DEVELOPMENT OF ACTIVE MACHINE LEARNING METHODS FOR PREDICTIVE MAINTENANCE PROCESSES AND REMAINING OF USEFUL LIFE (RUL) PREDICTION IN INDUSTRY 4.0

No contexto da Indústria 4.0, a manutenção preditiva desempenha um papel fundamental na otimização do desempenho dos ativos e na redução dos custos operacionais. Esta tese apresenta uma nova estrutura de aprendizagem ativa projetada para melhorar a eficiência e a precisão da previsão da vida útil restante(RUL) para equipamentos industriais.A investigação aborda o desafio dos dados de treino rotulados limitados em aplicações de manutenção preditiva, desenvolvendo uma estratégia de aprendizagem ativa que seleciona de forma inteligente as amostras mais informativas pararotulagem. A abordagem proposta combina arquiteturas de aprendizagem profunda, especificamente redes neurais LSTM (Long Short-Term Memory) e GRU(Gated Recurrent Unit), com mecanismos de aprendizagem ativa para obter previsões robustas da RUL em vários domínios industriais.A tese avalia a metodologia em dois conjuntos de dados de referência: o conjuntode dados CMAPSS (Commercial Modular Aero-Propulsion System Simulation),que simula a degradação do motor turbofan, e o conjunto de dados PRONOSTIA,que consiste em medições de vibração de rolamentos extraídas usando extraçãode características baseada em decomposição média local (LMD) com análise demonotonicidade para identificação de indicadores de saúde.As principais contribuições incluem: (1) uma estratégia inteligente de seleçãode amostras que reduz a carga de anotação, mantendo a precisão da previsão;(2) análise comparativa das arquiteturas LSTM e GRU para modelagem de sequências temporais de padrões de degradação; e (3) validação em diversos tiposde equipamentos industriais, demonstrando a generalização da abordagem deaprendizagem ativa proposta para cenários de manutenção preditiva da Indústria 4.0.