Uso de mineração de dados para priorização no planejamento de manutenção preventiva
DOI:
https://doi.org/10.5540/03.2025.011.01.0508Palavras-chave:
Manutenção Preventiva, Mineração de Dados, Agrupamento K-means, Confiabilidade, CM-TOPSISResumo
O planejamento de manutenção visa garantir o alto desempenho operacional dos ativos industriais por meio do uso eficaz de recursos financeiros, humanos e peças sobressalentes. Em última análise, as atividades de manutenção devem garantir a disponibilidade operacional e confiabilidade das máquinas. A contribuição da presente pesquisa é uma nova metodologia para o planejamento de manutenção preventiva, que se baseia em registros históricos de falhas na máquina e nos custos de manutenção incorridos. Um algoritmo de mineração de dados é utilizado para agrupar falhas históricas que tenham semelhança entre si. Os clusters criados são classificados por um método de tomada de decisão multicritério híbrido CM-TOPSIS, utilizando critérios que expressam a disponibilidade e confiabilidade e o custo incorrido pelas atividades de manutenção realizadas para corrigir as falhas. Isso permite que o engenheiro priorize as atividades e elabore um plano de manutenção preventiva começando com o cluster de maior criticidade e fazendo um trade-off entre a disponibilidade e confiabilidade da máquina e o custo da manutenção. Um estudo de caso de uma empresa de alimentos no sul do Brasil foi utilizado, que forneceu registros de falhas coletados em um período de 5 anos para ilustrar a metodologia proposta.
Downloads
Referências
G. Aydemir e K. Paynabar. “Image-based Prognostics Using Deep Learning Approach”. Em: IEEE Transactions on Industrial Informatics (2019). doi: 10.1109/tii.2019.2956220.
G. H. Bazan, P. R. Scalassara, W. Endo e A. Goedtel. “Information Theoretical Measurements from Induction Motors Under Several Load and Voltage Conditions for Bearing Faults Classification”. Em: IEEE Transactions on Industrial Informatics (2019). doi: 10.1109/tii.2019.2939678.
J. H. Cha, M. Finkelstein e G. Levitin. “Age-replacement policy for items described by stochastic degradation with dependent increments”. Em: IMA Journal of Management Mathematics 33 (2021). doi: 10.1093/imaman/dpab014.
J. H. Cha, M. Finkelstein e G. Levitin. “On the delayed worse-than-minimal repair model and its application to preventive replacement”. Em: IMA Journal of Management Mathematics 34 (2023). doi: 10.1093/imaman/dpab036.
M. Charrad, N. Ghazzali, V. Boiteau e A. Niknafs. “NbClust: An R Package for Determining the Relevant Number of Clusters in a Data Set”. Em: Journal of Statistical Software 61.6 (2014), pp. 1–36. doi: doi.org/10.18637/jss.v061.i06.
H. Dui, X. Dong e M. Liu. “A data-driven construction method of aggregated value chain in three phases for manufacturing enterprises.” Em: Computers Industrial Engineering 189 (2024). doi: 10.1016/j.cie.2024.109964.
A. Garg e S. Deshmukh. “Maintenance management: literature review and directions”. Em: Journal of Quality in Maintenance Engineering 12 (2006), pp. 205–238. doi: 10.1108/13552510610685075.
C. L. Hwang e K. Yoon. Multiple Attribute Decision Making: Methods and Applications. New York: Springer-Verlag, 1981. doi: 10.1007/978-3-642-48318-9.
N. Kolokas, T. Vafeiadis, D. Ioannidis e D. Tzovaras. “A generic fault prognostics algorithm for manufacturing industries using unsupervised machine learning classifiers”. Em: Simulation Modelling Practice and Theory 103 (2020). doi: 10.1016/j.simpat.2020.102109.
H. Nordal e I. El-Thalji. “Modeling a predictive maintenance management architecture to meet industry 4.0 requirements: A case study”. Em: Systems Engineering 24.1 (2020), pp. 34–50. doi: doi:10.1002/sys.21565.
H. B. Razente, M. Belinelli, M. Souza G. F, M. Rodrigues, M. Matsuzaki e A. Savoldi. “Application of the AHP multi criteria analysis method for the decision-making in industrial maintenance activities: Case study in a food company”. Em: Proceedings of the joint ICVRAM ISUMA UNCERTAINTIES conference. 2018.
A. Sharma, G. S. Yadava e S. G. Deshmukh. “A literature review and future perspectives on maintenance optimization”. Em: Journal of Quality in Maintenance Engineering 17 (2011), pp. 5–25. doi: 10.1108/13552511111116222.
J. Shen, Y. Zhang, Y. Ma e C. Lin. “A novel opportunistic maintenance strategy for systems with dependent main and auxiliary components”. Em: IMA Journal of Management Mathematics 32 (2021). doi: 10.1093/imaman/dpaa016.
A. H. C. Tsang. “Condition-based maintenance: tools and decision making”. Em: Journal of Quality in Maintenance Engineering 1 (1995), pp. 3–17. doi: 10.1108/13552519510096350.
N. Bouhmala V. J. Jimenez e A. H. Gausdal. “Developing a predictive maintenance model for vessel machinery”. Em: Journal of Ocean Engineering and Science 5.4 (2020), pp. 358–386. doi: 10.1016/j.joes.2020.03.003.
N. Wang, S. Ren, Y. Liu, M. Yang, J. Wang e D. Huisingh. “An active preventive maintenance approach of complex equipment based on a novel product-service system operation mode”. Em: Journal of Cleaner Production (2020). doi: 10.1016/j.jclepro.2020.123365.
R. Yam, P. Tse, L. Li e P. Tu. “Intelligent Predictive Decision Support System for Condition-Based Maintenance”. Em: The International Journal of Advanced Manufacturing Technology 17 (2001), pp. 383–391. doi: 10.1007/s001700170173.
