Machine Translated by Google

CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67

Listas de conteúdos disponíveis em ScienceDirect

Revista CIRP de Ciência e Tecnologia de Manufatura

página inicial da revista: www.elsevier.com/locate/cirpj

Análise

Desafios na manutenção preditiva – Uma revisão

]]]]
]]]]]]
P. Nunes a,b,ÿ , J. Santos a, b, E. Rocha c,d
a
Departamento de Engenharia Mecânica, Universidade de Aveiro, Campus de Santiago, Aveiro 3810-193, Portugal b

Centro de Tecnologia Mecânica e Automação (TEMA), Universidade de Aveiro, Campus de Santiago, Aveiro 3810-193, Portugal
c
Departamento de Matemática, Universidade de Aveiro, Campus de Santiago, Aveiro 3810-193, Portugal d

Centro de Investigação e Desenvolvimento em Matemática e Aplicações (CIDMA), Universidade de Aveiro, Campus de Santiago, Aveiro 3810-193, Portugal

informações do artigo abstrato

Disponível on-line em 23 de novembro de 2022 A manutenção preditiva (PdM) visa a redução de custos para aumentar a força competitiva das empresas. Utiliza
dados de sensores juntamente com técnicas analíticas para otimizar o cronograma de intervenções de manutenção.
Palavras- A aplicação desta estratégia de manutenção requer a cooperação de vários agentes e envolve conhecimentos e
chave: Manutenção preditiva
competências em áreas distintas, uma vez que abrange desde a média de sinais relevantes no chão de fábrica até ao
Prognósticos
seu processamento, transmissão, armazenamento e análise para extrair dados significativos. conhecimento. O PdM é
Modelos preditivos
Revisão
um tema amplo, impossibilitando abordar todos os seus subtópicos no mesmo artigo. Tendo isto em consideração,
Indústria 4.0
este artigo centra-se nos principais desafios que dificultam o desenvolvimento de um sistema generalizado baseado
em dados para PdM, nomeadamente: a existência de dados de sensores ruidosos ou errados num ambiente industrial
real; a necessidade de recolher, transmitir e processar grandes volumes de dados em tempo útil; e o fato de que as
abordagens atuais para PdM são específicas para uma peça ou equipamento, e não globais. Este artigo conecta três
perspectivas diferentes: detecção de anomalias, que permite a remoção de dados ruidosos ou errôneos e a detecção
de eventos relevantes que podem ser usados para melhorar os métodos de prognóstico; métodos de prognóstico, que
abordam os modelos de previsão do estado dos equipamentos industriais; e as arquiteturas, que poderão permitir a
implantação de métodos de detecção e prognóstico de anomalias em tempo real e em diferentes cenários industriais.
Além disso, as últimas tendências, os desafios atuais e as oportunidades de cada perspectiva são discutidos ao longo
do artigo.
© 2022 O(s) Autor(es). Este é um artigo de acesso aberto sob a licença CC BY-NC-ND (http://creative-commons.org/
licenses/by-nc-nd/4.0/ ).

Conteúdo

. Introdução ............................................................................................................... 54
. Abordagem de revisão. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
. Detecção de anomalia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
. Abordagens centralizadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
. Abordagens distribuídas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
. Desafios atuais, tendências e direções futuras ............................................................................... 58
. Métodos de prognóstico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
. Abordagens baseadas no conhecimento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
. Modelos baseados em . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
. física Abordagens baseadas em dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
. Métodos estatísticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
. Métodos de aprendizado de máquina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
. Desafios atuais e direções futuras ..................................................................................... 61
. Perspectiva arquitetônica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
. Principais contribuições recentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
. Desafios e direções futuras ............................................................................................ 63
. Conclusão. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

ÿ Autor correspondente em: Departamento de Engenharia Mecânica, Universidade de Aveiro, Campus de Santiago, Aveiro 3810-193, Portugal.
Endereço de correio eletrónico: pnunes@ua.pt (P. Nunes).

