New methods for predicting remaining useful life in equipment based on visibility graph and fuzzy symbolic representation

Abstract

Esta tese apresenta o desenvolvimento e a análise de validação de novas metodologias de aprendizado de máquina para manutenção preditiva, com foco específico na previsão da Vida Útil Remanescente e do estado de saúde de ativos. As abordagens propostas visam equilibrar a precisão prognóstica com baixa complexidade computacional, atendendo à crescente demanda por modelos leves e interpretáveis, adequados a ambientes industriais e à computação de ponta. Duas metodologias principais são apresentadas e avaliadas por meio de estudos de caso. A primeira, a partir da transformação de séries temporais em grafos de visibilidade, permite a previsão em múltiplas etapas por meio de inferência baseada em similaridade. Este método é aplicado a dados de degradação de baterias de íons de lítio e demonstra desempenho competitivo em relação a modelos de aprendizado profundo de última geração, reduzindo significativamente a sobrecarga computacional. O segundo método utiliza séries temporais fuzzy com classificação multivariada para prever a vida útil remanescente de motores aeroespaciais, com base no conjunto de dados C-MAPSS. Essa abordagem lida eficazmente com a incerteza e a variabilidade temporais, oferecendo previsões interpretáveis com alta precisão. Análises comparativas confirmam a eficácia dos modelos propostos em diferentes conjuntos de dados e cenários. Os resultados destacam sua boa aplicabilidade para o monitoramento em tempo real, o diagnóstico preditivo e a tomada de decisões de manutenção. Este trabalho contribui para avanço dos prognósticos inteligentes, fornecendo soluções escaláveis, transparentes e eficientes em recursos para manutenção preditiva na Indústria 4.0 e além.