To what extent is the implementation of tree-based models effective and feasible in predictive maintenance under Industry 4.0?

Resumo

A tecnologia dispon´ıvel na Ind´ustria 4.0, combinada com as t´ecnicas de apren dizagem de m´aquinas em constante evolu¸c˜ao, permitiram aos gestores e interve nientes dos sectores de fabrico, transporte e log´ıstica prever a probabilidade dassuas m´aquinas falharem com uma fiabilidade sem precedentes. Embora os modelosde aprendizagem de m´aquinas se tenham tornado altamente complexos nos ´ultimosanos, os modelos baseados em ´arvores a partir de Arvores de Decis˜ao para Ran- ´dom Forests e modelos de refor¸co, continuam a existir no meio acad´emico devido `asua viabilidade, interpreta¸c˜ao e mesmo efic´acia. O objectivo deste estudo ´e captara relevˆancia de tais modelos no mundo real e se vale a pena investir neles. Paraorientar o processo de constru¸c˜ao de modelos baseados em ´arvores, ser´a utilizadoo Processo Padr˜ao Cruzado de Minera¸c˜ao de Dados (CRISP-DM) para compreen der o neg´ocio, bem como os dados, preparar os dados, criar e avaliar os modelos,e construir uma estrat´egia de implanta¸c˜ao de uma forma iterativa e flex´ıvel. Umconjunto de dados sint´eticos que simulava os dados dos sensores de uma fresadorafoi utilizado para a investiga¸c˜ao, e os resultados atrav´es de m´ultiplas t´ecnicas deavalia¸c˜ao, indicaram que o modelo de impulsionamento, XGBoost, superou os mod elos de Random Forests, Arvore de Decis˜ao, e Regress˜ao Logística. Embora os ´modelos de outras pesquisas tenham superado o XGBoost, contudo, o XGBoost,juntamente com as Random Forests, s˜ao aconselhados a serem ainda tomados emconsidera¸c˜ao devido `a sua viabilidade de serem produzidos, treinados e interpreta dos, gerando ao mesmo tempo bons resultado.

Data de atribuição	26 jan. 2023
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Pedro Afonso Fernandes (Supervisor)