https://doi.org/10.1016/j.cirpj.2022.11.004 1755-5817/
© 2022 O(s) Autor(es). Este é um artigo de acesso aberto sob a licença CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
Machine Translated by Google
P. Nunes, J. Santos e E. Rocha
. Agradecimentos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. Referências à Declaração de Interesses .............................................................................................
. Concorrentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Introdução
A manutenção desempenha um papel importante no setor industrial, uma vez que
os seus custos podem representar uma percentagem significativa dos custos de
produção de uma empresa [1]. Estratégias eficazes de manutenção evitam paradas
inesperadas de produção, reduzem custos e podem até aumentar a vida útil das
máquinas industriais. Por estas razões, as abordagens de manutenção têm sofrido
transformações no resultado da preocupação e dos esforços de pesquisadores,
engenheiros, técnicos e especialistas. Figura 1
retrata essa evolução ao longo do tempo. A estratégia mais primitiva é a manutenção
corretiva (MC), também conhecida como “run-to-failure”, que consiste em substituir ou
reparar uma peça apenas quando esta está danificada e o equipamento não
consegue funcionar sem uma intervenção. .
Devido aos altos custos de paradas inesperadas de produção, a CM evoluiu para
abordagens proativas. A primeira a surgir foi a manutenção preventiva (MP), que
envolve inspeções periódicas feitas por técnicos especializados e a substituição de
peças antes que ocorra uma falha crítica. Esta substituição é feita em intervalos de
tempo iguais ou após determinado número de ciclos de trabalho, geralmente fornecido
pelo fabricante do equipamento. Isto pode levar a uma substituição de componentes
mais cedo ou mais tarde. No primeiro cenário são substituídas peças que estão em
boas condições e poderiam realizar um número consideravelmente maior de ciclos de
trabalho, aumentando os custos com manutenção [2], porém, o segundo cenário pode
ter consequências mais graves, uma vez que uma ação de CM tem que ser realizado
[3].
Com os avanços tecnológicos no campo da Indústria 4.0 e o desenvolvimento da
Internet das Coisas (IoT), surgiu a abordagem de manutenção baseada em condições
(CBM) [4]. As inspeções realizadas por técnicos e especialistas foram automatizadas
por sensores e dispositivos capazes de medir, monitorar e processar sinais que
representam parâmetros físicos de equipamentos industriais, como sinais acústicos,
correntes, tensões, temperaturas, forças, vibrações. , etc. Com esta estratégia, as
intervenções podem basear-se nos valores dos sensores e as ações podem ser
desencadeadas quando um valor está fora dos limites pré-estabelecidos. Abordagens
mais eficazes e complexas surgiram a partir do CMB, como a manutenção preditiva
(PdM), que alinha os paradigmas da IoT e dos Sistemas Ciberfísicos (CPS) com
conhecimentos nas áreas de automação, engenharia, tecnologia da informação e
análise de dados [5] para prever falhas e a vida útil restante (RUL) dos ativos
industriais e programar ações de manutenção de acordo [6]. Por outro lado, prescritivo
Figura 1. Evolução das estratégias de manutenção ao longo do tempo.
54
CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67
64
64
64
a manutenção vai um passo além, pois utiliza as previsões feitas para fazer sugestões
relevantes para abordar o modo de falha e aumentar o RUL [7,8]. Por exemplo, ao
monitorar a temperatura do rolamento, o PdM pode prever quando o equipamento
provavelmente falhará, enquanto a manutenção prescritiva pode sugerir uma redução
de velocidade para aumentar seu RUL.
Além das vantagens que vieram com as abordagens de manutenção mais
recentes, nomeadamente a manutenção prescritiva, a implementação de tal estratégia
requer que o CBM e o PdM estejam bem consolidados, uma vez que não é possível
implementar uma abordagem de manutenção prescritiva sem uma sólida PdM, e um
PdM não pode ser obtido se o aparato necessário para realizar o CBM não estiver
bem estabelecido. Por esse motivo, este artigo focará no PdM, que ainda apresenta
alguns problemas não resolvidos. Um dos desafios é que os dados industriais podem
estar sujeitos a medições erradas, devido a condições ambientais adversas ou falhas
nos sensores. Por outro lado, as quantidades crescentes exponenciais de dados que
têm de ser processados, armazenados e analisados representam um desafio
específico, especialmente quando são necessárias ações em tempo real ou quase
real [9]. Além disso, o ambiente industrial atual é composto por equipamentos muito
diferentes e sistemas flexíveis de gestão e produção, que exigem que os sistemas
PdM sejam eficazes em cenários muito diferentes. Uma solução robusta deve incluir
sistemas de monitoramento eficazes, bem como técnicas analíticas apropriadas para
prever falhas e a RUL, e também fornecer uma arquitetura que possa processar
grandes quantidades de dados em tempo real.
Abordagem de revisão
O PdM requer conhecimentos de diversas áreas, o que o torna um tema amplo.
Por esta razão, é impossível abordar em profundidade todos os seus subtópicos neste
artigo. De uma forma geral, para desenvolver um sistema PdM eficaz, é necessário
ter um tratamento cuidadoso dos dados para lidar com dados faltantes, ruídos, outliers
e outros problemas que estão comumente presentes em dados industriais. A maioria
das técnicas de detecção de anomalias abordam esses problemas, ao mesmo tempo
que detectam padrões anômalos relevantes.
Por outro lado, a previsão do RUL de um ativo é uma das principais características do
PdM e faz parte do prognóstico e gestão da saúde (PHM) [10]. Muitas vezes estes
tópicos (prognósticos e detecção de anomalias) são abordados individualmente, no
entanto ambos são fundamentais para o PdM, uma vez que os resultados da
detecção de anomalias podem ser um contributo valioso para os modelos preditivos e
melhorar o seu desempenho [11], ao mesmo tempo que contribuem para uma
abordagem preditiva mais genérica. Conforme ilustrado na Figura 2, o PdM é
frequentemente associado aos 5 V's do Big Data; velocidade, veracidade, valor,
volume e variedade [12]. Para atender a esses requisitos em um ambiente industrial
a arquitetura empregada desempenha um papel importante, principalmente no que
diz respeito a volume, velocidade e variedade, uma vez que sensores e dispositivos
produzem grandes quantidades de dados (volume) de diferentes tipos, como imagens,
vídeos, textos, entre outros (variedade), com alta cadência e devem ser analisados
em tempo real ou quase real (velocidade). O volume desempenha um papel
fundamental no desenvolvimento dos modelos preditivos, pois normalmente eles
requerem quantidades consideráveis de dados para serem ajustados/treinados. A
importância da velocidade está relacionada à necessidade de coletar dados e
processá-los em tempo real para prever problemas em tempo hábil, para que as
ações possam ser planejadas adequadamente. Veracidade significa veracidade e
precisão dos dados [13], o que é muito importante no PdM, uma vez que sensores e
dispositivos funcionam em condições adversas e estão sujeitos a dados errôneos.
Neste âmbito, a deteção de anomalias pode desempenhar um papel importante, ao
detetar estes dados e melhorar o desempenho preditivo dos
Machine Translated by Google
P. Nunes, J. Santos e E. Rocha
Arquitetônico
perspectiva
Detecção de anomalia
Processamento de dados
Barulho
Volume
Dados ausentes
Heterogeneidade de dados
Variedade
Figura 2. Esquema dos tópicos de revisão.
métodos de prognóstico. O valor representa todas as informações valiosas obtidas
dos dados. Depende fortemente dos métodos empregados para determinação de
RUL e detecção de anomalias, uma vez que extraem conhecimento e valor dos
dados.
As razões mencionadas motivaram a escrita deste artigo, que explora três
assuntos diferentes em PdM, a saber, detecção de anomalias, prognósticos e
perspectivas arquitetônicas. Como não pudemos abordar todos os tópicos de PdM
neste artigo, apenas os tópicos mais fundamentais para implantar um sistema PdM
generalizado e flexível baseado em dados são abordados. Os prognósticos e a
previsão RUL são um tópico central no PdM, e a detecção de anomalias está ligada
a ele, uma vez que pode melhorar o modelo de prognóstico detectando e removendo
dados ruidosos ou errôneos, e fornecendo novas entradas na forma de eventos
recuperados automaticamente dos dados . As perspectivas arquitetônicas estão
ligadas a esses assuntos, uma vez que não apenas os modelos precisam ser
generalizados, ou seja, a implantação eficiente desses modelos em diferentes
cenários industriais depende fortemente dos aspectos arquitetônicos. O objetivo
principal deste trabalho é conectar os três tópicos, a fim de discutir abordagens e
métodos para desenvolver uma solução PdM genérica e eficiente.
Fizemos buscas em duas bases de dados científicas, Scopus e Web of Science.
Os artigos revisados foram publicados em periódicos ou conferências nos últimos
seis anos. No que diz respeito ao tema detecção de anomalias, foram excluídos os
artigos que não consideraram dados de sensores ou casos de uso industrial. Além
disso, os artigos escolhidos foram divididos com base na arquitetura empregada, o
que é uma característica importante quando se pretende a integração com modelos
prognósticos. O tópico dos prognósticos concentra-se em abordagens baseadas em
dados, porém são definidas abordagens baseadas na física e baseadas no
conhecimento, e os artigos mais relevantes são citados mesmo que sua data de
publicação seja anterior a seis anos, porque é pertinente para uma melhor
compreensão de abordagens multimodelos que exploram abordagens baseadas em
dados juntamente com modelos físicos ou baseados em conhecimento. Os artigos
revistos a partir do tema da perspetiva arquitetónica foram escolhidos com base na
sua novidade, nomeadamente no que diz respeito à interação entre nuvens, nevoeiro
e camadas de borda e no seu potencial para responder aos requisitos dos 5 V no
setor industrial. O restante deste documento está organizado da seguinte forma. A
seção 3 aborda a detecção de anomalias em dados de sensores e apresenta as
abordagens mais recentes nesta área. A Seção 4 apresenta modelos empregados
para determinar o RUL e/ou a degradação de ativos industriais, enquanto a Seção 5
explora diferentes arquiteturas empregadas em sistemas PdM. Por fim, a Seção 6
resume as contribuições obtidas neste artigo.
Detecção de anomalia
A detecção de anomalias se preocupa em identificar valores de dados que se
desviam consideravelmente de um comportamento típico. A anomalia pode
55
CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67
PHM
Modelos preditivos
Velocidade
Modelos de degradação
Falhas de previsão
Prever RUL
Veracidade Valor
ser causada por diversos fatores; algumas delas estão relacionadas a erros no
sistema de aquisição, como mau funcionamento do sensor, bateria fraca, erros
durante a transmissão de dados, enquanto outras anomalias podem ser causadas
por mau funcionamento de um equipamento industrial, ou evento, como mudanças
na linha de produção ou uma parada curativa [14]. Embora as anomalias causadas
por eventos de máquinas tenham informações relevantes para o analisador, as
anomalias causadas por erros do sensor não fornecem nenhuma informação
relevante e podem levar a interpretações incorretas dos dados. Estas anomalias
podem ser designadas como ruído, porém, conforme discutido em [15], a
caracterização das anomalias e do ruído é diferente para diferentes tipos de dados.
Conforme ilustrado na Figura 3, as anomalias podem ser classificadas em:
anomalias pontuais, quando um ponto de dados é consideravelmente diferente de
seus vizinhos; anomalias comportamentais ou coletivas, quando um padrão de
dados é diferente de um comportamento esperado; e anomalias contextuais, quando
um padrão de dados pode ser esperado, mas em um contexto diferente [14,16].
Conforme mostrado na Figura 3, existem dois tipos de abordagens para lidar com
anomalias de dados em relação à arquitetura da solução; abordagens centralizadas,
onde o processo computacional é realizado integralmente no mesmo equipamento
(ex. servidor remoto); e soluções distribuídas, onde as diversas etapas do processo
computacional são realizadas em diferentes componentes, (ex. dispositivos edge,
nuvem, etc.). Quanto às metodologias de detecção de anomalias, elas podem ser
divididas em dois grandes grupos: abordagens estatísticas e de aprendizado de
máquina (ML).
As abordagens estatísticas visam determinar anomalias com base na distribuição
de variáveis durante o processo de trabalho, enquanto ML está dentro do campo da
inteligência artificial (IA), e fornece metodologias para lidar com dados de alta
dimensão e extrair relações ocultas entre dados em não -ambientes lineares e
complexos [17].
Como existem diferentes tipos de anomalias e podem ser desencadeadas por
diversos fatores, a maioria das pesquisas recentes emprega dados de diversos
sensores e explora a correlação entre eles [16,18–21–24], como pode ser observado
na Tabela 1. As correlações exploradas podem ser temporais [20,21], espaciais [16]
ou multivariadas [18,19]. Na maioria das pesquisas, valores de correlação são
empregados em conjunto com outras técnicas, como média móvel exponencial
(EMA) [25], redes neurais artificiais (RNA) [26,27], ou técnicas fuzzy [28,29] . Além
da exploração dos sensores correlacionados, técnicas de cluster [30], como o fuzzy
clustering [31], o Den-sity-Based Spatial Clustering of Applications with Noise
(DBSCAN) [32], a Análise de Componentes Principais (PCA) [ 33], ou o algoritmo
Balanced Iterative Reduction and Clustering using Hierarchies (BIRCH) [34] têm sido
amplamente aplicados em pesquisas recentes para detectar dados anômalos. As
subseções seguintes detalham os aspectos mais
métodos e técnicas relevantes para detectar anomalias que estão resumidos na
Tabela 1. Observe que este artigo apresenta a detecção de anomalias no contexto
específico de PdM e dados de sensores. Por esta razão, o
Machine Translated by Google
P. Nunes, J. Santos e E. Rocha
Figura 3. Visão geral dos tipos de anomalias de acordo com [14,16] e técnicas e arquiteturas de detecção.
as metodologias apresentadas estão focadas em abordagens baseadas em dados,
que são categorizadas de acordo com sua arquitetura. Para ter uma visão mais
detalhada de definições e conceitos mais amplos, indicamos ao leitor a revisão feita
por [14].
Abordagens centralizadas
Esta subseção apresenta soluções centralizadas recentes que foram
desenvolvidas para detectar anomalias. Observe que as pesquisas que não propõem
explicitamente uma arquitetura para implementar a abordagem proposta em um
ambiente real estão englobadas nesta subseção.
Os autores em [16] introduziram o contexto de área compartilhada, em que os
sensores são divididos por tipo e área. Os dados contínuos são agrupados em blocos
e uma janela deslizante é utilizada durante uma fase de treinamento para construir
um detector probabilístico, baseado no número de vezes que ocorre uma sequência
de um par de blocos. Os resultados demonstraram que esta abordagem possui
melhor precisão de detecção em comparação com outras abordagens estatísticas,
como a probabilística K-Nearest-Neighbor [39] e a K-means-Gaussiana [40].
Em [18] os autores empregaram a aproximação agregada por partes [41] para
agregar os dados em intervalos fixos de tempo. A matriz de correlação é calculada
para um conjunto de treinamento, a fim de detectar outliers quando a correlação de
dois sensores altamente correlacionados diminui mais do que um limite definido.
Quando uma sequência possui mais que um limite definido de outliers, ela é
considerada anormal, e um número mínimo de outliers é removido para respeitar a
restrição de velocidade utilizada pelos autores (velocidade de aumento/diminuição
do valor de um sensor). Os resultados experimentais são comparados com duas
outras abordagens para detectar anomalias, nomeadamente o modelo de previsão
da mediana da janela (WM) [42] e o modelo de previsão autorregressivo (AR) [43]. A
abordagem proposta tem um consumo de tempo um pouco maior em comparação
com o WM e um consumo de tempo consideravelmente maior em comparação com
o AR, porém, globalmente tem um desempenho melhor que as outras abordagens,
considerando métricas como precisão e recuperação em um conjunto de dados real.
Os autores em [19] propuseram um sistema de votação por maioria. Primeiro,
três algoritmos existentes que usam correlação multivariável são aplicados para
detectar outliers, nomeadamente o Elliptic Envelope [44], a Isolation Forest [45] e o
Local Outlier Factor [46]. Então, os pontos classificados como outliers por dois ou
mais métodos são classificados como outliers pelo algoritmo final. Os resultados
mostram que a abordagem apresenta resultados bastante estáveis, porém, uma das
abordagens empregadas no sistema de votação majoritária apresenta melhores
resultados e menos overhead computacional em comparação com o sistema de
votação que necessita da execução das três técnicas.
Um método supervisionado para detectar falhas foi proposto por [20]. A
abordagem assume que a correlação entre as variáveis do sistema muda devido à
falha do equipamento. O método consiste em explorar um grande conjunto de dados
contendo dados de comportamento normal, para
56
CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67
calcular a matriz de correlação [47]. As variáveis cujo coeficiente de correlação está
entre 0,5 e 0,95 são agrupadas em clusters 2-D e seus dados são selecionados para
realizar a detecção de anomalias, calculando a distância de Mahalanobis entre os
dados recebidos e os clusters construídos na fase de treinamento, ou seja, uma
anomalia é detectada quando o ponto de dados está fora do cluster elíptico.
Os autores em [35] usaram um modelo de regressão polinomial fornecido pelo
fabricante de geradores eólicos para separar dados válidos de sensores inválidos.
Uma técnica de cluster difuso é aplicada aos dados inválidos e um modelo de
regressão é implantado para cada cluster estatisticamente relevante. A saída final
separa as curvas de desclassificação e a curva de operação normal dos dados
incoerentes.
Os autores em [21] apresentaram um método que utiliza janelas deslizantes
para segmentar dados de séries temporais, e a distância de Mahalanobis entre
janelas deslizantes para detectar dados ruidosos em forma de pico. Para detectar
dados temporários com ruído, uma parte dos dados de comportamento normal é
selecionada e dividida em janelas de tempo para construir um modelo de segundo
plano. Se a distância de Mahalanobis entre uma janela de tempo e o modelo de
fundo for superior a um limite, isso é considerado ruído. A abordagem foi testada em
dados reais de IoT industrial (IIoT) com ruído e anomalias reais e obteve melhores
resultados na detecção de ruído em comparação com métodos de detecção de
valores discrepantes.
Outra abordagem, que pretende diferenciar ruídos ou anomalias de dados
causadas por erros de dados anômalos de eventos, foi proposta por [22]. Os autores
normalizam os dados e aplicam a EMA para suavizar as séries temporais. Uma
anomalia é detectada quando o valor de uma variável é superior a um limite. Quando
uma anomalia é detectada, é considerado um evento se os valores anteriores e
seguintes forem detectados como anomalia, caso contrário, a detecção da anomalia
é realizada para sensores correlacionados e a classificação depende dos resultados
obtidos para estes sensores. Os resultados experimentais num conjunto de dados de
tráfego real revelam uma boa precisão de previsão na detecção de ruído (96%), no
entanto, atingem apenas 70% na detecção de eventos.
Abordagens distribuídas
Na maioria dos cenários industriais, é de extrema importância detectar anomalias
em tempo real, ou quase em tempo real. Devido às condições ambientais adversas
e à latência de comunicação, em alguns casos, a solução de detecção deve ser
distribuída entre nós sensores ou
sistemas de aquisição de dados, gateways intermediários ou estações base e nuvem,
a fim de obter maior precisão em tempo hábil.
Uma detecção de anomalia em dois estágios foi proposta por [23]. A primeira
etapa de detecção é realizada no nó sensor, utilizando teoria fuzzy.
São necessários dois argumentos: o grau de anormalidade do valor de um sensor e
a média dos valores anteriores desse sensor. A segunda etapa é realizada na estação
base e considera os dados de sensores do mesmo tipo em locais diferentes e seu
coeficiente de correlação. O objetivo da detecção em vários estágios é detectar
Machine Translated by Google

