Predição de falhas em equipamentos de refrigeração com técnicas de aprendizado de máquina

Abstract

Equipamentos de refrigeração em ambientes da área da saúde são de extrema importância para o armazenamento de insumos como medicamentos, sangue e vacinas. Um desvio significativo na temperatura desses equipamentos, seja por falha ou outro motivo, pode ser o suficiente para o completo descarte desses insumos. Sistemas de monitoramento de temperatura podem coletar as temperaturas de tempos em tempos e notificar os responsáveis no caso de a temperatura ultrapassar os valores preestabelecidos. No entanto, esse mecanismo é reativo. Neste trabalho, são apresentadas técnicas de aprendizado de máquina para predizer falhas nesses tipos de equipamento, a fim de antecipar uma falha e evitar perdas de insumos. Os resultados desse trabalho mostram que é possível predizer falhas nesses equipamentos observando somente a temperatura para o conjunto de dados estudado e assumindo algumas premissas. No decorrer desse trabalho, são comparadas técnicas de aprendizado de máquina e são mostrados os aspectos do desenvolvimento de algoritmos para a tarefa.

Abstract: Refrigeration equipments in the health sector are of extreme importance for storing contents such as medicine, blood and vaccines. A significant change in the equipment s temperature, either because of failure or any other reason, may be sufficient for discarding the stored products. Temperature monitoring systems can collect temperature data in regular intervals and generate an alert if the temperature surpasses a predetermined range, however this logic is reactive. In the present work, we study machine learning techniques for predicting failures in refrigeration systems in order to avoid product losses. The results of this work show that it is possible to predict failures in the equipments of the obtained data set by only observing the temperature and considering some premises. In the following of this work, we compare machine learning techniques and show the development aspects of the algorithms for the task.