Algoritmos de aprendizado de máquina para previsão de tempo da manutenção de vagões.

Abstract

A análise do planejamento de manutenção, com o objetivo de criar predições sobre a capacidade produtiva, é uma importante aliada na gestão industrial. A Engenharia de Métodos dispõe da ferramenta denominada cronoanálise, utilizada desde 1856, para avaliar a capacidade industrial. Essa ferramenta tem como base a cronometragem e análise subjetiva de várias atividades envolvidas nas atividades de produção da manutenção. Contudo, o próprio processo de cronometragem tende a afetar o tempo de execução, comprometendo a sua estimativa. Nesse contexto, este trabalho investiga a aplicação de métodos baseados em aprendizado de máquina para a avaliação da capacidade de restaurar vagões em oficinas da MRS Logística, e, ainda, comparar com a aplicação da cronoanálise utilizada atualmente pela empresa. Para tal, foram disponibilizados dados de 2019 sobre a manutenção de vagões. Esses dados serviram para a construção dos modelos de predição desta pesquisa. Foram reservados os dados de nove meses para treinamento, de três meses para testes e também realizou-se a validação cruzada utilizando cinco subdivisões. Com o auxílio do planejamento de experimentos e testes estatísticos de Friedman e Nemenyi, foi possível constatar que, os algoritmos de aprendizado de máquina, são capazes de produzir modelos com melhor qualidade quando combinados com a cronoanálise na liberação de vagões restaurados, comprovado pelas métricas denominadas Erro Médio Absoluto e Raiz Quadrada do Erro Médio.