 7

2.3.2 Manutenção Preventiva . . . . . . . . . . . . . . . . . . . . . . 8

2.3.3 Manutenção Preditiva . . . . . . . . . . . . . . . . . . . . . . . 9

2.3.4 Manutenção Prescritiva . . . . . . . . . . . . . . . . . . . . . . 12

2.4 Falha, Avaria e Modo de Falha . . . . . . . . . . . . . . . . . . . . . . . 12

2.5 Normas Portuguesas da Manutenção . . . . . . . . . . . . . . . . . . . 13

2.6 Indicadores de desempenho da manutenção . . . . . . . . . . . . . . . 14

2.7 Gestão da Manutenção . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.8 Custo do Ciclo de Vida . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

3 Indústria 4.0 e Inteligência Artificial 21

3.2 Revoluções Industriais . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3.3 Indústria 4.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.4 Inteligência Artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

3.5 Breve distinção entre Inteligência Artificial, Machine Learning e Deep

3.6 Impacto e Desafios da Indústria 4.0 na Manutenção . . . . . . . . . . . 26

4.1 O que é Machine Learning? . . . . . . . . . . . . . . . . . . . . . . . . . 29

4.1.1 Porque usar Machine Learning? . . . . . . . . . . . . . . . . . . 29

4.2 Tipos de Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . 30

4.2.1 Supervised, unsupervised, reinforcement learning e Semisupervi-

4.2.2 Batch e online learning . . . . . . . . . . . . . . . . . . . . . . . 33

4.2.3 Instance-based e model-based learning . . . . . . . . . . . . . . 34

4.3 Workflow de um projeto de Machine Learning . . . . . . . . . . . . . . 34

4.4 Treino e métricas de avaliação . . . . . . . . . . . . . . . . . . . . . . . 37

4.5 Métodos de Machine Learning para manutenção preditiva . . . . . . . . 41

4.5.1 Revisão sistemática da literatura científica . . . . . . . . . . . . 42

5 Aplicação de modelos de Machine Learning 45

5.2 Origem dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

5.2.2 Registo de Erros . . . . . . . . . . . . . . . . . . . . . . . . . . 49

5.2.3 Histórico de Manutenção . . . . . . . . . . . . . . . . . . . . . 50

5.2.4 Histórico de Falhas . . . . . . . . . . . . . . . . . . . . . . . . . 51

5.2.5 Informação acerca das máquinas . . . . . . . . . . . . . . . . . 52

5.3 Definição dos objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

5.4 Feature Engineering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

5.4.1 Lag Features . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

5.4.2 Features adicionais . . . . . . . . . . . . . . . . . . . . . . . . . 55

5.5 Seleção de Features . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

5.6 Classificação dos dados e construção de Labels . . . . . . . . . . . . . . 59

5.7 Divisão dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

5.7.1 Desequilíbrio entre classes em aplicações de problemas de ma-

5.8 Aplicação dos modelos no conjunto de desenvolvimento . . . . . . . . 63