Explorando interpretabilidade em modelos de manutenção preditiva na indústria 4.0

• Processo: 23/11418-8
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de novembro de 2023
• Data de Término da vigência: 31 de outubro de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Lilian Berton
• Beneficiário: João Victor Assaoka Ribeiro
• Instituição Sede: Instituto de Ciência e Tecnologia (ICT). Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. São José dos Campos , SP, Brasil
• Assunto(s): Aprendizado computacional Indústria 4.0 Manutenção preditiva Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Industria 4 | interpretabilidade | Manutencao preditiva | 0 | Inteligência Artificial

Resumo

À medida que o aprendizado de máquina (AM) ganha popularidade em muitos domínios, como saúde e monitoramento de equipamentos industriais, a necessidade de modelos transparentes de tomada de decisão torna-se fundamental. Em ambientes industriais, a manutenção oportuna do equipamento é crucial para operações ininterruptas e economia de custos. Técnicas de aprendizado de máquina em manutenção preditiva e prescritiva para prever e prevenir falhas do sistema tem sido exploradas. Esta pesquisa tem como objetivo estudar a interpretabilidade para apresentar insights derivados de modelos de manutenção preditiva treinados em dados de séries temporais. Exploraremos a redução de dimensionalidade, medidas estatísticas, componentes de tendência ou características de domínio de frequência e exploraremos modelos mais simples, como árvores de decisão ou regressão linear. A capacidade de explicar as relações dentro dos modelos de AM capacita os técnicos a compreender os fatores que influenciam as previsões de manutenção e as decisões subsequentes. A interpretabilidade transparente não apenas promove a confiança nos resultados do modelo, mas também facilita a identificação das principais variáveis e padrões que orientam as recomendações de manutenção. Isso se torna particularmente essencial em ambientes industriais, onde insights desses modelos podem conduzir a alocação eficiente de recursos e aumentar a confiabilidade operacional geral.