Escolar Documentos
Profissional Documentos
Cultura Documentos
Trabalho de Estatística
19 de março de 2024
1 INTRODUÇÃO
1.1 JUSTIFICATIVA
A estatística contribui de forma expressiva no processo de tomada de decisões, visto
que grande parte do que é realizado se baseia em métodos quantitativos e qualitativos. A
partir da análise estatística é possível extrair informações, identificar padrões e tendências,
e tomar decisões embasadas em dados precisos. (IGNÁCIO, 2010)
A história da análise estatística na indústria remonta do século XX, quando
as indústrias passaram a se preocupar com a qualidade de seus produtos. Em 1924,
Walter A. Shewhart desenvolveu o controle estatístico de processos (CEP), uma forma
de monitoramento e controle da qualidade dos produtos em tempo real, utilizando dados
estatísticos. Nas décadas seguintes, a análise de dados passou também a ser utilizada nos
processos produtivos, permitindo a identificação de gargalos e a realização de melhorias,
evitando perdas na produtividade. (MARTINS et al., 2011)
Nesse sentido, o presente trabalho visa analisar um conjunto de dados de falhas em
máquinas utilizando técnicas estatísticas. O estudo relacionado às falhas em máquinas
é de suma importância na garantia da eficiência e segurança nos processos produtivos,
permitindo a identificação precoce de erros que poderiam levar ao atraso na produção,
perda de insumos, e o comprometimento da segurança. (RUTA et al., 2017)
O dataset escolhido foi o Mafaulda que é uma base de mineração de dados em
fluxo de sensores que mescla uma caracterização baseada na distribuição de dados com
raciocínio padrão, incluindo a causa raiz do problema, a duração do tempo de reparo, e
outras informações relevantes. Com a análise desses dados, é possível desenvolver modelos
preditivos para prever futuras falhas (LOBAO; PINTO, 2020).
Além disso, a pesquisa é justificada por demonstrar a importância da Inteligência
Artificial nos processos industriais. Além de auxiliar na análise de dados e detecção prévia
de problemas, a IA tem se consolidado na indústria pela automatização de processos,
realizando tarefas repetitivas e de risco sem intervenção humana constante. Dessa forma
é possível otimizar tempo, recursos e garantir a padronização, segurança e eficiência em
todos os processos.
Ademais, a IA pode também auxiliar no monitoramento do trabalho, alertando
sobre possíveis perigos e falhas de segurança. Também pode ajudar no treinamento de
funcionários e envio de feedbacks, verificando áreas que necessitam de correção. (SCHWAB,
2019)
À medida que a tecnologia continua a avançar, a Inteligência Artificial assume um
papel cada vez mais importante nas indústrias e nos processos produtivos em geral. Seu
uso, adicionado com a análise estatística, promove a melhoria contínua nos processos e a
maximização da eficácia, desempenho e proteção.
2 MATERIAIS E MÉTODOS
• 3 Acelerômetros Radiais
• 3 Acelerômetros Tri-Axiais
• 1 Tacômetro
• 1 Microfone
A captação foi feita por um período de 5 segundos, a uma taxa de 50 khz, gerando
250 mil leituras por arquivo, para cada estado de operação. O dataset Mafaulda completo
é composto por 10 diferentes estados de operação, função do escopo do presente trabalho
foram utilizados apenas 4 condições de operação e um único arquivo de leitura para cada
estado, conforme a tabela 1 abaixo: As falhas por desalinhamentos horizontal e vertical
foram simuladas com a instalação de calços nos suportes dos mancais, por sua vez, a
falha por desbalanceamento foi produzida utilizando massas de 6 a 35 gramas no eixo. A
figura 2 apresenta de maneira esquemática os tipos de falhas simulados no experimento e
analisados nesse trabalho. Os modos de operação representam as variáveis qualitativas
nominais da analise enquanto que as medições dos oito sensores representam as variáveis
quantitativas continuas do problema.
A figura 3 trás em formato de gráfico de pontos os valores das médias dos oito
sensores para os quatro estados de operação. É possível notar que o Sensor 7, Tacômetro,
foi o que apresentou a maior variação de valores de media, em uma breve inferência,
é possível interpretara que os desalinhamentos desaceleraram e afetaram a velocidade
de rotação do motor. Ao analisar os sensores 1, 3, 4, 6 e 8, respectivamente, os dois
acelerômetros radiais, dois acelerômetros triaxiais, e o microfone, apresentaram baixas
variações em razão dos desalinhamentos. Os sensores 2, acelerômetro radial, e sensor 5
acelerômetro tri-axial, apresentaram variações significativas que merecem mais analises,
excede o objetivo desse trabalho se aprofundar nesse ponto.
Figura 3 – Média dos oito sensores para os quatro Estados de Operação
LARSON, R.; FARBER, B.; CYRO. Estatística aplicada. [S.l.]: Prentice Hall, 2004.
Citado na página ii.
RUTA, M. et al. A coap-based framework for collaborative sensing in the semantic web
of things. Procedia Computer Science, Elsevier, v. 109, p. 1047–1052, 2017. Citado na
página iii.
SCHWAB, K. A quarta revolução industrial. [S.l.]: Edipro, 2019. Citado na página iii.