[pt] A Indústria 4.0 (I4.0) e a transformação digital estão revolucionando a
manutenção nas indústrias, impulsionando-a rumo a uma abordagem mais
inteligente e proativa, conhecida como manutenção inteligente (smart maintenance
– SM). Recentemente vive-se a transição para a Manutenção 4.0, em que decisões
baseada em dados e análises avançadas trazidas com a SM permitem aumentar a
eficiência, reduzir os custos operacionais e têm um grande impacto no desempenho
operacional. Com a crescente digitalização dos processos e a disponibilidade de
novas tecnologias, as decisões estão se tornando mais inteligentes, o que requer ter
um processo de tomada de decisão estruturado. No entanto, tomar decisões
gerenciais pode ser complexo devido a múltiplos critérios e pontos de vista
envolvidos. Por exemplo, podem existir trade-offs e prioridades competitivas
diferentes entre equipes funcionais como de manutenção, de produção e financeira.
Nessa perspectiva, é crucial ter uma metodologia que combine esses aspectos
conflitantes e, na era da Manutenção 4.0, a consideração de múltiplos critérios e
pontos de vista, justifica a necessidade de um framework de apoio a decisão que
combine técnicas de apoio multicritério a decisão (multi-criteria decision making -
MCDM) e Machine Learning (ML). A partir da revisão de escopo observou-se a
ausência de metodologias (e frameworks) de apoio a decisão combinando essas
abordagens em estudos empíricos e em países emergentes. Diante disso, a presente
pesquisa propoe aplicar um framework de apoio à decisão para SM em empresa de
manufatura brasileira. Como método empírico foi realizado um estudo de caso,
utilizando dados reais de manutenção, observação participante e entrevistas, além
de análise documental. Uma abordagem multicritério híbrida é proposta por meio
dos métodos AHP, MOORA, MULTIMORA e de Borda com dados qualitativos e
quantitativos, para resolver um problema de ranking de impressoras para fazer parte
do início das manutenções preditivas. A implementação computacional compõem
a metodologia ocorreu em Python. Ao final foi possível observar que a combinação
de MCDM e ML pode ser uma abordagem eficaz para aprimorar a tomada de
decisão na manutenção, considerando a complexidade dos dados envolvidos. / [en] Industry 4.0 (I4.0) and digital transformation are revolutionizing maintenance in
industries, pushing it towards a more intelligent and proactive approach, known as
smart maintenance (SM). Recently, the transition to Maintenance 4.0 has been
experienced, where maintenance decisions based on data and advanced analytics
brought about by SM make it possible to increase efficiency, reduce operating costs
and have a major impact on operational performance. With the increasing
digitalization of processes and the availability of new technologies, decisions are
becoming smarter, which requires having a structured, data-driven decision-making
process for efficient decisions. However, making management decisions can be
complex due to the multiple criteria and points of view involved. For example, there
can be trade-offs and different competing priorities between functional areas such
as maintenance, production and finance. From this perspective, it is crucial to have
a methodology that combines these conflicting aspects, and in the Maintenance 4.0
era, the consideration of multiple criteria and points of view justifies the need for a
decision support framework that combines multi-criteria decision making (MCDM)
and Machine Learning (ML) techniques. A scoping review showed that there is a
lack of decision support methodologies (and frameworks) combining these
approaches in empirical studies and in emerging countries. In view of this, this
research aims to propose and apply a decision support framework for MS in a
Brazilian manufacturing company. A case study is used as the empirical method,
using real maintenance data, participant observation and interviews, as well as
document analysis. A hybrid multi-criteria approach is proposed using AHP,
MOORA, MULTIMORA and Borda methods with qualitative and quantitative
data, to solve a problem of ranking printers to be part of the start of predictive
maintenance. The computational implementation of the approaches that make up
the methodology took place in Python. At the end of the research, it was possible
to observe that the combination of MCDM and ML can be an effective approach to
improve decision-making in asset maintenance, considering multiple criteria and
the complexity of the data involved.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:66631 |
| Date | 13 May 2024 |
| Creators | JAQUELINE ALVES DO NASCIMENTO |
| Contributors | RODRIGO GOYANNES GUSMAO CAIADO, RODRIGO GOYANNES GUSMAO CAIADO, RODRIGO GOYANNES GUSMAO CAIADO |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0024 seconds