Year: 2025
Type: dissertation
Abstract: A Manutenção Preditiva (PdM) está a tornar-se cada vez mais uma estratégia fundamental na Indústria 4.0, aproveitando os avanços em Inteligência Artificial (AI), Internet das Coisas (IoT) e nos Sistemas Ciberfísicos (CPS) para otimizar o desempenho das máquinas e, ao mesmo tempo, reduzir os custos de manutenção.No entanto, o processo de engenharia de atributos para aplicações em PdM continua a ser desafiante devido à complexidade dos dados gerados pelos sensores, que geralmente incluem séries temporais multivariadas irregulares com problemas relacionados com os dados, como ruído e valores em falta.Esta dissertação apresenta o optimusPipe, uma ferramenta para automatizar o processo de engenharia de atributos no contexto de PdM.A ferramenta aborda os principais desafios no processamento de dados de sensores incorporando várias operações, como a reamostragem para irregularidade, o preenchimento automático para valores em falta e a análise de correlação para a seleção de atributos.Utilizando a otimização de procura em grelha (grid search) guiada por métricas de desempenho do modelo, a ferramenta desenvolvida cria automaticamente configurações de engenharia de atributos eficazes.Validámos a nossa ferramenta através de um caso de estudo na indústria farmacêutica, com foco nas máquinas de compressão de comprimidos, onde as mudanças frequentes de configuração e os fatores operacionais podem levar à degradação do desempenho das mesmas.Os resultados experimentais demonstram a eficácia da ferramenta no tratamento de vários desafios de dados, ao mesmo tempo que automatiza o processo de engenharia de atributos.Além disso, fornecemos análises empíricas de diferentes operações de engenharia de atributos, métodos de extração de features em séries temporais e algoritmos de aprendizagem no contexto de PdM na indústria farmacêutica.Este trabalho contribui para o avanço da área ao oferecer uma abordagem generalizável para engenharia de atributos automatizada no contexto de PdM, reduzindo a dependência de conhecimento técnico e de domínio.
Author: José Albano de Almeida Gaspar
Institution: Universidade do Porto
Language: English
Subfield: Control and Systems Engineering
Field: Engineering
Domain: Physical Sciences
Keywords: automated feature engineering, predictive maintenance, sensor data processing, irregular time series, missing data imputation, grid search hyperparameter tuning, feature selection, correlation analysis, temporal feature extraction, pharmaceutical industry, maintenance cost reduction, Industry 4.0, cyber-physical systems, Internet of Things
Open Access status: green
OpenAlex ID: W7008166556
