A previsão de falhas em equipamentos agrícolas do setor sucroenergético é particularmente útil para que as equipes de manutenção possam se planejar para o problema e restabelecer a condição operacional dos equipamentos no menor tempo possível, proporcionando assim o aumento dos índices de disponibilidade dos equipamentos, melhor fluxo de abastecimento de matéria-prima nas unidades produtoras, redução da necessidade de estoques de segurança de cana-de-açúcar e dos riscos de degradação da qualidade da matéria-prima em estoque. Neste contexto, explorou-se a possibilidade de técnicas de aprendizado de máquina complementarem as medidas de manutenção já adotadas e desenvolvidas no setor, aumentando assim a previsibilidade de eventos de falha. Tal exploração utilizou-se de dois conjuntos de dados: histórico de falhas de equipamentos e histórico de sensores de telemetria instalados nos equipamentos. Os dados foram extraídos, analisados, tratados e preparados para que modelos baseados em algoritmos de aprendizado de máquina pudessem ser construídos tomando-os como base; contemplam quinze equipamentos do tipo colhedora de cana-de-açúcar e foram coletados por um período de quatro safras. A preparação dos dados gerou dois novos conjuntos: um para predição da causa da próxima falha e outro para predição do tempo de operação. O primeiro modelo adotou, para fins de comparação, as técnicas de multilayer perceptron e florestas aleatórias, sendo que a segunda se mostrou mais efetiva. A acurácia da previsão do modelo florestas aleatórias foi de 82,80%, praticamente 20 pontos percentuais (p.p.) acima do modelo que adotou multilayer perceptron. O segundo modelo (previsão do tempo de operação), comparou as técnicas de regressão linear, multilayer perceptron e florestas aleatórias, sendo a primeira mais efetiva. O erro médio absoluto foi 2,6 horas. Os modelos precisaram ser combinados, pois de forma isolada não atenderam completamente os objetivos estabelecidos inicialmente. Estudos adicionais contemplaram ainda metodologias de gerenciamentos de projetos e o workbench computacional WEKA, tendo apresentado ótimos resultados no desenvolvimento desta pesquisa. Como trabalhos futuros, sugere-se o desenvolvimento de aplicações que integrem os modelos propostos e a construção de novos modelos que adotem técnicas baseadas em predição de sequências.

The failures prediction for agricultural equipment in the sugar-energy sector is particularly useful for maintenance teams to plan for the problem and restore operational condition of equipment as soon as possible thus increasing the equipments availability, better supply flow of raw materials in production units, reduction of safety stocks of sugarcane and the risks reduction of quality degradation of the raw material in stock. In this context, the possibility of machine learning techniques complementing the maintenance practices already adopted and developed in the sector was explored in order to increase the predictability of failure events. This exploration used two datasets: history of equipment failures and history of telemetry sensors installed in the equipment. Data were extracted, analyzed, processed and prepared so that machine learning models could be constructed by taking them as the basis for; comprise fifteen sugarcane harvester equipment and were collected for a period of four harvests. Data preparation generated two new datasets: the first to predict the next cause failure; and the second for predicting operating hours. The first model adopted, for comparison purposes, multilayer perceptron and random forest techniques; the second of which proved to be more effective. The accuracy of the random forest model was 82.80%, practically 20 p.p. above the model that adopted multilayer perceptron. The second model (operating hours forecast) compared linear regression, multilayer perceptron and random forest techniques; the first was the most effective. The mean absolute error was 2.6 hours. The models needed to be joined, since in an integrated way they completely met the goals. Additional studies also covered project management methodologies and the WEKA computational workbench, that added excellent results in the development of this work. As future works, it is suggested the development of applications that integrate the proposed models and the construction of new models that adopt sequence prediction techniques.