Acceso usuarios
Ferramentas computacionais têm desempenhado um papel crescente no suporte às atividades industriais, possibilitando a coleta, o processamento e a análise de dados do processo produtivo de forma cada vez mais eficaz e precisa. O presente trabalho implementou um script de automação de aprendizado de máquina para a previsão da criticidade de manutenções em uma usina hidrelétrica, utilizando um modelo baseado em árvore de decisão. Os dados foram coletados a partir do sistema SAP-PM, abrangendo registros de manutenção entre 2021 e 2024, totalizando 10.761 amostras. Foram selecionados quatro atributos principais: Unidade_Geradora, Sistema, Cod_Prioridade e Cod_Criticidade, sendo este último o alvo da predição. O algoritmo foi desenvolvido em Python, e o conjunto de dados foi dividido em 70% para treinamento e 30% para testes. A acurácia obtida no conjunto de treino foi de 100%, sugerindo a ocorrência de overfitting, com uma acurácia de 78,12% nos testes de validação, utilizando 160 novas amostras. Os resultados indicam que, embora o algoritmo tenha mostrado bom desempenho nos dados de treino, sua capacidade de generalização foi limitada ao ser aplicado a novos dados. Para mitigar o overfitting e melhorar o desempenho do modelo, foram sugeridas estratégias como a regularização dos dados, aumento da base de treinamento e a utilização de validação cruzada. Este estudo demonstra o potencial de aplicação de algoritmos de aprendizado de máquina na automação da tomada de decisão em processos de manutenção industrial.
