Previsão da vida útil remanescente de máquinas industriais utilizando algoritmos de aprendizado de máquina e inteligência artificial explicável

Abstract

A crescente adoção de estratégias de manutenção preditiva na Indústria 4.0 tem impulsionado o uso de modelos de aprendizado de máquina para estimar a Vida Útil Remanescente (Remaining Useful Life - RUL) de equipamentos industriais, com o objetivo de reduzir falhas não planejadas e otimizar a tomada de decisão. Nesse contexto, este trabalho tem como objetivo avaliar a eficácia de modelos de aprendizado de máquina para previsão da RUL a partir de dados temporais de sensores, integrando técnicas de interpretabilidade para análise das predições. A metodologia adotada baseia-se em uma abordagem experimental aplicada ao conjunto de dados público “PHM Data Challenge 2018”, envolvendo etapas de análise exploratória, pré-processamento dos dados, desenvolvimento de modelos e análise de resultados. Foi proposta uma arquitetura em dois estágios, composta por um classificador baseado em XGBoost para detecção do início da degradação e por modelos recorrentes (LSTM e GRU) para estimativa da RUL. Os resultados demonstram que o modelo LSTM apresentou desempenho competitivo em termos de erro absoluto. No entanto, a análise revelou limitações nos extremos do horizonte de RUL, associadas à distribuição dos dados de treinamento. A aplicação do método SHAP permitiu interpretar as predições, evidenciando que o modelo baseia suas estimativas principalmente em variáveis relacionadas ao tempo de operação, em detrimento de sensores diretamente associados ao mecanismo físico da falha. Esses achados indicam que, na ausência de sinais claros de degradação progressiva nos dados, o modelo tende a explorar correlações mais estáveis, ainda que menos representativas do fenômeno físico. Conclui-se que a integração entre modelagem preditiva e técnicas de interpretabilidade contribui não apenas para a estimativa da RUL, mas também para a compreensão do comportamento dos modelos e suas limitações, oferecendo subsídios relevantes para aplicações em manutenção preditiva

The increasing adoption of predictive maintenance strategies within the Industry 4.0 paradigm has driven the use of machine learning models to estimate the Remaining Useful Life (RUL) of industrial equipment, aiming to reduce unplanned failures and improve decision-making processes. In this context, this study aims to evaluate the effectiveness of machine learning models for RUL prediction based on temporal sensor data, integrating interpretability techniques to analyze model predictions. The methodology follows an experimental approach applied to the public PHM Data Challenge 2018 dataset, encompassing exploratory data analysis, data preprocessing, model development, and results evaluation. A two-stage architecture is proposed, consisting of an XGBoost-based classifier to detect the onset of degradation and recurrent neural networks (LSTM and GRU) to estimate RUL. The results show that the LSTM model achieved competitive performance in terms of absolute error. However, the analysis revealed performance limitations at both ends of the RUL horizon, mainly associated with the distribution of training data. The application of the SHAP method enabled the interpretation of model predictions, indicating that the model relies predominantly on time-related variables rather than sensors directly linked to the physical failure mechanism. These findings suggest that, in the absence of clear progressive degradation signals, the model tends to exploit more stable correlations, even if they are less representative of the underlying physical process. It is concluded that integrating predictive modeling with interpretability techniques not only supports RUL estimation but also enhances the understanding of model behavior and limitations, providing valuable insights for predictive maintenance applications.