P. Nunes, J. Santos e E. Rocha CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67

pontos anormais em cada sensor e compare o resultado com sensores

correlacionados (na mesma estação base) para determinar se a detecção anormal
é induzida por condições externas ou devido a um mau funcionamento do sensor.
Os resultados mostram que o método de detecção de anomalias para dados de
múltiplas fontes alcança maior precisão em comparação aos métodos tradicionais
que utilizam dados de fonte única. Porém, possui custos computacionais mais
elevados, o que segundo os autores vale a pena se comparado à melhoria na
detecção. Em comparação com a técnica DBSCAN, esta abordagem obteve melhor
desempenho em relação à precisão de detecção e tempo de computação para
grandes quantidades de dados.

Uma detecção de anomalias em vários estágios também foi proposta por [36].
Na primeira etapa, os dados são processados utilizando o algoritmo Boruta [48], que
extrai as características mais relevantes dos dados brutos. Na segunda etapa, os
dados são divididos em clusters usando o algoritmo de particionamento k-medoid
estendido [49] juntamente com o particionamento inspirado no firefly [50], que é
empregado para determinar o número de clusters. Na terceira etapa, um algoritmo
baseado no DBSCAN é empregado para detectar anomalias. Este algoritmo não
equipamentos,

Reconstrução
Desempenho

comparativos

consistentes
comparação

comparação

comparação

força todos os dados a estarem localizados em um cluster, portanto, pontos esparsos

abordagens,

abordagens,
comparação

comparação

abordagens
ligeiramente

ligeiramente
incoerentes
estatísticos

Resultados
significado
possibilitar

resultados

resultados
anomalias

DBSCAN
Melhores

melhores

Melhores

Melhores
Resultados

detecção

processo

detecção

detecção

detecção
detecção
Melhores

Melhores
sozinhas
detecção

detecção
métodos
métricas

Detectar

conjunto

precisão

métricas

métricas
métricas
diversos

Remova
técnicas
métricas

métricas
eventos
gerador

limpeza
estável

análise
outros

outras

outras
dados

dados
outras
tempo

outras
tempo
falhas

que não estão em nenhum cluster são considerados dados anômalos. A abordagem
eólico

Baixa
maior

maior
físico
custo

custo
ruído

Boas
após
mais

mais

local
Sem
usar
com

com

com

com
com

com
Alta
que

das
em

em

em

em
em

em
de

do

do

de
do

de

de
na

de

de
de
de

de
a

foi testada em 6 conjuntos de dados diferentes de repositórios disponíveis online e

os resultados mostram melhor desempenho em relação a métricas de detecção
como pontuação F1, precisão, taxa de falsos positivos e taxa de detecção. Além
disso, a necessidade de definir adequadamente alguns parâmetros de inicialização
no DBSCAN é superada, pois é empregada uma metodologia para calcular
automaticamente esses parâmetros.

