Interpretabilidade de modelos de aprendizado profundo aplicados ao diagnóstico e prognóstico não supervisionado de falhas.

• Ano de defesa: 2020
• Autor(a) principal: Oliveira, David Fernandes Neves
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado computacional; Condition-based maintenance; Confiabilidade; Diagnosis; Diagnóstico; Machine learning; Manutenção baseada em condição; Prognosis; Prognóstico; Reliability
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-08032021-102116/

O diagnóstico de falhas representa uma tarefa importante de equipes de manutenção operacional, tendo como foco a tarefa de identificar as causas de problemas em equipamentos que possam levar a desvios no comportamento esperado, bem como à redução da eficiência prevista. A aplicação de técnicas de detecção e diagnóstico associadas a métodos preditivos, comumente conhecida por prognóstico, possibilita um planejamento mais preciso e adequado para tratar eventos inesperados que possam colocar em risco o funcionamento do sistema sob estudo. Por meio de uma identificação antecipada e detalhada de possíveis causas e ameaças, as equipes de manutenção podem se mobilizar de forma mais apropriada, planejada e assertiva, para tratar situações indesejadas, antes que elas realmente ocorram, favorecendo uma maior confiabilidade do sistema e, consequentemente, evitando interrupções inesperadas do serviço, reduzindo a possibilidade de perdas materiais e humanas. Diversas técnicas têm sido sugeridas na literatura para endereçar questões sobre prognósticos de falhas, com grande destaque para os métodos baseados em deep learning. Tais métodos são considerados como possuindo características denominadas \"caixa-preta\", por não proverem meios que expliquem os resultados obtidos, dificultando a adoção de decisões embasadas e confiáveis. Dessa forma, esta pesquisa propõe um método não supervisionado para diagnóstico e prognóstico de falhas, tendo como base técnicas de deep learning, que propiciem meios para atestare contribuir para robustez dos resultados obtidos, promovendo maior confiança e assertividade na previsão e identificação de possíveis problemas. No estudo de caso são consideradas medições físicas reais de parâmetros de rodas e rolamentos de vagões ferroviários de transporte de carga pesada, capturadas a partir de múltiplos sensores de via acopladas em pontos específicos de uma estrada de ferro no Brasil. São propostos meios que enderecem restrições na modelagem com dados e que atestem a razoabilidade das predições realizadas.