Motivação para participar:
- Como realizar a previsão de vida remanescente dos ativos a partir de dados de monitoramento?
- Como realizar extração de dados de registros diversos de manutenção, produção etc.?
- Como identificar as variáveis mais importantes para a vida de pneus de caminhões, correia de motores etc.?
- Como extrair dados de forma automática a partir dos ERP e registros de manutenção das empresas?
- O que possui dentro de um algoritmo de monitoramento de condição de equipamentos?
Ementa
1. Desafios diversos em manutenção, gestão de ativos, outras áreas e conceitos de machine learning
1.1. Predição de vida remanescente dos ativos e função de dados de monitoramento
1.2. Classificação da condição atual dos equipamentos
1.3. Extração de dados a partir de registros diversos em e-mails, comentários de mantenedores etc. (text mining)
1.4. Conceito de dados estruturados, semiestruturados e não estruturados
1.5. Grandes números, novas demandas
1.6. Os tipos de dados em aprendizado de máquinas, algoritmos comuns etc.
1.7. Visão geral de alguns modelos matemáticos e resultado de suas aplicações
2. Requisitos essenciais de matemática e funções do excel para passo-a-passo dos modelos de Machine learning
2.1. Revisão de métodos de otimização linear e não linear (Solver) usando Excel
2.2. Revisão de aplicação de teoria de regressões usando as funções do Excel
2.3. Visão geral de outras funções importantes do Excel para classificação e text-mining
3. Modelos matemáticos e algoritmos para predição de vida residual de equipamentos e outros problemas com valores numéricos (variáveis dependentes quantitativas)
3.1. Exemplos diversos em manutenção, gestão de ativos e outras áreas
3.2. Modelos de predição de vida dos elementos individuais de equipamentos que se degradam ao longo do tempo pela teoria de regressão (linear e não-linear)
3.3. Modelos de predição de equipamentos que se degradam ao longo do tempo a partir de N elementos monitorados
3.4. Modelos de predição de equipamentos sem monitoramento e com base somente na variabilidade de dados de vida (tempo até a falha)
3.5. Modelos para previsão de vida remanescente usando dados de monitoramento de análise de óleo
3.6. Modelos para previsão de vida remanescente usando dados de monitoramento de temperatura de componentes
3.7. Modelos para previsão de vida remanescente usando dados de monitoramento de vibração de componentes
3.8. Modelos para previsão de vida remanescente usando outros tipos de dados de monitoramento
3.9 Modelo para otimização do momento de substituição em função de níveis críticos das variáveis monitoradas para minimizar custo
4. Modelos matemáticos e algoritmos para predição de condição de equipamentos e outros problemas de classificação (variáveis dependentes qualitativas) de objetos
4.1. Exemplos diversos de problemas de classificação em manutenção, gestão de ativos e outros
4.2. Conceitos básicos de algoritmos de classificação de objetos em diferentes grupos
4.3. Modelos para classificação de condição de equipamentos em relação à proximidade de falhas usando-se teoria de regressão logística
4.4. Modelo para classificação de condição de equipamentos usando-se teoria de probabilidade condicional de Bayes
4.5. Modelo para classificação de condição usando-se teoria de análise discriminante
4.6. Modelo para classificação de condição usando-se teoria de análise de redes neurais
5. Modelos matemáticos e algoritmos para identificação de agrupamentos (clusters) de objetos
5.1. Exemplos diversos de problemas de agrupamentos em manutenção, finanças, operações etc.
5.2. Modelo para agrupamento de objetos pela teoria de atualização das médias de centróides (K-means)
5.3. Modelo para agrupamento de objetos pela teoria dos K vizinhos mais próximos (K-NN)
6. Modelos matemáticos e algoritmos para análise de associação entre objetos
6.1. Exemplo de problemas de associação de objetos, detecção de performance etc.
6.2. Conceitos de análise de associação entre objetos em manutenção, gestão de ativos e outros
6.3. Modelo para análise de associação em compras diversas e recomendação de produtos
6.4. Modelos para análise de associação e recomendação de produtos tipo Netflix, Amazon e outros.
7. Modelos matemáticos e algoritmos para identificação de textos típicos de usuários (text mining)
7.1. Exemplos diversos de soluções de mineração de texto em manutenção e gestão de ativos
7.2. Conceitos de análise de sentimento de usuários
7.3. Conceito de análise de intenção de usuários
7.4. Descrição de principais elementos de um modelo processamento de texto (NLP)
7.5. Modelo de text mining para análise de satisfação de clientes de uma rede de prestadores de serviços
7.6. Modelo para análise de satisfação de clientes de uma concessionária de energia elétrica
8. Modelos matemáticos e algoritmos para identificação de imagens diversas
8.1. Exemplos de problema de reconhecimento de padrões em imagens
8.2. Conceitos de identificação de padrões em imagens diversas
8.3. Modelo passo-a-passo para reconhecimento de imagens diversas
9. Discussões gerais e comentários aos questionamentos de participantes
Instrutores:
GABRIEL ALVES DA COSTA LIMA: PhD. (CREA/SP 5061919417). Diversos trabalhos de consultoria em empresas como VALE, PETROBRAS, SYNGENTA, CARIOCA-NIELSEN ENGENHARIA, FERBASA, dentre outras. Desde 2003 realiza treinamentos nas áreas de confiabilidade, risco, LCC, engenharia econômica, otimização em manutenção para empresas como ANGLO AMERICAN, CSN, VALE, METRO-SP, METRO-RJ, ITAU, DURATEX, KINROSS, dentre outras. Coordenou 13 projetos de P&D de empresas do setor de petróleo e elétrico (AES, COMGÁS, BROOKFIELD RENEWABLE e PETROBRAS)
ALBERTO MAGNO TEODORO FILHO: Engenheiro de Produção formado pela Universidade Federal de São Carlos (2011), Mestre em Engenharia de Produção e Manufatura pela UNICAMP.
Atua na área de Confiabilidade e Análise de Risco na empresa Aremas desde 2010. Ministrou treinamento e/ou participou de trabalho de consultoria para empresas como Alcoa, Anglo American, Carioca-Nielsen Engenharia, Electrolux, Metso, Sabic, Samarco, Syngenta, Tetra Pak e Vale.
Dúvidas – FAQ
- Certificado: Será fornecido a todos participantes
- Material Disponibilizado: Disponibilizaremos os slides do treinamento e exercícios realizados em formato pdf. e xlx.
- Horários: O treinamento online tem previsão de início às 8:30, com intervalos de 10 a 15 minutos de coffee. Almoço as 12:00 até as 13:30, com encerramento previsto as 17:30.
- Ambiente Virtual: A Plataforma online utilizada será a do Goole MEET.
