Previsão de falta de equipamento de carga para frota de transporte com base em aprendizado de máquina.

Simple item page
dc.contributor.advisorGuimarães, Frederico Gadelhapt_BR
dc.contributor.advisorSouza, Marcone Jamilson Freitaspt_BR
dc.contributor.authorCordeiro, Guilherme Gouveia
dc.contributor.refereeGuimarães, Frederico Gadelhapt_BR
dc.contributor.refereeSouza, Marcone Jamilson Freitaspt_BR
dc.contributor.refereeReis, Agnaldo José da Rochapt_BR
dc.contributor.refereeBessani, Michelpt_BR
dc.date.accessioned2022-10-05T21:01:58Z
dc.date.available2022-10-05T21:01:58Z
dc.date.issued2022pt_BR
dc.descriptionPrograma de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.pt_BR
dc.description.abstractUm desafio vigente na gestão de frota do setor de mineração é a predição de eventos de falhas de processo, devido à alta quantidade de parâmetros de influência internos (como quebra de equipamentos), externos ao processo (como intempéries) e de interface (como parada de britagem). Este trabalho trata do desenvolvimento de uma abordagem de aprendizado de maquina para previsão da quantidade de horas por dia do evento Falta de Equipamento de Carga para a frota de transporte utilizando dados de despacho. O modelo aplicado foi o Random Forest variando o numero de árvores entre 20, 50 e 100. Realizou-se a seleçãoo de atributos por meio de Backward Elimination para a redução de 20 para 5 parâmetros. A métrica utilizada para avaliação dos modelos foi o coeficiente de correlação (R). Dados de operação real foram utilizados para construção do modelo contendo ao final do trabalho 11,7 milhões de registros em 2 anos de coleta. Os resultados apontaram através do teste de Shapiro-Wilk e T-Welch que os modelos de 20, 50 e 100 árvores eram equivalentes, os coeficientes de correlação médio foram respectivamente 0,768, 0,773 e 0,773 que após a ampliação da massa de dados de 860 mil para 11,7 milhões de registros chegaram a 0,809, resultados melhores do que o valor de 0,35 obtido com o método regressão linear, atualmente utilizado pela área. Assim, o uso do aprendizado de máquina através do Random Forest apresentou bons resultados e aplicabilidade para predições e classificações de eventos da gestão de frota na indústria de mineração.pt_BR
dc.description.abstractenA current challenge in fleet management in the mining industry is the prediction of process failure events, due to the high number of internal influence parameters (such as equipment breakage), external to the process (such as bad weather) and interface (such as shutdown of crushing). This paper deals with the development of a machine learning approach to predict the amount of hours per day in Lack of Load Equipment event for the transport fleet using dispatch data. The model applied was the Random Forest varying the number of trees between 20, 50, and 100. Backward Elimination was performed to reduce the number of attributes from 20 to 5. The metric used to evaluate the models was the correlation factor (R). Real operation data was used to build the model containing 11,700,000 records gathered for 2 years. The results of the Shapiro-Wilk and T-Welch tests showed that the models of 20, 50, and 100 trees were equivalent, the average correlation coefficients were respectively 0.768, 0.773, and 0.773 that after expand the data mass from 860 thousands to 11.7 million records reached 0.809; better than the value of 0.35 obtained with the linear regression method currently used by the area. Thus, the use of machine learning through Random Forest showed good results and applicability for predictions and classifications of events in fleet management in the mining industry.pt_BR
dc.identifier.citationCORDEIRO, Guilherme Gouveia. Previsão de falta de equipamento de carga para frota de transporte com base em aprendizado de máquina. 2022. 43 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2022.pt_BR
dc.identifier.urihttp://www.repositorio.ufop.br/jspui/handle/123456789/15599
dc.language.isopt_BRpt_BR
dc.rightsabertopt_BR
dc.rights.licenseAutorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 06/09/2022 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite o uso para fins comerciais.pt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/us/*
dc.subjectMinas e mineraçãopt_BR
dc.subjectIndústria mineralpt_BR
dc.subjectProcessos de fabricação - automaçãopt_BR
dc.subjectTeoria da previsãopt_BR
dc.subjectAprendizado do computadorpt_BR
dc.titlePrevisão de falta de equipamento de carga para frota de transporte com base em aprendizado de máquina.pt_BR
dc.typeDissertacaopt_BR
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
DISSERTAÇÃO_PrevisãoFaltaEquipamento.pdf
Size:
2.19 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
PROFICAM - Mestrado (Dissertações)