English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Predictive maintenance can be used for the optimization of machine availability, reducing maintenance costs, improving quality management and decision-making. This paper proposes the use of 5 time-series forecasting methods, being two classical approaches: Exponential Smoothing and Autoregressive Integrated Moving Average (ARIMA); and three based on machine learning: Radial Basis Function Neural Networks (RBF-NN), Support Vector Regression (SVR), and Long-Short Term Memory (LSTM). The meta-parameters of the models were optimized using Differential Evolution (DE) algorithm. In the presented analysis, a quality inspection database from an automaker factory floor was presented. The main idea was to predict deviations from tolerance, anticipating corrective actions in the production process. As a result, it was possible to compare the efficiency of the 5 models in relation to three time series analyzing their characteristics, strengths and drawbacks. Resumo: A manutenção preditiva pode ser usada na otimização da disponibilidade de máquinas, redução de custos de manutenção, gestão da qualidade e processo de tomada de decisões. Neste trabalho realizouse o estudo de 5 modelos de previsão de séries temporais, dois clássicos: Suavização Exponencial e Autorregressivo Integrado de Médias Móveis (ARIMA), e três baseados em aprendizado de máquina: Rede Neural de Base Radial (RBF-NN), Regressão por Vetores de Suporte (SVR) e Memória de Curto e Longo Prazo (LSTM). Os meta-parâmetros dos modelos foram otimizados usando o algoritmo de Evolução Diferencial (DE). A base de dados utilizada neste estudo é proveniente da inspeção da qualidade no chão de fábrica de uma montadora. Neste contexto, a ideia principal foi prever desvios relacionados à tolerância, antecipando ações de correção no processo produtivo. Como resultado, foi possível comparar a eficiência dos 5 modelos em relação a três séries temporais analisando suas características, vantagens e desvantagens.

Comparação de modelos de previsão voltados à manutenção preditiva na indústria automobilística a partir de dados de inspeção de qualidade