Utilize este identificador para referenciar este registo: http://hdl.handle.net/10071/20241
Autoria: Silva, João Pedro Gonçalves da
Orientação: Ferreira, João Carlos
Data: 9-Dez-2019
Título próprio: A predictive maintenance approach based in big data analysis
Referência bibliográfica: SILVA, João Pedro Gonçalves da - A predictive maintenance approach based in big data analysis [Em linha]. Lisboa: ISCTE-IUL, 2019. Dissertação de mestrado. [Consult. Dia Mês Ano] Disponível em www:<http://hdl.handle.net/10071/20241>.
Palavras-chave: Industry 4.0
Predictive maintenance
Big data
Data mining
Indústria 4.0
Manutenção preditiva
Resumo: With the evolution of information systems, the data flow escalated into new boundaries, allowing enterprises to further develop their approach to important sectors, such as production, logistic, IT and especially maintenance. This last field accompanied industry developments hand in hand in each of the four iterations. More specifically, the fourth iteration (Industry 4.0) marked the capability to connect machines and further enhance data extraction, which allowed companies to use a new data-driven approach into their specific problems. Nevertheless, with a wider flow of data being generated, understanding data became a priority for maintenance-related decision-making processes. Therefore, the correct elaboration of a roadmap to apply predictive maintenance (PM) is a key step for companies. A roadmap can allow a safe approach, where resources may be placed strategically with a ratio of low risk and high reward. By analysing multiple approaches to PM, a generic model is proposed, which contains an array of guidelines. This combination aims to assist maintenance departments that wish to understand the feasibility of implementing a predictive maintenance solution in their company. To understand the utility of the developed artefact, a practical application was conducted to a production line of HFA, a Portuguese Small and Medium Enterprise.
Através da evolução dos sistemas de informação (SI), o fluxo de dados atingiu novos limites, permitindo assim às empresas desenvolver diferentes focos e aplicar novas perspetivas nos departamentos fulcrais à sua atividade, tais como produção, logística e, mais especificamente, a manutenção. Esta última componente evolui paralelamente à indústria, evidenciando novos desenvolvimentos em cada iteração da mesma. Particularmente, a quarta revolução industrial destacou-se pela capacidade de conectar máquinas entre si e pela evolução posterior do processo de extração de dados. Assim, surgiu uma nova perspetiva focada na utilização dos dados extraídos para resolução de problemas. Consequentemente, esta inovação fomentou uma redefinição das prioridades nas decisões tomadas relativas à manutenção, dando primazia à compreensão dos dados gerados. Por conseguinte, a correta elaboração de um plano de implementação de manutenção preditiva (MP) destaca-se como um passo fulcral para as empresas. Este plano tem como objetivo permitir uma abordagem mais segura, possibilitando assim alocar os recursos estrategicamente, reduzindo o risco e potenciando a recompensa. Mediante a análise de múltiplas abordagens de MP, é proposto um modelo genérico que reúne um conjunto diretrizes. Este tem intuito de auxiliar os departamentos de manutenção que pretendem compreender a viabilidade da instalação de uma solução de MP na empresa. A fim de perceber a utilidade dos artefactos desenvolvidos, foi realizada uma aplicação prática do modelo numa pequena e média empresa (PME).
Designação do grau: Mestrado em Sistemas Integrados de Apoio à Decisão
Arbitragem científica: yes
Acesso: Acesso Aberto
Aparece nas coleções:T&D-DM - Dissertações de mestrado

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
Master_Joao_Goncalves_Silva.pdf2,22 MBAdobe PDFVer/Abrir


FacebookTwitterDeliciousLinkedInDiggGoogle BookmarksMySpaceOrkut
Formato BibTex mendeley Endnote Logotipo do DeGóis Logotipo do Orcid 

Todos os registos no repositório estão protegidos por leis de copyright, com todos os direitos reservados.