Análise preditiva de atendimento de falhas para gestão das operações de manutenção

Resumen

A gestão da manutenção é responsável por garantir a confiabilidade dos equipamentos nas organizações, sendo a antecipação de falhas uma tarefa importante deste setor. Logo, é preciso adotar técnicas adequadas que garantam resultados satisfatórios e embasem a tomada de decisão. Assim, esse artigo objetiva comparar diferentes modelos preditivos de Machine Learning para atendimento de falhas. Foram testados os modelos de Árvores de Decisão, Naive Bayes, Random Forest, K-Nearest Neighbors, Multilayer Perceptron, XGBoosting e Tree-based Pipeline Optimization Tool (TPOT). Tais modelos foram avaliados com as métricas de acurácia, precisão, recall, F1-score e curva ROC. O modelo XGBoosting destacou-se, alcançando acurácia de 89,7% e recall superior a 96% na base de teste. Além disso, o modelo TPOT apresentou alto desempenho na curva ROC, beneficiando-se de sua capacidade de otimização. Com isso, o estudo traz implicações positivas para a empresa ao evidenciar o modelo mais adequado para a previsão de falhas no setor.