Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bi-direcionais
Novas tecnologias e soluções sustentáveis de transportes não são mais um diferencial, mas sim a base da missão e dos valores das grandes empresas, que buscam se manter no mercado com lucratividade, sustentabilidade e responsabilidade social. Oferecer uma solução de serviços personalizados para os clientes por meio de um sistema de manutenção preditiva, aumentando a disponibilidade e a vida útil do veículo e reduzindo os custos operacionais tornam as empresas mais competitivas e atrativas, além de garantir o melhor desempenho do veículo. Esta pesquisa tem como objetivo, desenvolver uma metodologia e conhecimento para a utilização de um sistema de manutenção preditiva aplicada a veículos comerciais e implementar tecnologias atuais em aprendizado de máquinas e ciência de dados para encontrar padrões e correlações nos dados disponíveis. O modelo de prognóstico proposto, utiliza uma rede neural recorrente chamada Bi-Directional Long Short-Term Memory (BLSTM) que em comparação com modelos tradicionais unidirecionais, pode fazer a predição do estado atual do componente utilizando ao mesmo tempo informações passadas e futuras para obter maior precisão no prognóstico de falhas. O modelo tem como finalidade prever a necessidade de reparo dos turbocompressores de motores de veículos comerciais, auxiliar a tomada de decisão e possibilitar uma gestão de manutenção mais sofisticada e eficiente ao minimizar os custos com a quebra e ações de manutenções. Os modelos de predição serão desenvolvidos através da integração dos dados de especificação dos veículos, dados operacionais embarcados registrados sobre o seu estado atual, dados salvos quando o veículo visita uma oficina, dados históricos e registros de manutenções realizados para a identificação de falhas. A arquitetura final busca estimar os níveis de degradação e o tempo de vida útil remanescente do turbocompressor. A metodologia poderá ser aplicada em outras bases de dados e outros componentes de veículos comerciais.