Um método não supervisionado de dois estágios para detectar dados anormais

de sensores acústicos foi abordado por [37]. Primeiro, os autores dividem os dados
acústicos em janelas de tempo e, em seguida, empregam três técnicas diferentes
para extrair características dos dados brutos, nomeadamente codificação preditiva
linear (LPC) [51], coeficientes cepstrais de frequência Mel (MFCCs) [52] e
Coeficientes cepstrais de frequência gamatone (GMCC) [53]. Na primeira etapa, o
algoritmo BIRCH é empregado para agregar os dados em diversos microclusters de
acordo com as características computadas. Na segunda etapa os clusters são
mesclados usando a distância entre os centróides dos clusters, ou seja, se a
distância entre dois centróides for menor que um limite, eles são mesclados, caso
contrário não. A saída final consiste em dois clusters: um denso contendo pontos de
equipamentos
experimentais

manualmente
Temperatura,
configuração
experimentais

Repositório
estatísticos

parâmetros
Correlação

perturbada
velocidade

comportamento normal e outro contendo eventos raros. Os experimentos foram

anomalias

anomalias
diferentes
hidráulico

sintéticas
sensores

sensores
anormais

Conjunto
múltiplas
Berkeley
Métodos
Conjuntos

espacial

Misturar
gerados

eventos
origens
manual

gerado
fontes,
Dados

Dados
Dados

Conjunto

Dados

dados
dados
banco

vários
vento,

raros,

Rede

IBRK
ruído
dados

tráfego
teste

reais

UCI-
dados

realizados em registros de ruído de fundo, onde sons de tiros, vidros quebrados,

Intel

com

com
IIoT

gás
por

ML
real
de

de

do
de
do
de

de
de
do
de

de
e

sirenes e gritos foram adicionados como dados anômalos. A abordagem apresenta

bons resultados, nomeadamente, as métricas precisão, recall e pontuação F1
atingiram valores acima de 90%. A pontuação F1 e as métricas de precisão
superaram uma abordagem de estágio único, onde apenas uma técnica de
macroagrupamento é empregada.

Os autores em [24] propuseram uma arquitetura descentralizada na qual a

detecção de anomalias de curto prazo é realizada nos nós sensores, utilizando um
algoritmo RNA não supervisionado. Nesta etapa, todos os dados de um nó sensor
são tratados em conjunto, de forma a garantir a fusão dos dados. A segunda etapa
de detecção é acionada pela detecção de curto prazo e é realizada na nuvem. Ele
analisa as mudanças de correlação entre sensores altamente correlacionados.
correlacionados
estatísticos
Correlação

Assim, a detecção de curto prazo identifica potenciais anomalias e janelas temporais

altamente
sensores

sensores

sensores
Técnicas

Métodos

sensores
espacial

Cluster

entre

que podem conter informações relevantes, enquanto a computação em nuvem

supervisionado,
de

supervisionada
aleatoriamente

agrupamento

aglomerativo
Mahalanobis
introduzidos

permite métodos mais complexos e utiliza dados históricos para calcular mudanças
Correlação

Correlação

Correlação

Correlação

Correlação

Correlação
Regressão
majoritária

polinomial

Clustering

Clustering
clustering
DBSCAN
Distância
sensores

sensores

sensores
Conjunto
temporal

baseado

Variante
Sistema
turbinas

votação

Técnica
gerador
eólicas,
Análise

Dados

Teoria

neural
dados

difuso

difusa
eólico

de correlação entre sensores e identificar anomalias. Observe que devido às

Micro
entre
erros

entre

entre

entre

entre
reais
série

reais

EMA

PCA
rede
Ref.

[18]

[19]

[20]

[35]

[21]

[22]

[23]

[36]
não

[37]

[24]
não

[38]
em
de

de

do
de

de

de

de

capacidades computacionais limitadas do nó sensor, os autores fazem uso do

conceito de repetição generativa [54], mais especificamente, a Máquina Restrita de
Boltzmann (RBM) [55] é empregada para permitir que a RNA seja treinada em a
nuvem e evita gravar dados no dispositivo de borda, assim, apenas os parâmetros
do algoritmo são armazenados nos nós sensores. Um método supervisionado e
distribuído foi proposto por [38]. A arquitetura da solução proposta abrange clusters
Distribuídas
centralizadas
Abordagens

