Aplicações de Machine Learning ao Diagnóstico de Faltas em Processos de uma Planta de Cimento

Este artigo aborda o tema do diagnóstico de faltas em processos industriais aplicando técnicas de Machine Learning. Faz uma comparação do desempenho dos algoritmos k-Nearest Neighbour, Support Vector Machine e Árvore de Decisão combinados com os métodos de seleção de variáveis (Important Predictor e Relief-F) e a Principal Component Analysis, que se baseia em extração de variáveis. Dois estudos de caso sobre o diagnóstico de faltas em uma indústria de produção de cimento são realizados, com taxa de classificação corretas de 97,9% (Separação do Produto) e 99,5 % (Moagem).