Uma Abordagem para Manutenção Preditiva Baseada em Sistemas Multiagente e Machine Learning

Abstract

Nos dias de hoje onde a tecnologia está em constante evolução, surge a necessidade de os sistemas industriais se adaptarem às alterações do mercado, de modo a fazer frente às necessidades de um mercado cada vez mais competitivo e global.

No seguimento da evolução da tecnologia e dos desenvolvimentos recentes que resultaram numa maior disponibilidade dos sistemas de aquisição de dados e redes de computadores, a natureza competitiva da indústria atual força os sistemas de manufatura a avançar para a implementação de metodologias de alta tecnologia, possibilitando a estes sistemas uma maior flexibilidade e robustez ao lidar com situações inesperadas.

A Manutenção Preditiva é a primeira grande quebra de paradigma na manutenção, intensificando-se cada vez mais, quanto maior o desenvolvimento tecnológico. Esta solução, é considerada como a mais fiável sob o ponto de vista de produção, na medida que monitoriza o equipamento e/ou sistema, agindo quando necessário.

No entanto, toda a tecnologia inerente a este tipo de manutenção ainda precisa de intervenção humana, pois, embora os equipamentos/sistemas já possam detetar as falhas, estes não se auto-reparam, necessitando da intervenção do homem para efetuar o reparo.

O trabalho desenvolvido na presente dissertação de mestrado consiste no estudo, de como integrar Machine Learningem sistemas ciber-físicos baseados em agentes e utilizando serviços.

Alternate abstract:

In present days, where we find technology in constant evolution, the need for Industrial systems to adapt to the market changes has aroused, in order to meet the needs of a challenging and more and more competitive and global market.

Following the evolution of technology and the recent developments that turned out into a major availability of data acquisition systems and network computers, the competitive nature of the present Industry is compelling the manufacturing systems to implement high technology procedures, by making way for a bigger flexibility and robustness when dealing with unexpected situations.

Predictive maintenance is the great break in the maintenance paradigm, getting more and more intense, as technological development is increasing. This solution can be considered as the most liable as far as production is concerned, seeing that it motorizes either the equipment and/or the system, acting when necessary.

However, all technology concerning this type of maintenance still needs human intervention, because although equipments/systems are able to detect failures, they cannot repair themselves, they still need human supervising for achieving it.

The work developed in the present dissertation of Master Thesis consists of studying how to integrate Machine Learninginto cyber-physical systems based on agents and using services.