Soluções

de nós sensores com baixo

contribuições
anomalias.
detecção
Resumo

[16]
das

capaz
de
na

1
T

57
Machine Translated by Google
P. Nunes, J. Santos e E. Rocha
capacidades computacionais, e um cluster head, que é um dispositivo com mais
capacidades computacionais na vizinhança dos nós sensores. Inicialmente, o
primeiro modelo de detecção é desenvolvido durante a fase de treinamento offline,
aplicando uma variante do PCA [56,57] para calcular a matriz de autovetores e
autovalores para o conjunto de dados de treinamento.
Uma medida de dissimilaridade para cada ponto (com base na matriz de autovetores
e autovalores) é calculada nesta fase. A detecção de anomalias é realizada
detectando valores de dissimilaridade que não estão entre os limites calculados
durante a fase de treinamento. Os nós sensores calculam a média dos dados e
constroem constantemente novos modelos com os próximos dados que são
enviados ao chefe do cluster, que usa as informações dos vários nós sensores
para construir periodicamente um novo modelo global e enviá-lo de volta aos nós. A
abordagem foi testada usando uma rede de sensores do Intel Berkeley Research
Lab (IBRL), e anomalias sintéticas foram geradas e introduzidas no conjunto de
dados.
Os resultados mostram que a combinação de modelos locais e globais para detecção
de anomalias alcança melhores resultados em comparação com modelos locais.
A abordagem também foi comparada com outros métodos de detecção de outliers
distribuídos baseados em correlação espacial e temporal, mostrando que apenas
uma das técnicas obteve melhores resultados em ambas as métricas de taxa de
detecção e taxa de falsos positivos, porém os autores demonstraram que sua
abordagem tem menos custos computacionais. despesas gerais.
Desafios atuais, tendências e direções futuras
Um dos principais desafios na detecção de anomalias está relacionado com o
facto de o comportamento anormal dos dados poder ter diversas causas.
Embora uma anomalia causada por mau funcionamento ou degradação de uma
máquina contenha informações valiosas, anomalias causadas por mau
funcionamento de um sensor, bateria fraca ou outro distúrbio externo são
consideradas ruído e podem causar interpretações erradas [58]. Por esta razão a
maioria das técnicas propostas recentemente [16,18–24] utiliza correlação entre
diferentes sensores, o que minimiza dados errôneos devido a problemas de
sensores, porém, apenas as abordagens propostas por [21]
e [22] focam explicitamente em distinguir ruído de dados anormais que descrevem
eventos relevantes. No entanto, estas técnicas muitas vezes requerem o ajuste
fino de vários parâmetros, como limiares e limites. Além disso, estes modelos têm
que ser atualizados, devido à degradação dos equipamentos e às novas condições
externas, o que requer conhecimentos especializados de engenharia, conforme
afirma [21].
Além disso, ao utilizar a variação de correlação entre sensores, assume-se que uma
anomalia provoca uma diferença considerável nos valores de correlação, porém,
pode mudar devido ao estado de funcionamento da máquina ou outra situação não
anormal. Por outro lado, técnicas supervisionadas, como as propostas por [20] e
[38] necessitam de grandes quantidades de dados rotulados para construir os
modelos.
Um dos desafios para desenvolver e testar técnicas de detecção de anomalias
é a falta de dados rotulados. Por esse motivo, alguns autores empregam técnicas
não supervisionadas [24,36,37]. Além dos resultados apresentados para estas
técnicas serem bons, os conjuntos de dados utilizados para obter os desempenhos
métricos são construídos adicionando perturbações explícitas. Por exemplo, em
[37], os autores introduziram sons, como tiros, vidros quebrados, gritos e sirenes
sem áudio de fundo normal, enquanto em [24], os sensores foram perturbados com
lâmpadas acesas e uma bolsa de silicone. Num ambiente industrial real, podem
ocorrer perturbações que não são tão explícitas. Um verdadeiro conjunto de dados
rotulado com ruído, eventos e degradação de máquinas precisa de muito trabalho
de engenharia especializado. Por esta razão, um conjunto de dados tão rico ainda
é uma falta no campo da detecção de anomalias. Assim, a maioria dos conjuntos de
dados utilizados nas pesquisas abordadas nesta subseção introduz erros sintéticos
no conjunto de dados de comportamento normal, que podem não representar com
precisão o comportamento real dos dados anômalos.
Há uma preocupação crescente com o Big Data industrial e os requisitos da
indústria moderna obrigam os sistemas a serem eficientes e a darem respostas
oportunas. Por estas razões, os sistemas multiestágios e descentralizados
ganharam popularidade, uma vez que distribuem o
58
CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67
processamento de carga por vários agentes. Além disso, caso sejam detectados
dados incoerentes ou irrelevantes na rede de sensores, eles não precisam ser
armazenados ou transmitidos, otimizando a exploração dos recursos. Deve-se
ressaltar que a detecção de anomalias desempenha um papel importante, uma vez
que os resultados destas técnicas podem ser explorados duplamente em etapas
posteriores dos sistemas PdM: os dados ruidosos e sem valor podem ser removidos;
e as anomalias relevantes, como alterações na produção, paradas curativas,
reabastecimentos de óleo, etc., podem ser detectadas automaticamente a partir de
dados de sensores e empregadas como recursos adicionais para os modelos que
prevêem o RUL, o que pode potencialmente melhorar a precisão dos modelos
preditivos.
Métodos de prognóstico
No contexto da fabricação, prognóstico refere-se à previsão do estado esperado
de degradação de uma máquina ou de seus componentes para estimar seu RUL
[59]. Na indústria moderna, o prognóstico é visto como um serviço que tem um papel
fundamental na área de manutenção [60], pois permite o escalonamento de ações
de longo e curto prazo, de acordo com as previsões feitas pelos modelos para
determinar a RUL. Neste âmbito, a literatura refere-se a diferentes abordagens,
nomeadamente modelos baseados no conhecimento, baseados na física e
baseados em dados [60,61], conforme representado na Fig. 4. Os modelos baseados
em dados podem explorar abordagens estatísticas ou de ML e são frequentemente
combinado com modelos baseados em conhecimento e baseados em física, a fim
de resolver problemas mais complexos [62].
A detecção de anomalias foi abordada na seção anterior desta revisão, uma
vez que pode ser explorada para enriquecer os modelos preditivos. Para tanto, a
detecção de anomalias deve ser realizada mais precocemente, por isso as
abordagens apresentadas foram categorizadas de acordo com a arquitetura
empregada, uma vez que é relevante para sua integração com modelos prognósticos
mais complexos. O prognóstico é, em geral, um assunto mais complexo em
comparação com a detecção de anomalias e, por razão, esta seção categoriza as
técnicas de prognóstico de acordo com o tipo de abordagem utilizada, enquanto as
perspectivas arquitetônicas são discutidas com mais detalhes na seção 5. Como um
dos principais objetivos deste Embora o objetivo do artigo seja conectar a detecção
de anomalias com prognósticos e perspectivas arquitetônicas no contexto do PdM,
as abordagens baseadas em dados serão abordadas com mais profundidade, em
comparação com outras abordagens.
Abordagens baseadas no conhecimento
As abordagens baseadas no conhecimento baseiam-se no conhecimento
especializado que geralmente é adquirido durante anos de experiência trabalhando
com um equipamento ou peça específica. Este conhecimento pode ser empregado
para detectar falhas, determinar o estado de degradação dos equipamentos ou
determinar a causa raiz das falhas (diagnóstico). Essas abordagens são aplicadas
na indústria desde o início da década de 1990 [63–65],
Figura 4. Visão geral dos diferentes métodos prognósticos, segundo [60].
Machine Translated by Google
P. Nunes, J. Santos e E. Rocha
porque contam principalmente com a atuação de engenheiros e técnicos especializados,
não havendo necessidade de aquisição de equipamentos especializados para monitoramento
de ativos industriais. A exploração dos insumos de especialistas evoluiu com o surgimento
de modelos computacionais e técnicas que possibilitam a automatização de diagnósticos e
detecção de falhas. De uma forma geral, os modelos baseados em conhecimento podem
ser baseados em regras, baseados em casos ou baseados em conhecimento difuso [62]. A
pesquisa mais recente sobre esses tópicos, referente a casos de uso de manutenção, está
resumida na Tabela 2.
Os modelos baseados em regras pretendem codificar o raciocínio humano na forma de
regras “SE-ENTÃO”. Estas regras são reunidas por especialistas e armazenadas em bases
de conhecimento, que podem ser exploradas quando necessário para inferir as causas de
uma falha ou parada. Semelhante aos modelos baseados em regras, os modelos baseados
em conhecimento fuzzy também empregam regras na forma de “SE-ENTÃO”, mas
diferentemente das abordagens anteriores que utilizam a lógica booleana, ou seja, uma
declaração de regra pode assumir apenas dois valores, Verdadeiro ou Falso, essas regras
seguem a lógica fuzzy [28,29], ou seja, as afirmações podem assumir valores contínuos de
acordo com seu grau de veracidade. Esta abordagem pretende expressar a percepção
humana.
Por exemplo, o nível de vibração de um ativo pode ser baixo/alto e a sua degradação pode
ser baixa/alta de acordo com as diferentes percepções de cada especialista. Várias pesquisas
exploraram essas técnicas, especialmente no que diz respeito ao diagnóstico em diferentes
casos de uso industrial [66–69]. Uma abordagem semelhante, que utiliza uma abordagem
Bayesiana para estimar as crenças do especialista, foi desenvolvida por [70]. É importante
notar que estes modelos podem ser utilizados em conjunto com abordagens baseadas em
dados, que serão discutidas mais adiante neste documento.
O conhecimento baseado em casos utiliza experiências para abordar situações atuais.
Por exemplo, na pesquisa desenvolvida por [71]
os autores usam um raciocínio baseado em casos [72], onde vários casos são armazenados
em uma base de conhecimento. Estes incluem os valores do recurso e as ações tomadas
para superar essa situação (geralmente uma falha). Cada vez que ocorre uma situação
semelhante, o sistema sugere a solução adotada para situações anteriores.
Em geral, os métodos baseados em conhecimento são interessantes para diagnósticos,
porém não são amplamente empregados para prever a falha de uma máquina ou seu RUL,
sem serem fundidos com métodos baseados em dados. O conhecimento especializado é
caro e pode não estar disponível para todos os componentes ou máquinas de uma fábrica,
mas quando existe, estes modelos devem explorar e automatizar a decisão especializada e
fornecer mais informações para outras abordagens, como as baseadas em dados.
Modelos baseados em física
