Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/16844
Files in This Item:
File Description SizeFormat 
izaqueestevesdasilva.pdfPDF/A7.88 MBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Braga, Regina Maria Maciel-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/7690593698223418pt_BR
dc.contributor.advisor-co1David, José Maria Nazar-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/3640497501056163pt_BR
dc.contributor.referee1Menezes, Victor Ströele de Andrade-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/7561791813071961pt_BR
dc.contributor.referee2Classe, Tadeu Moreira-
dc.contributor.referee2LattesTadeu Moreira Classept_BR
dc.creatorSilva, Izaque Esteves da-
dc.creator.Latteshttp://lattes.cnpq.br/1126371835687914pt_BR
dc.date.accessioned2024-07-17T13:38:28Z-
dc.date.available2024-07-17-
dc.date.available2024-07-17T13:38:28Z-
dc.date.issued2024-03-22-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/16844-
dc.description.abstractPredictive maintenance in Industry 4.0 and Industry 5.0 scenarios demands intelligent solutions that guarantee the sustainability of the industry in terms of its efficiency, minimizing costs associated with corrective maintenance. One of the challenges of predictive maintenance is making decisions based on data in an agile and assertive way. Connected sensors and equipment produce operational data that favors the use of intelligent processing techniques to enrich information and enable decision-making. Digital Twins (DTs) are a real-time representation of physical machines and generate data that predictive maintenance can use to make assertive and quick decisions. The main contribution of this work is the specification of a suíte of services for specifying DTs, DT-Create, focused on decision support in predictive maintenance. DT-Create is based on the use of intelligent techniques, semantic data processing, and self-adaptation. DT-Create was developed using the Design Science Research (DSR) methodology, through two development cycles and evaluated in two case studies, the first in the textile industry and the second in the metallurgical industry. The results demonstrated the feasibility of using DT-Create in specifying DTs considering the following aspects: (i) collection, storage and intelligent processing of data generated by sensors, (ii) enrichment of information through machine learning and ontologies, (iii) use of intelligent techniques to select predictive models that adhere to the available data set, and (iv) decision support and self-adaptation based on ontological processing.pt_BR
dc.description.resumoA manutenção preditiva nos cenários da Indústria 4.0 e da Indústria 5.0 demanda soluções inteligentes que garantam a sustentabilidade da indústria no que diz respeito a sua eficiência, minimizando custos associados à manutenções corretivas. Um dos desafios da manutenção preditiva é tomar decisões baseadas em dados de forma ágil e assertiva. Sensores e equipamentos conectados produzem dados operacionais que favorecem o uso de técnicas de processamento inteligente para enriquecer informações e permitir a tomada de decisão. Digital Twins (DTs) são uma representação em tempo real de máquinas físicas e geram dados que a manutenção preditiva pode utilizar a fim de tornar decisões assertivas e rápidas. A principal contribuição deste trabalho é a especificação de uma suíte de serviços para especificação de DTs, a DT-Create, focada no suporte à decisão na manutenção preditiva. A DT-Create é baseada no uso de técnicas inteligentes, processamento semântico de dados e auto adaptação. A DT-Create foi desenvolvida a partir da abordagem epistemológica Design Science Research (DSR), através de dois ciclos de desenvolvimento e avaliada em dois estudos de caso, sendo o primeiro no domínio da indústria têxtil e o segundo no domínio da indústria metalúrgica. Os resultados demonstraram a viabilidade de uso da DT-Create na especificação de DTs considerando os seguintes aspectos: (i) coleta, armazenamento e processamento inteligente de dados gerados por sensores, (ii) enriquecimento de informações por meio de aprendizagem de máquina e ontologias, (iii) uso de técnicas inteligentes para seleção de modelos preditivos aderentes ao conjunto de dados disponível, e (iv) suporte à decisão e auto adaptação a partir de processamentos ontológico.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentICE – Instituto de Ciências Exataspt_BR
dc.publisher.programPrograma de Pós-graduação em Ciência da Computaçãopt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nd/3.0/br/*
dc.subjectIndústria 4.0pt_BR
dc.subjectIndústria 5.0pt_BR
dc.subjectTécnicas inteligentespt_BR
dc.subjectInternet das coisaspt_BR
dc.subjectSustentabilidadept_BR
dc.subjectManutenção preditivapt_BR
dc.subjectSuporte à decisãopt_BR
dc.subjectDigital twinspt_BR
dc.subjectSistemas autoadaptativospt_BR
dc.subjectIndustry 4.0pt_BR
dc.subjectIndustry 5.0pt_BR
dc.subjectIntelligent techniquespt_BR
dc.subjectInternet of thingspt_BR
dc.subjectSustainabilitypt_BR
dc.subjectPredictive maintenancept_BR
dc.subjectDecision supportpt_BR
dc.subjectDigital twinspt_BR
dc.subjectSelf-adaptive systemspt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titleDT-Create – suíte de serviços para especificação de Digital Twins na Indústria 5.0pt_BR
dc.typeDissertaçãopt_BR
Appears in Collections:Mestrado em Ciência da Computação (Dissertações)



This item is licensed under a Creative Commons License Creative Commons