PREVISÃO DE FALHAS EM MANCAIS DE ROLAMENTO UTILIZANDO DIGITAL TWIN E APRENDIZADO DE MÁQUINA
Digital Twin (DT). Machine Learning. K-means. RNA.
O trabalho em questão visa resolver o desafio da falha prematura dos mancais de rolamento em um redutor de um laminador de barras na siderúrgica Gerdau – Usina Barão de Cocais. A abordagem proposta baseia-se em técnicas de machine learning, em particular a clusterização utilizando o algoritmo K-means e a aplicação de redes neurais artificiais (RNA) para predição e monitoramento proativo. O estudo ressalta a importância de prever falhas em equipamentos industriais críticos para garantir a eficiência operacional e evitar paralisações inesperadas. Além disso, o conceito de Digital Twin (DT) é introduzido como uma ferramenta fundamental no processo, permitindo a simulação e monitoramento em tempo real do sistema físico, o que contribui para a antecipação de potenciais problemas. A metodologia aplicada incluiu a execução de vários testes de RNA, explorando diferentes funções de ativação, número de neurônios na camada oculta, métricas de perda e otimizadores. A análise das matrizes de confusão desempenhará um papel fundamental nesse processo, fornecendo insights valiosos sobre a performance do modelo e indicando possíveis melhorias ou ajustes necessários.