Estudo de autoencoders para redução de dimensionalidade em aprendizado de máquina

Abstract

O presente trabalho apresenta uma investigação sobre a aplicação de técnicas de aprendizado de máquina para a detecção de falhas em motores elétricos, com foco no uso de autoencoders tanto como métodos de redução de dimensionalidade quanto como modelos de detecção de falhas. O objetivo central da pesquisa é contribuir para o desenvolvimento de sistemas de manutenção preditiva capazes de identificar padrões de falha de forma automática e precoce. Neste contexto, em relação ao uso de autoencoders foram comparados os seguintes métodos: SVM, Decision Tree, One-Class SVM e Isolation Forest. Os métodos foram avaliados quanto à capacidade de identificar falhas a partir de sinais vibracionais extraídos dos motores, considerando o espaço de atributos original e espaço de atributos latente (reduzido), tal qual identificado pelo uso de autoencoders. Todos os métodos analisados foram capazes de atingir uma performance satisfatória, sendo possível utilizá-los em aplicações de detecção de falhas. Obteve-se como resultado que o OCSVM teve o melhor resultado, com o autoencoder um próximo segundo lugar, e o uso do espaço latente do autoencoder no lugar dos dados originais é viável para todos os métodos exceto o OCSVM.