Progformer: um modelo transformer que explora estratégias de transição e balanceamento dinâmico de perdas para predição de vida útil restante em motores turbofan

Abstract

A Manutenção Preditiva (PdM) desempenha um papel crítico na indústria aeronáutica, onde a estimativa precisa da Vida Útil Remanescente (RUL) de componentes, como motores turbofan, é essencial para garantir a segurança operacional e a eficiência logística. Embora abordagens baseadas em Deep Learning, como os Transformers, tenham demonstrado alta capacidade de modelagem sequencial, as estratégias de treinamento convencionais baseadas na minimização do Erro Quadrático Médio (MSE) falham em capturar a assimetria de risco inerente ao problema, onde predições tardias podem levar a falhas catastróficas. Além disso, a otimização direta de funções de perda assimétricas baseadas em risco frequentemente causa instabilidade numérica e colapso do modelo em regimes operacionais complexos devido à explosão de gradientes. Para mitigar esse problema, este trabalho propõe o modelo ProgFormer (Prognostics Transformer) para a predição de RUL, introduzindo estratégias avançadas de dinâmica de treinamento: um framework de Transição de Objetivo em Fases (Phased Objective Transition - POT) e um mecanismo de Balanceamento Dinâmico de Perdas (Dynamic Loss Balancing - DLB). Os experimentos realizados no conjunto de dados C-MAPSS demonstraram que a introdução da perda assimétrica reduziu de forma consistente a pontuação de risco operacional nos regimes estáveis. Nos regimes de múltipla condição, as estratégias POT e DLB do ProgFormer foram determinantes para estabilizar a dinâmica de aprendizado e evitar o colapso do modelo. A abordagem desenvolvida alcançou resultados robustos mesmo no cenário mais crítico, apresentando-se como uma alternativa viável em relação às arquiteturas consolidadas para a implementação de sistemas prognósticos industriais focados em segurança.

Predictive Maintenance (PdM) plays a critical role in the aeronautical industry, where accurately estimating the Remaining Useful Life (RUL) of components, such as turbofan engines, is essential for ensuring operational safety and logistic efficiency. Although Deep Learning-based approaches, such as Transformers, have demonstrated high sequential modeling capacity, conventional training strategies based on minimizing Mean Squared Error (MSE) fail to capture the inherent asymmetric risk of the problem, where late predictions can lead to catastrophic failures. Furthermore, the direct optimization of risk-based asymmetric loss functions often causes numerical instability and model collapse in complex operational regimes due to exploding gradients. To mitigate this problem, this work proposes the ProgFormer (Prognostics Transformer) model for RUL prediction, introducing advanced training dynamics strategies: a Phased Objective Transition (POT) framework and a Dynamic Loss Balancing (DLB) mechanism. Experiments conducted on the C-MAPSS dataset demonstrated that the introduction of the asymmetric loss consistently reduced the operational risk score in stable regimes. In multiple operating condition regimes, the ProgFormer’s POT and DLB strategies were decisive in stabilizing the learning dynamics and preventing model collapse. The developed approach achieved robust results even in the most critical scenario, presenting itself as a viable alternative compared to the consolidated architectures for implementing safety-focused industrial prognostic systems.