ISSN 2594-5335
25° Seminário de Automação e TI — vol. 25, num.25 (2023)
Título
Autoria
DOI
Downloads
Resumo
Este trabalho apresenta um estudo de caso que permitiu escalar a produtividade nos processos de desenvolvimento de soluções de manutenção preditiva, utilizando técnicas e ferramentas de aprendizado de máquina. Ao comparar o esforço para desenvolver um protótipo em Python com o uso de ferramenta visual para desenvolvimentos analíticos, conseguimos acelerar a modelagem e a escalabilidade das soluções em mais de 10 vezes, alcançando resultados de modelo semelhantes. Os ganhos de produtividade e gerenciamento de soluções permitiram o desenvolvimento e implantação de 44 modelos em apenas 9 meses, quando comparado a apenas um modelo protótipo em seis meses usando bibliotecas de código aberto com Python. Os ganhos foram percebidos pelas equipes de modelagem e especialistas em manutenção envolvidos, acelerando a adoção da tecnologia preditiva e permitindo economias financeiras
This work presents a case study that allowed productivity in the scaling process of developing predictive maintenance solutions, using machine learning techniques and tools. By comparing the effort to develop a prototype in Python with the use of low-code/no-code analytics tool, we were able to accelerate the modeling and scalability of solutions by more than 10 times, achieving similar model results. The productivity gains and solution management allowed the development and deployment of 44 models in just 9 months, when compared to just one prototype model in six months using open-source libraries with Python. These gains were noticed by the modeling teams and maintenance experts involved, accelerating the adoption of predictive technology while enabling savings
Palavras-chave
Manutenção preditiva; Detecção de anomalias
Predictive maintenance; Anomaly detection; Outlier detection
Como citar
Carmo, Marcelo Magalhaes do;
Menezes, Ricardo Pimenta de;
Albani Junior, Severino;
Valente, Fabio Feu Rosa;
Valle, Sergio.
DESENVOLVENDO EM ESCALA INDUSTRIAL MODELOS PARA MANUTENÇÃO PREDITIVA NA SIDERURGIA
,
p. 385-398.
In: 25° Seminário de Automação e TI,
São Paulo,
2023.
ISSN: 2594-5335
, DOI 10.5151/2594-5335-40432
