Key points are not available for this paper at this time.
Resumo: Em sistemas industriais modernos, a prevenção de falhas e o tempo de inatividade é de extrema importância para garantir eficiência e produtividade. Abordagens de manutenção proativa de sistemas aproveitam modelos de aprendizado de máquina (ML) para prever falhas potenciais antes que ocorram, permitindo que ações preventivas sejam tomadas. Neste artigo, apresentamos uma revisão abrangente da pesquisa existente sobre manutenção proativa de sistemas, focando no desenvolvimento e aplicação de algoritmos de ML para previsão e prevenção de falhas. Discutimos diversas técnicas de aprendizado de máquina, fontes de dados, métodos de engenharia de recursos e métricas de avaliação empregadas neste domínio. Além disso, propomos novos algoritmos e estratégias para aumentar a eficácia dos sistemas de manutenção proativa. Por meio de experimentação e estudos de caso, demonstramos a viabilidade e os benefícios da utilização de aprendizado de máquina para manutenção proativa em diversos contextos industriais.
Shivam Kumar (Qua,) estudou esta questão.