Metodologia para a manutenção preditiva dos turbocompressores de veículos comerciais utilizando redes neurais recorrentes bidirecionais
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, 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 propõe uma metodologia para a identificação da integridade e predição da necessidade de manutenção em turbocompressores de veículos comerciais, utilizando uma rede neural recorrente Bi-Directional Long Short-Term Memory (BLSTM) e comparando seu desempenho com os modelos Random Forest (RF) e Long Short-Term Memory (LSTM). A metodologia utiliza dados reais da indústria, obtidos a partir do histórico de oficina e dados operacionais registrados, e emprega técnicas de mineração de dados para análise detalhada das variáveis, composição do conjunto de dados e construção do modelo preditivo. Os resultados experimentais mostraram que os modelos preditivos propostos apresentaram desempenho superior em relação às estratégias de manutenção atuais na predição de necessidade de manutenção, com destaque para o modelo BLSTM, que apresentou a melhor performance geral e a menor pontuação de custo específico. O teste de McNemar indicou que os modelos têm desempenhos significativamente diferentes na tarefa de classificação, ressaltando a importância da escolha adequada do modelo para garantir uma boa performance na manutenção preditiva dos turbocompressores. A metodologia proposta tem potencial de aplicação em outras bases de dados e componentes de veículos comerciais, contribuindo para a redução de custos com manutenção e aumento da confiabilidade operacional dos veículos, com implicações importantes na indústria automotiva em termos de economia de custos e melhoria da eficiência operacional.