| Resumo: |
Alguns dos métodos recentes para calcular a vida útil remanescente (RUL) no contexto da manutenção baseada em condição usam o aprendizado profundo. Tal solução destaca-se pela capacidade de identificar e prever a condição dos equipamentos através da análise de grandes bases de dados. Apesar de promissor, ainda é um desafio integrar tal técnica à realidade industrial devido às restrições impostas por esses ambientes, como a tendência de mudança constante do estado operacional e a falta de detalhamento sobre os modos de falha. O presente trabalho investiga se o uso de métodos de aprendizado profundo, do tipo autoencoder, embutidos em frameworks de detecção e prognóstico projetados para fornecer previsões de um tempo de vida remanescente de forma semi-supervisionada, constituem uma solução viável para o gerenciamento da saúde de um sistema de engenharia complexo. O framework de detecção e prognóstico proposto foi testado em um exemplo de aplicação utilizando dados públicos de falhas simuladas em turbinas a jato disponibilizadas pela NASA. O método fez estimativas de RUL por meio de autoencoders treinados em condições normais de operação. Inicialmente, os dados são selecionados e pré-processados, em seguida, os autoencoders profundos são treinados em dados de condição operacional normal e um resíduo chamado erro de reconstrução de sinal é avaliado. O erro de reconstrução é pós-processado e um limite de detecção de falha é definido por canal. A estrutura é alimentada com novas entradas e quando amostras consecutivas ultrapassam o limite, a detecção ocorre e um intervalo de estado degradado é montado. A estimativa RUL é desenvolvida usando as amostras rotuladas de forma anormal por meio de um algoritmo especial com funções de decisão que destacam as tendências. Os padrões de degradação são extrapolados por um conjunto de funções univariadas até que um limiar de prognóstico, previamente determinado, sinalize a ocorrência da falta, produzindo a previsão de tempo de vida. No exemplo de aplicação, que visa confirmar a eficácia do autoencoder, três modelos são gerados com conjuntos fixos de hiperparâmetros e redes neurais e um modelo de linha de base. Depois disso, um experimento de busca em grade produz uma grande coleção de modelos com diferentes combinações de hiperparâmetros com o intuito de fazer uma análise de sensibilidade sobre o espaço de hiperparâmetros e verificar a capacidade de tuning. Os resultados permitem inferir que o framework desenvolvido é capaz de equiparar o desempenho com um modelo base que utiliza regressão linear simples em sinais pré-processados, mesmo que não supere outros modelos supervisionados apresentados na literatura. Vale ressaltar que ainda há espaço para otimização de desempenho realizando modulação de hiperparâmetros e outros elementos da arquitetura formulada. No experimento de busca em grade, a resposta pode ser mapeada para a grande maioria dos hiperparâmetros. Em seguida, os modelos foram ranqueados por meio de um método de decisão multicritério, confirmando assim a capacidade de tuning. |
|---|