As abordagens baseadas na física exploram modelos matemáticos para descrever
processos físicos que têm impacto direto ou indireto nas condições de saúde dos
equipamentos. Esses modelos são frequentemente aplicados a componentes mecânicos e
estruturais, uma vez que estudos relativos a modelos físicos para descrever fadiga e
propagação de trincas são amplamente explorados na literatura [73–75]. Estas abordagens,
tal como os modelos baseados no conhecimento, são específicas de um domínio e requerem
conhecimentos profundos em matemática, juntamente com conhecimentos especializados
sobre o comportamento físico dos elementos da maquinaria, o que é dispendioso e demorado.
Tabela 2
Resumo das abordagens baseadas no conhecimento.
Ref. Técnica(s) Caso de uso de diagnóstico de prognóstico
[66] Lógica difusa não sim Linha de produção de automóveis
[67] Lógica difusa não sim Processo de
fabricação de semicondutores
[68] Lógica difusa não sim Rebolos
não
[69] Lógica difusa Sim Rolamentos
[70] Bayesiano não Sim Detecção de vazamento em tubulação
Redes
[71] Raciocínio baseado não sim Geraboxes para laminação
em casos
59
CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67
consumindo, e o conhecimento necessário é muitas vezes escasso para a maioria dos
componentes.
Abordagens baseadas em dados
As abordagens baseadas em dados exploram informações coletadas por sensores e
atuadores em uma fábrica, a fim de extrair delas conhecimento significativo. A proliferação de
tecnologias, como IIoT e CPS [76]
contribuiu para aumentar a importância dessas abordagens. Os dados coletados podem ser
utilizados para estudar a degradação de componentes, ou para criar modelos comportamentais
a partir de dados e estimar seu RUL. No
Na era do Big Data, as capacidades das abordagens baseadas em dados têm sido um tópico
de exploração na literatura nos últimos anos, principalmente devido à sua capacidade de
serem aplicadas em conjunto com outras abordagens numa abordagem multimodelo. Por
exemplo, os dados coletados podem ser usados com técnicas estatísticas ou de ML para
construir um modelo comportamental do sistema ou para deduzir o modelo físico de um
componente específico.
As abordagens multimodelos permitem abordar as complexidades da indústria moderna e a
exploração do conhecimento existente sobre o sistema, uma vez que o conhecimento
especializado pode ser combinado com técnicas baseadas em dados para aumentar a
eficácia das abordagens.
As abordagens baseadas em dados, como as abordagens de detecção de anomalias,
podem ser classificadas em dois tipos diferentes, estatísticas e ML. Na literatura existem
vários modelos e técnicas estatísticas aplicadas ao PdM, nomeadamente modelos ocultos de
Markov (HMM) [77], modelo de processo de Wiener (WPM) [78], modelo de processo gama
[79], modelo de riscos proporcionais [80], autorregressivo modelos de média móvel (ARMA)
[81], entre outros. As técnicas de ML compreendem RNA [82,83] e suas variações, máquinas
de vetores de suporte (SVM) [84], florestas aleatórias (RF) [85], xGBoost [86], mapa auto-
organizado (SOM) [87], entre outros. O restante desta seção aborda abordagens data-drive
na área de prognóstico, bem como as principais contribuições de cada uma, que estão
resumidas na Tabela 3.
Métodos estatísticos
Os autores em [88] e [89] empregaram modelos de degradação baseados em sensores
para prever RUL. Esta abordagem é mencionada como modelo baseado em degradação
sensorial atualizado (SUDM). Primeiro, a degradação é descrita como um processo estocástico
por características de degradação extraídas dos dados do sensor e, em seguida, um vetor de
parâmetros estocásticos é usado para medir a variabilidade unidade a unidade (UtUV), que é
um parâmetro que descreve as diferenças de o estado de saúde da máquina devido a
condições externas. Na pesquisa desenvolvida por [88], o RUL é o tempo necessário para
que a degradação atinja um valor limite, e é atualizado de acordo com uma abordagem
Bayesiana [100]. Por outro lado, os autores em [89] pretendem aproveitar a distribuição
estatística de vida útil (SLD), que é a metodologia normalmente empregada na manutenção
preventiva para estimar o tempo entre intervenções de manutenção igualmente espaçadas, e
SUDM. O SUDM é aplicado para determinar o RUL e o SLD é usado para determinar quando
os parâmetros devem ser atualizados. Os resultados apresentados demonstram que ao
combinar as abordagens SUDM e SLD, menos parâmetros têm que ser definidos em
comparação com a pesquisa desenvolvida por [88], porque os incrementos de tempo para
atualização do modelo SUDM são obtidos com a inclusão do modelo SLD. Porém, a
abordagem proposta por [88], demonstrou que se forem escolhidos os incrementos de tempo
mais adequados, a disponibilidade do sistema é maior.
Em [91], os autores desenvolveram uma metodologia baseada no WPM para estimar o
RUL de motores turbofan. Eles também empregam o parâmetro UtUV para descrever as
diferenças no estado de saúde da máquina devido à diferença de condições operacionais e
de saúde. Este parâmetro é atualizado durante o processo via filtragem de partículas (PF)
[101]
e algoritmos de reamostragem difusa. Os resultados mostraram que o RUL converge para a
verdade quando ambos os algoritmos são usados para atualizar o UtUV durante os ciclos de
trabalho. Uma das desvantagens desta abordagem é o facto de ser mais eficaz quando o
UtUV
Machine Translated by Google
P. Nunes, J. Santos e E. Rocha
Tabela 3
Resumo das abordagens baseadas em dados em prognósticos.
Ref. Técnicas Estudo de caso
Métodos estatísticos [88] SUDM Modelo de simulação
[89] SUDM [90] Modelo de simulação
PF; Testes de rolamento WMQE
[91] WPM; PF Motores turboventiladores
[92] KS; Qui2 Isolamento de máquinas elétricas
[93] WPM Baterias de chumbo-ácido
Métodos de aprendizado de máquina [94] RNA Caixa de engrenagens de turbina eólica
[95] RBM; Dados de rolamento SOM [96]
PF; RF Rolamentos para aeronaves; Método de conjunto de motores de aeronaves
[97] SVM; Componentes ANN MEP
[98] DBF Máquina de laminação a quente
[99] XGBoost; Fábrica de bens de consumo RF
desempenha um papel mais importante do que outros recursos, como os WPM
dependentes da idade e do estado. Por outro lado, teoricamente, permite que a
metodologia seja empregada em diferentes contextos, alterando o modelo de
degradação, o que traz a oportunidade de utilizar modelos baseados na física
quando disponíveis.
Existem dois tipos diferentes de falha em relação aos sinais de degradação.
Uma delas é a falha suave, na qual uma condição do ativo é dada por um sinal de
degradação e sua falha ocorre quando um limite de degradação pré-definido é
atingido [102]. O outro tipo é a falha grave, que ocorre instantaneamente em vez de
ter um limite de degradação estabelecido [93,102]. Os autores em [93] utilizam o
WPM para modelar a degradação de componentes automotivos (baterias de chumbo-
ácido) submetidos a falhas graves, que aumentam a complexidade do problema
devido à sua natureza imprevisível. Estas falhas são abordadas assumindo que a
taxa de risco [103] segue uma distribuição Weibull, cujos parâmetros são determinados
a partir de dados históricos. Os resultados experimentais mostram que as previsões
RUL melhoram quando as baterias estão próximas da falha, o que pode não ser
suficiente para uma manutenção adequada, devido ao curto período de tempo que
o decisor tem disponível. Além disso, a abordagem considera apenas falhas graves,
quando os sistemas reais muitas vezes podem sofrer de ambos: falhas leves
induzidas pela degradação e falhas graves. Outra desvantagem do modelo é o fato
dos autores ajustarem a taxa de risco a uma distribuição Weibull para cumprir os
modelos teóricos estatísticos, em vez de utilizarem sua distribuição real.
Os autores em [90] desenvolveram um indicador de saúde baseado nos dados
de vibração coletados em testes de rolamentos. O erro de quantização mínimo
ponderado (WMQE) foi desenvolvido a partir de [104]
e usado como indicador de saúde, enquanto um algoritmo PF é usado para prever o
RUL. Os resultados desta pesquisa mostraram que o indicador desenvolvido melhora
a previsão do RUL. No entanto, o processo de degradação foi descrito usando uma
variante do modelo Paris-Erdogan [105], que descreve a propagação de microfissuras
por fadiga em componentes mecânicos, tornando a abordagem específica para
alguns componentes mecânicos. Esta pesquisa mostra como modelos baseados em
física podem ser empregados em conjunto com abordagens baseadas em dados,
mas infelizmente, este tipo de abordagem não pode ser aplicado em uma ampla
gama de contextos, uma vez que o modelo de falha é muitas vezes desconhecido.
Um método estatístico foi empregado por [92] para avaliar os fenômenos de
degradação no isolamento de máquinas elétricas. Primeiro, os autores descrevem
um modelo empírico do comportamento normal dos componentes [106] e, em seguida,
os testes Qui-Quadrado (Chi2) e Kolmogorov-Smirnov (KS) são empregados para
determinar se os dados considerados correspondem a um comportamento normal.
Além da estratégia para o PdM, os autores propõem uma arquitetura de sistema
baseada em IoT e algoritmos para incorporar a estratégia em dispositivos de baixo
custo, como Raspberry Pi. O fato da abordagem ser computacionalmente leve e não
supervisionada alavanca uma ampla gama de capacidades, por exemplo, os rótulos
extraídos de cada aparelho podem ser concatenados em um arquivo central.
60
CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67
Principais contribuições
Atualiza modelos de degradação com dados de sensores
Vantagens dos modelos baseados em SLD e SUDM
Novo indicador de saúde
RUL com base na idade e estado
Rotulagem automática de dados
Considera falhas graves
Modelo de comportamento normal criado pela RNA
RBM extrai recursos que melhoram a previsão RUL
Vida útil prolongada dos componentes MEP
Fusão de conhecimento especializado, informações em tempo real e parâmetros de
configuração
Aplicado em ambiente real
unidade, assim mais conhecimento pode ser extraído desses dados.
Contudo, na presente pesquisa, a exploração de tais capacidades não foi explorada.
Métodos de aprendizado de máquina
As abordagens de ML foram aplicadas por [94], que empregou um algoritmo RNA
para construir um modelo de comportamento normal de uma caixa de engrenagens
de turbina eólica, que foi usado para avaliar o estado de saúde do sistema.
Os valores dos sensores previstos pelo modelo normal foram comparados com os
valores reais, a fim de determinar ações de manutenção. Técnicas de ML, como RNA,
são capazes de modelar sistemas muito complexos, porém, neste estudo de caso,
as variáveis consideradas são bem conhecidas e em número reduzido. Em sistemas
mais complexos com dezenas de sensores, outras técnicas, como redução de dados,
extração de características e outros tratamentos de dados, podem ter que ser
realizadas para extrair conhecimento significativo. Todas estas tarefas podem causar
