Machine Learning e Data Science na indústria: aplicações e desafios

Neste documento de pesquisa, abordamos as áreas de Manutenção Preditiva (PdM), Aprendizado de Máquina (ML) e Transferência de Conhecimento (TL), fornecendo respostas às seguintes questões: o que é Aprendizado de Máquina, como ele opera e como é possível construir um modelo de Aprendizado de Máquina para iniciar os testes iniciais. Essa seção serve como uma introdução e um guia prático para aqueles que desejam explorar o uso do ML na PdM.

A PdM é introduzida como uma técnica para monitorar as condições de operação, a fim de coletar dados que garantam o maior intervalo possível entre manutenções e, ao mesmo tempo, minimizem a ocorrência e os custos associados a falhas não programadas das máquinas. O ML é destacado como uma ferramenta fundamental e poderosa para identificar padrões e realizar previsões a partir de conjuntos de dados volumosos, com destaque para as Redes Neurais (NN) como a principal abordagem para implementar o ML. A TL é reconhecida como uma ideia poderosa, permitindo a transferência de conhecimento de uma NN para outra. Todos esses tópicos são identificados como áreas com grande potencial futuro e que requerem pesquisas e desenvolvimentos adicionais.

A segunda parte deste documento oferece respostas detalhadas às perguntas mencionadas anteriormente, visando fornecer uma compreensão aprofundada do ML. Reunimos e apresentamos teorias provenientes de várias fontes, criando um guia completo de informações e conceitos fundamentais sobre o ML e as NN. Para capacitar os leitores a começar a programar, apresentamos, utilizamos e recomendamos ferramentas como a linguagem de programação Python, o ambiente de desenvolvimento Jupyter, as bibliotecas matemáticas NumPy, as estruturas de dados do Pandas e a API de alto nível para NN, conhecida como Keras. Além disso, programamos dois modelos de ML para resolver um problema de regressão de Tempo de Vida Útil Restante (RUL) usando o conjunto de dados de degradação de turbofan da NASA. O primeiro modelo serve como um guia passo a passo para programar uma NN do zero, proporcionando uma compreensão mais profunda do funcionamento do ML. Ele abrange os seguintes elementos: "preparação dos dados", "inicialização dos pesos e viés", "propagação direta", "cálculo do custo", "retropropagação" e "atualização dos parâmetros". Já o segundo modelo demonstra como programar o mesmo modelo usando o Keras, o que possibilita a criação de modelos de ML com apenas algumas linhas de código.

Esse guia estabelece uma base sólida para futuros desenvolvimentos de modelos de ML em diversos cenários de PdM. Além disso, a tese oferece argumentos e justificativas sólidas para a necessidade de avançar em soluções de ML e conduzir pesquisas relacionadas à PdM. Recomendamos fortemente uma abordagem iterativa ao tema do ML, começando com a programação de um modelo básico para compreender o processo e o sistema, e, em seguida, prosseguindo com testes e prototipagem utilizando o Keras.

...