Resumo

Analisar a confiabilidade do processo de desidratação mecânica de lodo numa estação de tratamento de esgotos, identificando modos de falha e propondo ações para otimizar desempenho, disponibilidade e qualidade do lodo desidratado.

O estudo aborda um processo crítico em estações de tratamento, combinando FMEA e Machine Learning para prever falhas e propor melhorias, contribuindo para a eficiência operacional e sustentabilidade ambiental.

Utiliza análise quantitativa de falhas, mapeamento funcional, aplicação de FMEA e algoritmos de Machine Learning (Decision Tree e KNN) para prever falhas e propor ações corretivas e preventivas.

Identificou componentes críticos como filtros prensa, bombas e misturadores. Decision Tree obteve 88% de acurácia na previsão de falhas. Parâmetros físico-químicos foram os mais influentes na confiabilidade do processo.

Integra técnicas tradicionais de confiabilidade com inteligência artificial, demonstrando eficácia na priorização de falhas e na previsão de anomalias operacionais, ampliando o escopo metodológico em engenharia de manutenção.

Propõe estratégias de manutenção preditiva e ajustes operacionais que aumentam a confiabilidade, reduzem custos e promovem sustentabilidade, alinhando-se às exigências legais e às boas práticas de gestão de ativos.

Analyze the reliability of the sludge mechanical dewatering process in a wastewater treatment plant, identifying failure modes and proposing actions to optimize performance, availability, and final sludge quality.

The study addresses a critical process in treatment plants, combining FMEA and Machine Learning to predict failures and propose improvements, contributing to operational efficiency and environmental sustainability.

Uses quantitative failure analysis, functional mapping, FMEA application, and Machine Learning algorithms (Decision Tree and KNN) to predict failures and propose corrective and preventive actions.

Identified critical components such as plate filters, pumps, and mixers. Decision Tree achieved 88% accuracy in failure prediction. Physicochemical parameters were most influential in process reliability.

Integrates traditional reliability techniques with artificial intelligence, demonstrating effectiveness in failure prioritization and anomaly prediction, expanding methodological scope in maintenance engineering.

Proposes predictive maintenance strategies and operational adjustments that enhance reliability, reduce costs, and promote sustainability, aligned with legal requirements and asset management best practices.