Projeto de Manutenção Preditiva com Machine Learning

Este projeto visa aplicar técnicas de Machine Learning para predição de falhas em equipamentos industriais com base em diversas condições ambientais e do equipamento. A seguir, apresento uma visão geral do projeto:

Conjunto de Dados

O conjunto de dados utilizado contém informações cruciais para a predição de falhas, incluindo:

• UDI (Identificador Único): Identificador exclusivo para cada ponto de dados.
• ProductID: Variantes de qualidade do produto.
• Temperatura do ar e do processo [K]: Parâmetros relevantes para o processo de fabricação.
• Velocidade de rotação e Torque [rpm, Nm]: Indicadores essenciais do funcionamento da máquina.
• Desgaste da ferramenta [min]: Associado às variantes de qualidade, adiciona minutos de desgaste da ferramenta.
• Rótulo 'falha da máquina': Indica se a máquina falhou para diferentes modos de falha.

Modos de Falha

A falha da máquina consiste em cinco modos independentes:

• Desgaste da Ferramenta (TWF): Substituição ou falha após um tempo de desgaste aleatório.
• Dissipação de Calor (HDF): Falha se a diferença entre temperaturas for inferior a 8,6 K e a velocidade de rotação for inferior a 1380 rpm.
• Energia (PWF): Falha se a potência estiver abaixo de 3.500 W ou acima de 9.000 W.
• Sobretensão (OSF): Falha se o produto de desgaste da ferramenta e torque exceder 11.000 minNm.
• Falhas Aleatórias (RNF): 0,1% de chance independente dos parâmetros de processo.

Exploração do Conjunto de Dados

Verificação das informações e distribuição dos rótulos. Análise exploratória com gráficos de dispersão e histogramas.

Pré-processamento de Dados

Resample dos casos de falha para equilibrar as classes. Normalização e codificação de features.

Modelagem

Modelo Logístico

Treinamento e validação cruzada. Matriz de confusão, curva ROC, e métricas de desempenho.

Árvore de Decisão

Treinamento e validação cruzada. Matriz de confusão, curva ROC, e métricas de desempenho.

Floresta Aleatória

Treinamento, validação cruzada e otimização de parâmetros. Curva Precision-Recall e importância de features.

Conclusão

O projeto apresenta uma abordagem abrangente para a predição de falhas em equipamentos industriais. Os modelos foram avaliados e otimizados, com destaque para a eficácia da Floresta Aleatória. A análise de features fornece insights valiosos sobre os principais indicadores de falha.

Sinta-se à vontade para explorar, contribuir e aprimorar este projeto!