In the last years we have assisted to several and deep changes in industrial manufacturing.
Many industrial processes are now automated in order to ensure production quality and to minimize
costs. Currently, manufacturing companies have been collecting and storing increasingly larger
amouts of accurate and relevant production data. The stored data offer enormous potential,
providing a source of new knowledge. However, the huge amount of data and its complexity is not
consistent in many cases with the ability to analysing ability .
Data mining has emerged as an important tool for knowledge acquisition from
manufacturing databases. Data mining technology presents an opportunity to increase significantly
the rate at which the volume of data can be turned into useful information. However, the use of
accumulated data has been limited, which has led to the “rich data but poor information” problem.
In this work, a data mining tool named RapidMiner is used to create and apply different data mining
prediction algorithms to maintenance and condition monitoring data. Their accuracy in the
discovery of patterns and also the accuracy of predictions is compared. This tool is integrated with
an online system which collects data using automatic agents and presents all the results to the
maintenance teams in an comprehensible way. The remote data collection is based on an intricate
system of distributed agents, which, given its nature, will be responsible for remote data collection
through a functional architecture. The purpose of the prediction algorithms applied is to forecast
future values based on present records, in order to estimate the possibility of a machine
breakdown, and therefore to support maintenance teams in planning appropriate measures to
avoid failures or to mitigate their effects.
The main contributions of this work are (i) the definition of a system architecture; (ii) the
creation of an data mining prototype system using a data mining tool named RapidMiner v.5.3.15.
Nos últimos anos, temos assistido a várias e profundas alterações na produção industrial.
Muitos processos industriais estão agora automatizados com o objetivo de garantir a qualidade da produção e minimizar os seus custos. Atualmente, as organizações têm vindo a recolher e armazenar quantidades cada vez maiores de dados relevantes e precisos dos seus processos de
produção. Este armazenamento de dados oferece um enorme potencial, constituindo uma fonte de novo conhecimento. No entanto, a elevada quantidade de dados e a sua complexidade não se coaduna em muitos casos com a capacidade de analisá-los, e torna-se necessária a utilização de técnicas de análise automatizadas.
O data mining emerge como uma importante ferramenta no processo de aquisição de
conhecimento a partir de dados provenientes do processo produtivo. Apresenta uma oportunidade de aumento significativo da capacidade de transformação de elevados volumes de dados em
informação útil. O uso cumulativo de dados tem sido limitado, o que conduz ao problema de "fontes de dados ricas, mas pobres em informação". Neste trabalho, através da utilização da ferramenta de data mining RapidMiner, são aplicados diferentes algoritmos a dados de manutenção e de monitorização da condição de determinados equipamentos existentes em diferentes linhas de produção. Os algoritmos aplicados são comparados quanto à exatidão obtida na descoberta de padrões e nas predições efetuadas. A recolha de dados baseia-se num sistema de agentes distribuídos, o que, dada a sua natureza, será responsável pela recolha de dados através de uma arquitetura funcional. O uso de data mining está integrado num sistema on-line capaz de recolher dados através da utilização de agentes automáticos, apresentando os resultados obtidos às diferentes equipas de manutenção, de forma facilmente compreensível. O objetivo dos algoritmos de predição desenvolvidos é de prever valores futuros com base em registos de valores
presentes, a fim de estimar a possibilidade da falha de uma determinada máquina e, desta forma,apoiar as equipas de manutenção no planeamento de medidas adequadas para evitar falhas ou para mitigar os seus efeitos.
As principais contribuições deste trabalho são: (i) definição da arquitetura de um sistema funcional de predição de avarias, (ii) a criação de um protótipo de data mining utilizando para tal a ferramenta RapidMiner v.5.3.15.
