Resumo:
Com a indústria 4.0, as abordagens baseadas em dados estão em voga. No entanto, extrair as características importantes não é uma tarefa fácil e influencia muito o resultado final.Também há a necessidade de um conhecimento especializado do sistema para monitorar o ambiente e diagnosticar falhas. Neste contexto, o diagnóstico de falhas é significativo, por exemplo, em um sistema de monitoramento de frotas de veículos, pois é possível diagnosticar falhas antes mesmo que um cliente saiba da existência desta falha, além de minimizar os custos de manutenção dos módulos. Neste trabalho são propostas duas abordagens, “com informação” e “sem informação”, para exploração de um conjunto de dados, empregando técnicas de Aprendizado de Máquina (AM) para geração de modelos classificadores que auxiliem no processo de diagnóstico de falhas em módulos rastreadores de frotas veiculares. A abordagem “com informação” realiza a extração de características de forma manual, empregando os modelos de AM: Random Forest, Naive Bayes, Máquina de vetor de suporte (SVM) e Perceptron de múltiplas camadas (MLP); e a abordagem “sem informação” realiza a extração de características de forma automática, através de uma rede neural convolucional (CNN). Os resultados obtidos demonstraram que as abordagens propostas são promissoras. Os melhores modelos com extração de características manual obtiveram uma precisão de 99,76% e 99,68% para detecção e detecção e identificação de falhas, respectivamente, no conjunto de dados fornecido. Os melhores modelos fazendo uma extração de características automática obtiveram respectivamente 88,43% e 54,98% para detecção e detecção e identificação de falhas. Estes modelos podem servir como protótipos para diagnosticar falhas remotamente e confirmam que as técnicas tradicionais de AM com uma extração de características manual ainda são recursos eficazes para o diagnóstico de falhas.
