Glossário IA
O dicionário completo da Inteligência Artificial
RUL (Vida Útil Restante)
O RUL, ou Tempo de Vida Útil Restante, é uma métrica chave na manutenção preditiva que estima o tempo operacional restante antes que um equipamento falhe, com base no estado atual e em dados históricos.
Análise de Sobrevivência
A análise de sobrevivência é um ramo da estatística usado para modelar o tempo até a ocorrência de um evento, como uma falha, levando em consideração dados censurados onde o equipamento ainda não falhou ao final do período de observação.
Prognóstico e Gestão da Saúde (PHM)
O PHM é uma disciplina de engenharia que combina a avaliação do estado de saúde (diagnóstico) e a previsão da evolução futura (prognóstico) de um sistema para otimizar sua manutenção e confiabilidade.
Tempo até a Falha (TTF)
O Tempo até a Falha (TTF) é uma variável aleatória que representa a duração de funcionamento de um componente ou sistema desde a sua entrada em serviço ou última reparação até a sua próxima falha.
Dados Censurados
Dados censurados são observações onde o evento de interesse (a falha) não ocorreu antes do final do estudo, o que é comum na manutenção preditiva e requer técnicas de análise específicas como a análise de sobrevivência.
Análise de Weibull
A análise de Weibull é um método estatístico poderoso para modelar a vida útil dos equipamentos, permitindo caracterizar as fases de falha (juventude, maturidade, velhice) através de seus parâmetros de forma e escala.
Índice de Saúde (HI)
O Índice de Saúde (HI) é uma pontuação composta, frequentemente normalizada entre 0 e 1, que agrega vários indicadores de desempenho para fornecer uma medida única e quantitativa do estado de saúde global de um equipamento.
Redes Neurais Recorrentes (RNN) para RUL
As redes neurais recorrentes (RNN) são particularmente adequadas para a previsão do RUL porque podem processar séries temporais de dados de sensores, capturando dependências de longo prazo para modelar a evolução da degradação.
Redes Neurais Convolucionais (CNN) 1D
As CNNs 1D são usadas na manutenção preditiva para extrair automaticamente características relevantes de sinais temporais brutos (como vibrações) antes de alimentá-los a um modelo de regressão para a previsão do RUL.
Engenharia de Características para RUL
A engenharia de características para a previsão do RUL é o processo de criação de variáveis descritivas (estatísticas, de frequência, temporais) a partir de dados brutos de sensores para melhorar o desempenho dos modelos de machine learning.
Dados 'Run-to-Failure'
Os dados 'run-to-failure' são conjuntos de dados cronológicos que acompanham um equipamento desde o seu estado de funcionamento normal até à sua falha completa, constituindo a base de aprendizagem ideal para os modelos de RUL.
Abordagem Baseada em Similaridade
A abordagem baseada em similaridade estima o RUL de um equipamento comparando a sua trajetória de degradação atual com uma base de dados de trajetórias de falha históricas, assumindo que comportamentos semelhantes levam a tempos de falha semelhantes.
Métodos de Ensemble para RUL
Os métodos de ensemble, como Random Forest ou Gradient Boosting, combinam as previsões de vários modelos base para produzir uma estimativa do RUL mais robusta e precisa, reduzindo a variância e o viés.
Distribuição da Vida Útil Restante
A distribuição do RUL fornece não apenas uma estimativa pontual do tempo restante, mas também uma medida da incerteza associada a essa previsão, frequentemente sob a forma de um intervalo de confiança ou de densidade de probabilidade.
Previsão de Fim de Vida (EOL)
A previsão de Fim de Vida (EOL) é uma tarefa de classificação que visa determinar se um equipamento atingirá o fim da sua vida útil dentro de uma janela de tempo futura especificada, complementar à regressão do RUL.
Mecanismos de Atenção em Modelos RUL
Os mecanismos de atenção, integrados em modelos como os Transformers, permitem que o modelo se concentre nas partes mais relevantes da sequência temporal dos dados para refinar a previsão do RUL.
Adaptação de Domínio para RUL
A adaptação de domínio é uma técnica de aprendizado por transferência que permite aplicar um modelo de RUL treinado em um tipo de equipamento (domínio de origem) a outro equipamento similar, mas diferente (domínio de destino), com poucos dados.