Projeto de diplomação : fusão de sensores aplicada à manutenção inteligente

A liquidez de capital é um elemento fundamental na economia mundial. Por esse motivo, todos os gastos com investimentos, estoques, insumos, matéria-prima, vêm sendo observados detalhadamente e sendo otimizados da melhor maneira possível, de forma a atingir o melhor balanço financeiro possível. A manutenção de equipamentos é responsável por parte do custo de operação de qualquer empresa. Peças de reposição podem ter prazos de entrega exagerados, o que leva as empresas a criar um estoque de peças, temendo que uma falha venha a interferir em suas entregas, comprometendo todo o Supply Chain. Nesse contexto é que as tecnologias de manutenção vêm se desenvolvendo. Os processos surgiram naturalmente através da necessidade e ainda continuam em evolução. A evolução exige que, cada vez mais, o processo de manutenção não interfira no processo produtivo, garantindo a disponibilidade de equipamentos, através da programação das atividades.O desenvolvimento da área de instrumentação, da eletrônica, dos softwares, permitiu que fossem desenvolvidos sistemas capazes de estimar, através de processamento de sinais, o nível de degradação dos sistemas. Técnicas como Transformada de Fourier, filtragem, regressão logística já são utilizadas com sucesso para detectar e prevenir falhas em equipamentos. Essas tecnologias permitem que seja feito o monitoramento de condições físicas, tomada de decisões, fornecimento de diagnóstico de falhas. É com essa motivação que o projeto de diplomação de fusão de sensores aplicada à manutenção inteligente visa estabelecer uma metodologia de manutenção inteligente, que seja capaz de estimar o comprometimento de um sistema permitindo, assim, a redução de peças de estoque, que impacta diretamente no balanço financeiro da empresa, e aumentando a confiabilidade do sistema produtivo e garantindo a melhor utilização da vida útil dos equipamentos. O sistema proposto opera com fusão de sensores, reamostragem, Wavelet package energy, e regressão logística para identificação das falhas em tempo real. Apresenta um payback descontado de 3,3 anos e o resultado da regressão logística com fusão de sensores apresentou um erro de regressão de 10−15para as falhas para as quais o sistema foi treinado.The capital liquidity is an essential element in modern World economy. For this reason, all the expenses on investments, inventories, supplies, raw material, are being closely observed and optimized on the best possible way in order to achieve a better financial statement. Equipment maintenance is partly responsible for the business operating cost. Spare parts may be subject of long-term delivery which forces companies to build a parts inventory, fearing that a critical failure could interfere on delivery time and therefore, compromising the whole supply chain. Maintenance technologies are being developed on this context. The methods where naturally developed out of necessity and are still evolving. The increasingly development of new maintenance techniques requires that the maintenance process itself does not interfere in the production process, ensuring the availability of equipment through the programming of activities. The development of areas like instrumentation, electronics, software, served as mean to the creation of systems that can estimate the level of equipment degradation through signal processing. Techniques such as Fourier Transform, Filtering, Logistic Regression area can already serve as tools to detect and prevent equipment failures. These technologies support the monitoring of physical conditions, decision-making, fault diagnosis. Based on this scenario that the motivation to this graduation project emerged. It aims to establish a methodology for intelligent maintenance capable of estimating the aging of parts and systems in order to motivate a reliable reduction on spare parts volume. This reduction will result in better financial statement, the increasing of production system reliability and the ensuring of the best use of equipment life. The developed system uses resampling, wavelet package energy and logistic regression to identify failures in real time. It has a discounted payback of 3,3 years and a logistic regression error of 10−15 for failures for which it was trained