Acceso usuarios
Euclides Dall'acqua Soares, Bruno Lima da Costa, Wendel Melo Prudêncio de Araújo, Ailton Lopes de Sousa, Obedio de Sousa Albuquerque, Renan do Socorro dos Santos Borges, Gilberto de Melo Júnior
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.
