Machine learning, manutenção preditiva, sistemas de refrigeração
Equipamentos de refrigeração em ambientes da área da saúde ou para o armazenamento de produtos alimentícios são de extrema importância.
Um desvio significativo na temperatura desses equipamentos, seja por falha ou outro motivo, pode ser o suficiente para o completo descarte desses insumos.
Sistemas de monitoramento de temperatura podem coletar as temperaturas de tempos em tempos e notificar os responsáveis no caso de a temperatura ultrapassar os valores preestabelecidos. No entanto, esse mecanismo é reativo.
Neste trabalho, se pretende aplicar técnicas de aprendizado de máquina para predizer falhas nesses tipos de equipamento, a fim de antecipar uma falha e evitar perdas de insumos.
Existem trabalhos prévios que mostram que é possível predizer falhas nesses equipamentos observando somente a temperatura para o conjunto de dados estudado e assumindo algumas premissas. Neste trabalho pretende-se validar essa hipótese, assim como avaliar a medição de outras variáveis.
Se pretende também comparar técnicas de aprendizado como aprendizado supervisionado e não supervisionado, assim como bibliotecas específicas como a PYOD, COPOD ou TensorFlow.
Pretende-se elaborar um sistema de monitoramento remoto, via WiFi usando um ESP32 e um Raspebbery Pi, ou um servidor na nuvem, por exemplo.