Avaliação de algoritmos de Machine Learning para detecção de falhas em refrigeradores

Abstract

Nos dias atuais, a conservação de alimentos e outros materiais perecíveis em nossos lares só é possível com a utilização dos refrigeradores domésticos. O mau funcionamento de um refrigerador leva a deterioração dos produtos em seu interior, gerando transtorno ao ambiente familiar. Uma solução encontrada para prevenção e detecção de falhas em refrigeradores foi a utilização do machine learning como ferramenta para monitorar certos dados em busca de detectar possíveis falhas antes que elas ocorram. A metodologia usada é do processo unificado, processo esse centrado na arquitetura, iterativo e incremental. A obtenção dos dados e sua organização se deu através de pontos de medições importantes relacionados a defeitos em refrigeradores. O algoritmo utilizado neste trabalho foi obtido da avaliação de três modelos diferentes da biblioteca sckitlearn. Para escolher o melhor modelo usou-se a métrica de acurácia, revocação e precisão. O melhor resultado foi obtido com o modelo RandomForestClassifer, que apresentou acurácia de 94%, revocação de 100% e uma precisão de 90%. Conclui-se que o modelo satisfaz o projeto e serve como indício do potencial do uso destas tecnologias na indústria de refrigeração, com a utilização de sensores de temperatura na entrada do termostato e um transdutor de corrente em série com a alimentação do refrigerador.

Nowadays, the conservation of food and other perishables products in our home is only possible with the utilization of domestic refrigerators. Malfaction of a refrigerator leads to the deterioration of products inside of it, generating inconvenience to the family enviroment. One solution that was found for prevention and dection of defects in refrigerators was the machine learning as a tool to monitor certain data in search of detecting possible defects before they happen. The methodology used was the unified process, which is centered in the arquitecture, iterative and incremental. The acquirement of data and its organization is through important points of measurement related to the defects in refrigerators. The algorithm used left the evaluation of three different models of the sckit-learn's library. To choose the best model it was used the metric of accuracy, revocation and precision. The best result obtained was with the model RandomForestClassifer, that presented 94% of accuracy, revocation of 100% and a precision of 90%. It was concluded that the model satisfies the project and serves as a potencial evidence of the use of such technologies in the refrigeration industry, with the utilization of temperature sensors in the entrance of the thermostat and a transductor of in series chain with the supply power in the refrigerator.