Análise de Dados para Apoiar a Tomada de Decisão na Gestão de Ativos de Energia Alupar
N/D
Autores
Cunha, Enzo Stefani Vita
Blasbalg, Felipe
Afrange, Jerônimo
Orientador
Co-orientadores
Citações na Scopus
Tipo de documento
Trabalho de Conclusão de Curso
Data
2024
Resumo
Este projeto consiste em colaborar no apoio à tomada de decisões dos operadores dos
ativos de energia da Alupar. O objetivo é desenvolver uma ferramenta que possa captar dados
e transformá-los em informações úteis, destacando novas características do processo ou
problema em estudo. Para o desafio da ferramenta do projeto, foi escolhida a análise da
incidência de falhas para manutenção preditiva nas bombas hidráulicas de drenagem da Usina
Hidrelétrica (UHE) de São José – RS. Dados como o nível de água e o histórico de operação
das bombas foram coletados para criar gráficos, permitir a identificação de tendências e
prever a necessidade de manutenção, enquanto as bombas ainda estão em funcionamento.
Com a limpeza e análise dos dados recebidos, foi possível criar um modelo de predição de
falhas com base em métodos de Machine Learning. Por fim, para garantir a organização do
grupo e alinhamento com a Alupar, utilizou-se o método de desenvolvimento Cascata durante
a construção da ferramenta, que segue uma abordagem estruturada e linear.
This project aims to support decision-making processes for energy asset operators at Alupar. The objective is to develop a tool capable of collecting data and transforming it into actionable information, highlighting new characteristics of the studied processes or problems. For the project's tool challenge, the focus was on analyzing the incidence of failures for predictive maintenance in the drainage hydraulic pumps of the São José Hydroelectric Plant (UHE) in Rio Grande do Sul, Brazil. Data such as water levels and the operational history of the pumps were collected to generate graphs, identify trends, and predict maintenance needs while the pumps remain operational. Through the cleaning and analysis of the received data, a failure prediction model was developed based on Machine Learning methods. Finally, to ensure group organization and alignment with Alupar, the Waterfall development method was employed during the tool's construction, following a structured and linear approach.
This project aims to support decision-making processes for energy asset operators at Alupar. The objective is to develop a tool capable of collecting data and transforming it into actionable information, highlighting new characteristics of the studied processes or problems. For the project's tool challenge, the focus was on analyzing the incidence of failures for predictive maintenance in the drainage hydraulic pumps of the São José Hydroelectric Plant (UHE) in Rio Grande do Sul, Brazil. Data such as water levels and the operational history of the pumps were collected to generate graphs, identify trends, and predict maintenance needs while the pumps remain operational. Through the cleaning and analysis of the received data, a failure prediction model was developed based on Machine Learning methods. Finally, to ensure group organization and alignment with Alupar, the Waterfall development method was employed during the tool's construction, following a structured and linear approach.
Palavras-chave
Tomada de decisão; Manutenção preditiva; Análise da incidência de falhas; Método Cascata; Bombas Hidráulicas; Decision-making; Predictive maintenance; Failure incidence analysis; Waterfall method; Hydraulic pumps
Titulo de periódico
URL da fonte
Título de Livro
URL na Scopus
Idioma
Português
Notas
Projeto realizado para a empresa Alupar - Mentor na empresa: Otto Hernadez
Membros da banca
Área do Conhecimento CNPQ
ENGENHARIAS
OUTROS::ENGENHARIA MECATRONICA
CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::ANALISE DE DADOS
OUTROS::ENGENHARIA MECATRONICA
CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::ANALISE DE DADOS