Aprendizado online para monitoramento de equipamentos

• Processo: 25/01895-9
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de agosto de 2025
• Data de Término da vigência: 31 de julho de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Lilian Berton
• Beneficiário: Juan Carlos La Rosa Paredes
• 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
• Empresa: Secretaria de Desenvolvimento Econômico (São Paulo - Estado). Instituto de Pesquisas Tecnológicas S/A (IPT)
• Vinculado ao auxílio: 20/09850-0 - Centro de Pesquisa Aplicada em Inteligência Artificial: impulsionando a transformação das indústrias rumo ao padrão 5.0, AP.PCPE
• Assunto(s): Aprendizado computacional Indústria 4.0 Manutenção preditiva Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Industria 4 | Manutencao preditiva | 0 | Inteligência Artificial

Resumo

Do ponto de vista da ciência de dados, a Indústria 4.0 representa uma mudança de paradigma na Quarta Revolução Industrial, permitindo a extração de conhecimento relevante por meio da adoção de estratégias inteligentes de monitoramento e fusão de dados. Além disso, possibilita a aplicação de métodos avançados de aprendizado de máquina e otimização. Um dos principais objetivos da ciência de dados nesse contexto é prever comportamentos anômalos em máquinas, ferramentas e processos, antecipando eventos críticos e possíveis falhas que possam gerar perdas econômicas e comprometer a segurança operacional. A manutenção se destaca como uma das principais áreas de aplicação da Indústria 4.0, pois as máquinas devem estar constantemente disponíveis, enquanto os custos e o tempo de reparo devem ser minimizados. Encontrar o equilíbrio entre esses fatores tem sido um grande desafio para técnicos e especialistas. Em um modelo descritivo, a análise é baseada em observações do sistema em estudo, e os dados escolhidos dependem de um objetivo específico. No entanto, se o objetivo ou os dados mudam, o modelo pode tornar-se obsoleto, exigindo atualizações constantes. Apesar da crescente demanda por modelos adaptáveis, apenas uma pequena parcela de estudos tem explorado modelos descritivos sob a perspectiva do fluxo contínuo de dados, onde os dados chegam de forma ininterrupta e dinâmica, exigindo ambientes computacionais flexíveis e que respeitem restrições de recursos. A classificação de fluxo contínuo de dados busca categorizar exemplos provenientes de streams de dados em múltiplas classes, um desafio significativo, pois novas classes podem surgir e as já existentes podem se modificar ao longo do tempo. Dessa forma, este trabalho busca desenvolver modelos preditivos de prognóstico utilizando técnicas de fluxo contínuo de dados aplicadas ao aprendizado online, promovendo soluções mais eficazes e adaptáveis para monitoramento e manutenção inteligente. (AU)