Alguns dos métodos recentes para calcular a vida útil remanescente (RUL) no contexto da manutenção baseada em condição usam o aprendizado profundo. Tal solução destaca-se pela capacidade de identificar e prever a condição dos equipamentos através da análise de grandes bases de dados. Apesar de promissor, ainda é um desafio integrar tal técnica à realidade industrial devido às restrições impostas por esses ambientes, como a tendência de mudança constante do estado operacional e a falta de detalhamento sobre os modos de falha. O presente trabalho investiga se o uso de métodos de aprendizado profundo, do tipo autoencoder, embutidos em frameworks de detecção e prognóstico projetados para fornecer previsões de um tempo de vida remanescente de forma semi-supervisionada, constituem uma solução viável para o gerenciamento da saúde de um sistema de engenharia complexo. O framework de detecção e prognóstico proposto foi testado em um exemplo de aplicação utilizando dados públicos de falhas simuladas em turbinas a jato disponibilizadas pela NASA. O método fez estimativas de RUL por meio de autoencoders treinados em condições normais de operação. Inicialmente, os dados são selecionados e pré-processados, em seguida, os autoencoders profundos são treinados em dados de condição operacional normal e um resíduo chamado erro de reconstrução de sinal é avaliado. O erro de reconstrução é pós-processado e um limite de detecção de falha é definido por canal. A estrutura é alimentada com novas entradas e quando amostras consecutivas ultrapassam o limite, a detecção ocorre e um intervalo de estado degradado é montado. A estimativa RUL é desenvolvida usando as amostras rotuladas de forma anormal por meio de um algoritmo especial com funções de decisão que destacam as tendências. Os padrões de degradação são extrapolados por um conjunto de funções univariadas até que um limiar de prognóstico, previamente determinado, sinalize a ocorrência da falta, produzindo a previsão de tempo de vida. No exemplo de aplicação, que visa confirmar a eficácia do autoencoder, três modelos são gerados com conjuntos fixos de hiperparâmetros e redes neurais e um modelo de linha de base. Depois disso, um experimento de busca em grade produz uma grande coleção de modelos com diferentes combinações de hiperparâmetros com o intuito de fazer uma análise de sensibilidade sobre o espaço de hiperparâmetros e verificar a capacidade de tuning. Os resultados permitem inferir que o framework desenvolvido é capaz de equiparar o desempenho com um modelo base que utiliza regressão linear simples em sinais pré-processados, mesmo que não supere outros modelos supervisionados apresentados na literatura. Vale ressaltar que ainda há espaço para otimização de desempenho realizando modulação de hiperparâmetros e outros elementos da arquitetura formulada. No experimento de busca em grade, a resposta pode ser mapeada para a grande maioria dos hiperparâmetros. Em seguida, os modelos foram ranqueados por meio de um método de decisão multicritério, confirmando assim a capacidade de tuning.

Some of the recent methods to calculate the remaining useful life (RUL) in the context of condition monitoring based maintenance use deep learning. It stands out as a solution capable of identifying and predicting the condition of the equipment through large databases. Although promising, it is still a challenge to integrate such a technique into industrial environments due to restrictions imposed, such as the tendency of constant change of operational state and the lack of detail about the failure modes. The present work investigates whether the use of a deep learning method of the autoencoder type, embedded in detection and prognostic framework designed to provide predictions of a remaining lifetime in a semi-supervised way, constitute a feasible solution for the health management of a complex engineering system. The proposed detection and prognosis framework was tested in an application example using public data of simulated faults in jet turbine engines made available by NASA. The method made RUL estimations through deep autoencoders trained in normal operational conditions. Initially, the data are selected and preprocessed, then the deep autoencoders are trained in normal operational condition data, and a residual called signal reconstruction error is evaluated. The reconstruction error is post-processed and a fault detection threshold is defined per channel. The framework is fed with new input and, when consecutive samples surpass the limit, the detection happens and a degraded state interval is assembled. The RUL estimation is developed using the abnormally labeled samples through a special algorithm with decision functions that highlight trends. They are extrapolated by a set of univariate functions until a prognostic threshold, previously determined, which signalizes the occurrence of the fault, producing the lifetime prediction. In the application example, which aims to confirm the autoencoders effectiveness, three models are generated with fixed sets of hyperparameters and neural networks, and one baseline model. After that, a grid-search experiment produces a large collection of models with different combinations of hyperparameters. It is intended to run a sensitivity analysis over the hyperparameter space and to verify tuning capacity. The results allow to infer that the developed framework is capable of matching the performance with a baseline model that uses simple linear regression on pre-processed signals, even if it does not surpass other supervised models present in the literature. It is noteworthy that there are still opportunities for performance optimization by performing hyperparameter modulation and other elements of the formulated architecture. In the grid-search experiment, the response could be mapped to the vast majority of hyperparameters. Then, the models have been ranked through a multi-criteria decision method, thus confirming the capacity of tuning.