DECAT - Departamento de Controle e Automação
URI permanente desta comunidadehttp://www.hml.repositorio.ufop.br/handle/123456789/490
Navegar
2 resultados
Resultados da Pesquisa
Item Classificação de falhas em processo industrial de mineração a partir de uma representação fuzzy de séries temporais : estudo de caso em uma usina de Carajás (S11D).(2022) Fernandes, Gabriel Vinicios Moreira; Guimarães, Frederico Gadelha; Reis, Agnaldo José da Rocha; Guimarães, Frederico Gadelha; Reis, Agnaldo José da Rocha; Rêgo Segundo, Alan Kardek; Silva, Rodrigo César Pedrosa; Mozelli, Leonardo AmaralO Brasil é um dos mais importantes produtores de minérios do mundo e com potencial para crescer ao longo dos anos. O setor de mineração demanda a adoção de tecnologia da informa- ção para o desenvolvimento de sistemas especializados que permitam uma melhor eficiência da produção. O mercado de mineração deve aderir a inovação para automação de tarefas repeti- tivas, integração de sistemas, melhoria contínua de processos, redução de riscos de desastres e adaptação ao contexto global. Nesta perspectiva, o estudo implementou inteligência artificial para classificar falhas de sensores na britragem secundária na Usina A do Projeto Ferro S11D, da Empresa Vale, localizada em Canaã dos Carajás, Pará, região Norte do Brasil. O trabalho de pesquisa testou modelos matemáticos, desenvolveu uma metodologia com modelos Fuzzy Time Series e classificador baseado em arvore de decisão e obteve-se resultados com dados co- letados da respectiva Planta O resultado deste estudo contribuiu para o desempenho da plantas de beneficiamento de minério de ferro, melhorou a eficiência do sistema de britagem, reduziu paradas inesperadas e mitigou irregularidades no processo produtivo. O resultado obtido com a metodologia proposta foi o aumento da acurácia de 79,3% para 98,9% e f-score de 58,8% para 98,9%.Item Previsão de falta de equipamento de carga para frota de transporte com base em aprendizado de máquina.(2022) Cordeiro, Guilherme Gouveia; Guimarães, Frederico Gadelha; Souza, Marcone Jamilson Freitas; Guimarães, Frederico Gadelha; Souza, Marcone Jamilson Freitas; Reis, Agnaldo José da Rocha; Bessani, MichelUm 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.