uma pesada carga num sistema de nuvem centralizado, como o proposto pelos
autores, especialmente quando esta estratégia é aplicada a vários equipamentos.
comentários.
Em [95], os autores aplicaram um RBM para extrair características relevantes de
dados de rolamentos operacionais, para treinar um SOM. O processo online consiste
em comparar um vetor de dados de teste com os vetores de peso de todas as
unidades do mapa de linha de base, utilizando o erro mínimo de quantização. Os
resultados mostram que os recursos extraídos pelo RBM melhoram a previsão do
RUL. A extração de características e a predição RUL são abordadas como duas
tarefas separadas, o que permite a aplicação de outras técnicas de predição, mas,
por outro lado, o ajuste de parâmetros e a seleção do modelo devem ser realizados
para ambas as tarefas, aumentando o esforço computacional.
Por outro lado, [96] propuseram um método ensemble que combina uma
metodologia de ML, a interpolação baseada em similaridade (SBI) [107] com uma
técnica estatística, o PF. Ambos os algoritmos são treinados offline e suas saídas
são ponderadas de acordo com o estágio de degradação previsto. A saída desta
combinação linear é considerada a previsão final para RUL. Os resultados dos testes
realizados em rolamentos e motores de aeronaves mostraram melhor desempenho
preditivo em comparação com a utilização de cada um dos métodos isoladamente.
Porém, a aplicação de dois métodos diferentes envolve mais esforço computacional
e complexidade, principalmente, quando os pesos de cada método são dinâmicos,
ou seja, cada nível de degradação possui pesos diferentes.
Os autores em [97] exploraram a modelagem de informações de construção
(BIM) juntamente com um sistema IoT que coleta dados relevantes, relativos a
componentes elétricos e hidráulicos (MEP). A previsão de condições é realizada por
meio de dois algoritmos diferentes, cuja escolha depende fortemente da experiência
do desenvolvedor, segundo o autor. Além disso, as curvas de deterioração previstas
dos componentes MEP dependem de muitos parâmetros, o que obriga o modelo a
ser treinado para cada componente MEP, o que significa que os modelos são
Machine Translated by Google
P. Nunes, J. Santos e E. Rocha
específicos para cada componente do MEP (mesmo que os componentes sejam
semelhantes).
Por outro lado, [98] desenvolveram um modelo no qual o conhecimento especializado
é explorado em conjunto com um filtro bayesiano discreto (DBF) [108] para prever a
degradação de uma máquina de laminação a quente. A degradação é discretizada e o
modelo é treinado com as crenças dos especialistas [109], referentes ao estágio de
degradação em cada momento.
De acordo com os resultados, esta abordagem tem desempenho superior em
comparação ao esquema de manutenção preventiva e também tem desempenho melhor
do que os algoritmos de ML tradicionais de última geração. Além de explorar o
conhecimento de especialistas ser uma boa prática que contribui para a eficácia dos
modelos preditivos, este tipo de abordagem não pode ser aplicada a todos os
equipamentos industriais, pois esse conhecimento nem sempre está disponível,
principalmente em equipamentos complexos com muitas peças submetidas a diferentes
tipos de falha.
Finalmente, [99] testaram vários algoritmos de ML para prever o RUL de
componentes de uma fábrica de produção. Os resultados mostraram que XGBoost e
RF foram as técnicas mais eficazes. Além dos resultados dos modelos, os autores
propuseram e implantaram uma arquitetura em um ambiente industrial real. Este fato
destaca a necessidade de distribuir tarefas, como coleta de dados, processamento de
dados e modelos de treinamento, por diversas camadas para atingir o desempenho
computacional exigido pela indústria moderna. Em termos dos modelos empregados, a
metodologia foi aplicada em uma fábrica, portanto não pode ser generalizada, conforme
apontado pelos autores.
Desafios atuais e direções futuras
Como pode ser concluído, o estado da arte mais recente em prognóstico em PdM
combina abordagens baseadas em dados com modelos ou conhecimento especializado
para alcançar melhores resultados preditivos. Apesar da investigação desenvolvida
nesta área, existem alguns desafios por resolver.
Os métodos apresentados são aplicados a uma peça ou equipamento específico,
tornando as soluções específicas e não globais. Existem artigos que apresentam bons
resultados em diferentes casos de uso, por exemplo [110]
apresentou precisões superiores a 90% avaliando o estado de ferramentas de corte e
rolamentos, no entanto, foi alcançado com diferentes modelos de ML, nomeadamente
SVM e um tipo de RNA. Além disso, a influência da degradação de cada parte sobre as
demais não é contabilizada nas soluções. Além disso, métricas ou modelos de risco
como Árvores Dinâmicas de Falhas (DFT) [111] não são aplicados para modelar a causa
da falha e a interação entre as partes.
Um dos componentes amplamente estudados são os rolamentos [112,91,90,95],
uma vez que existem muitos testes para modelar a falha destes componentes, portanto,
conhecimento especializado suficiente foi reunido. Além disso, desenvolver modelos a
partir de dados é mais fácil para componentes simples, em comparação com toda uma
máquina industrial complexa, como prensas ou máquinas de moldagem. Além disso, os
conjuntos de dados com dados sintéticos normalmente não representam a
heterogeneidade presente nos dados reais [88,89], portanto a validação destes modelos
não é tão forte quanto aqueles testados em um ambiente industrial real.
No que diz respeito aos métodos estatísticos, estes têm uma base teórica muito
forte, no entanto, assumem que os parâmetros seguem distribuições conhecidas, como
exponencial, Weibull, ou outras, em vez de utilizarem as distribuições reais, o que pode
ser uma aproximação grosseira do comportamento real. . Além disso, às vezes as
abordagens estatísticas são baseadas em modelos de fadiga ou fissuras que são
conhecidos para alguns componentes, mas a metodologia não pode ser replicada em
outros ativos industriais. Por outro lado, os métodos de ML têm a capacidade de
representar modelos altamente heterogêneos e não lineares, mas necessitam de
grandes quantidades de dados para treinar os modelos e exigem altas capacidades
computacionais.
Embora as vantagens das metodologias baseadas em dados, elas requerem
grandes quantidades de dados e, muitas vezes, os modos de falha menos frequentes
não são considerados, porque não há dados suficientes para prevê-los. Além disso, as
pesquisas não utilizam anomalias ou eventos
61
CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67
detecção juntamente com modelos de degradação. Conforme discutido na seção 3, a
detecção de anomalias é empregada para detectar falhas ou eventos que podem causar
um alerta imediato, no entanto, a detecção de anomalias pode ser aplicada para detectar
eventos como o enchimento do nível de óleo, alteração dos parâmetros da máquina,
bem como a alteração das condições de trabalho.
Além disso, a detecção de anomalias pode ser empregada para detectar eventos que
podem ser generalizados e usados como recursos para modelos preditivos,
possibilitando um método geral para um sistema PdM. Finalmente, a detecção de
anomalias pode ser empregada para remover dados ruidosos que deterioram a precisão
dos modelos preditivos. Na verdade, a potencialidade de fundir métodos de detecção e
classificação de anomalias foi demonstrada na pesquisa apresentada por [11], onde os
autores exploraram uma combinação de segmentação de tempo e técnicas de detecção
de anomalias juntamente com algoritmos de classificação ML para prever falhas
mecânicas em prensas de estampagem. A aplicação simultânea de detecção de
anomalias, segmentação e ML permitiu uma taxa de melhoria de até 22,971% da métrica
F1-score, o que traz perspectivas interessantes quanto à aplicação de metodologias
semelhantes para prever o RUL de outros ativos industriais.
Outra questão observada nas pesquisas apresentadas, é que, os modelos de
degradação tendem a diferir do RUL de verdade quando a falha está longe de acontecer,
convergindo para o RUL de verdade quando o estado de degradação está próximo da
falha, o que pode não dar suficiente tempo para as partes interessadas planejarem as
atividades de manutenção em tempo hábil.
Perspectiva arquitetônica
A crescente complexidade dos processos industriais e a necessidade de lidar com
grandes volumes de dados heterogêneos motivaram a necessidade de desenvolver
tecnologias e arquiteturas para enfrentar esses desafios no contexto do PdM. As
abordagens desenvolvidas sofreram diversas modificações e evoluções ao longo dos
anos.
As primeiras arquiteturas propostas foram abordagens centralizadas baseadas em
nuvem [113]. Estes normalmente exploram as capacidades computacionais de um
servidor em nuvem centralizado para lidar com as tarefas mais complexas, como
processamento de dados, treinamento preditivo ou detecção de anomalias [114–116],
enquanto os dispositivos de borda são responsáveis apenas pela coleta de dados (redes
de sensores ) e transmissão de dados para a nuvem. Além de ser uma abordagem
simples e eficaz em alguns cenários, com o aumento do número de nós sensores no
chão de fábrica, a quantidade de dados a processar aumentou em grande escala, e
lidar com todas essas tarefas na nuvem pode não ser viável , devido à baixa latência da
rede necessária, à resposta rápida do sistema e ao custo de transmissão constante de
grandes quantidades de dados.
Pelas razões mencionadas, arquiteturas descentralizadas que exploram as
capacidades computacionais de dispositivos de ponta, nós de nevoeiro, ou as
capacidades de vários servidores em nuvem, estão sendo foco de pesquisas recentes
na área de manutenção industrial. A Figura 5 (a) representa os diferentes tipos de
arquiteturas e respectivas camadas, enquanto a Figura 5
(b) dá uma visão geral das camadas de computação que podem ser exploradas.
Os dispositivos Edge possuem capacidades computacionais, permitindo-lhes pré-
processar dados complexos, criando e selecionando recursos de dados relevantes ou
até mesmo executando algoritmos [117]. Neste âmbito, o white paper da Bosch [118]
destaca as vantagens e apresenta características a considerar na construção de
soluções de edge computing, nomeadamente a capacidade de executar análises e ML,
disponibilidade e fiabilidade, armazenamento local persistente, gestão e atualização
remota, entre outros .
A fog computing oferece alguns serviços em nuvem próximos ao local onde os
dados são gerados. Abrange recursos de armazenamento e rede, o que reduz a latência
e alivia a carga na rede [119]. A próxima subseção destaca algumas abordagens
recentes, com foco nos aspectos arquitetônicos do PdM. Estes podem explorar uma
ou mais camadas representadas na Figura 5, como pode ser visto na Tabela 4, que
resume as contribuições neste campo.
Machine Translated by Google

P. Nunes, J. Santos e E. Rocha CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67

Figura 5. Arquiteturas para PdM. (a) Visão geral de diferentes arquiteturas PdM [119]; (b) Visão geral das diferentes camadas de computação em arquiteturas PdM. (adaptado de [119]).

Principais contribuições recentes
Uma estrutura modular designada IDARTS foi desenvolvida por [120] para suportar
a capacidade de conexão de novos agentes e reduzir a latência da rede. Baseia-se na
abordagem de monitorização desenvolvida por [129], e é composto por três componentes
principais, o sistema de produção ciber-físico, onde os dados são recolhidos, processados
e avaliados. A componente de análise de dados em tempo real, focada na detecção
precoce de falhas de componentes, e a componente de gestão de conhecimento,
responsável pela atualização dos modelos com dados históricos e de entrada. A
plataforma foi testada usando um cluster com quatro nós contendo três agentes Java
Agent Development Framework (JADE) [130] e uma fila de mensagens baseada em
Apache Kafka [131]. As principais características alcançadas por esta pesquisa são: o
suporte à capacidade de plug-in, bem como a escalabilidade e flexibilidade, uma vez que
recursos virtuais podem ser adicionados ou removidos; diferentes configurações foram
testadas com sucesso; e diferentes modelos foram treinados. Além das conquistas
mencionadas, a arquitetura requer quatro máquinas diferentes com capacidades de
computação em nuvem, em vez de explorar as capacidades dos dispositivos de ponta e
lidar localmente com os dados.
Na pesquisa desenvolvida por [121], um algoritmo Random Matrix Mode baseado
em MapReduce [132] foi empregado em dispositivos de borda para detecção de
anomalias em uma arquitetura descentralizada com três camadas.
A camada inferior compreende o ambiente onde o big data é gerado, acima estão as
redes IoT, compostas por diversos dispositivos de borda que coletam dados do ambiente,
atuando como agentes simples de protocolo de gerenciamento de rede (SNMP), ou seja,
atuam como clientes SNMP e permitir a comunicação entre a rede central
estação de gerenciamento e chão de fábrica. O fato de a técnica de detecção poder
rodar em dispositivos edge é muito interessante, porém, a pesquisa apresentada está
em um estágio muito embrionário, ao invés de
empregando um estudo de caso real com coleta de dados em tempo real, um sensor
virtual simulado foi empregado para validar a abordagem.
Guiados pelos recursos destacados no white paper da Bosch [118], os autores em
[122] desenvolveram uma plataforma modular focada em garantir os recursos
mencionados no white paper. A modularidade da arquitetura proposta permite o uso de
computação em nuvem ou edge computing. Os recursos de computação de ponta são
aprimorados com um hardware acelerador de IA, que permite a execução de módulos
complexos de aprendizado profundo e o uso de bibliotecas padrão, como Tensor-Flow.
A pesquisa é muito interessante, na forma como atinge quase todas as funcionalidades
mencionadas em [118], especialmente a capacidade de executar modelos de ML. Porém,
o tratamento dos dados e o ajuste fino de parâmetros como o tamanho da janela não são
automáticos. Além disso, foi utilizado um conjunto de dados existente para validação do
modelo, portanto, nenhuma coleta de dados dos dispositivos de borda foi realizada.
Com foco na computação de ponta, os autores em [123] desenvolveram uma rede
neural recorrente comprimida (RNN) [82], empregando técnicas como quantização e
poda [133]. O foco principal desta pesquisa é a capacidade de executar algoritmos de
ML em dispositivos de borda de baixa potência, a fim de prever falhas em rolamentos de
motores de indução.
Também preocupados com o desempenho computacional de dispositivos de borda, em
[124], os autores exploraram diversas configurações de sensores e testaram diferentes
algoritmos de detecção de falhas rodando em diferentes dispositivos de borda, como
placas Raspberry Pi 3, NVIDIA Jetson TX2 e NVIDEA Xavier, sendo a última placa a
aquele que obteve melhor desempenho em relação ao tempo computacional. Estas
pesquisas destacam o fato de que mesmo quando o consumo de energia ou o
desempenho computacional são fatores críticos, é possível processar dados, executar
modelos de ML, enquanto coleta e transmite dados, utilizando dispositivos de ponta. No
entanto, as capacidades de uma arquitetura para PdM podem ser estendidas com a
exploração de ambos, servidor em nuvem e

Tabela 4

Resumo das arquiteturas para PdM.

Ref. Camada de nuvem Camada de neblina Camada de borda Principais contribuições

[120] Sim (4 nós) Não Não Suporte para plugabilidade, escalabilidade e flexibilidade
[121] Sim Não Sim A detecção de anomalias é executada diretamente em dispositivos de borda

[122] Sim Não Sim Flexibilidade para usar borda ou nuvem para executar vários algoritmos de ML
[123] Sim Não Sim Compactou um RNN para rodar em dispositivos de borda de baixo consumo de energia

[124] Não Não Sim Testamos diferentes algoritmos em diferentes dispositivos de baixo consumo de energia
[125] Sim Sim Sim Alta flexibilidade e escalabilidade, permitidas pelos microsserviços docker
[126] Sim Sim Sim Recursos de computação otimizados e aproximam a análise do chão de fábrica
[37] Sim Sim Sim Tarefas divididas pelas diferentes camadas permitem métodos de detecção de eventos mais complexos
[127] Sim Não Sim Gateway plug-and-play para extrair e estruturar dados em nível de campo em diferentes cenários
[128] Sim Sim Sim Os classificadores são treinados perto do chão de fábrica

62
Machine Translated by Google
P. Nunes, J. Santos e E. Rocha
dispositivos de borda. Por exemplo, diversas estruturas de dados e ferramentas de
visualização de dados, bem como análises de dados mais complexas, podem ser
possibilitadas pela computação em nuvem.
Os autores em [125] propuseram uma arquitetura onde os recursos da nuvem são
explorados para treinar modelos preditivos complexos, que são enviados para os
dispositivos de borda por meio de uma rede de neblina. O framework desenvolvido
engloba diversos microsserviços, como análise preditiva, visualização de dados e
cronograma de manutenção. Esses microsserviços são construídos em contêineres
docker, permitindo a escalabilidade de todos os recursos. Uma arquitetura semelhante
baseada em contêineres docker foi empregada por [134] na indústria de robótica. Este
tipo de arquitetura baseada em serviços, teoricamente permite a implementação de
todas as funcionalidades mencionadas em [118], porém, existem características
importantes que não foram relatadas por essas pesquisas.
As camadas de nuvem, neblina e borda foram consideradas na arquitetura
proposta por [126]. A camada de borda é principalmente responsável por detectar e
transmitir os dados e executar análises de baixa complexidade, enquanto a camada
de neblina emprega tecnologias como Apache NiFi e é responsável por coletar os
dados enviados pela camada de borda e encaminhá-los para a nuvem. Além disso,
pode agregar dados e executar análises mais complexas do que a camada de borda.
A camada de nuvem permite o armazenamento de todos os dados e posterior análise
de dados. Além de ser uma arquitetura interessante, encontra-se em estágio bastante
embrionário, pois carece de testes de avaliação.
Outra abordagem que explora as capacidades de borda e neblina foi desenvolvida
por [37], que propôs uma estrutura para detectar anomalias em dados de fluxo de
áudio, onde os dados são coletados por dispositivos de borda, a extração de recursos
é realizada na camada de neblina e um método de ML é compilado. colocado na
nuvem. Porém, a camada edge é subexplorada, quando se consideram todas as
características destacadas por [118], uma vez que ela apenas coleta dados e os
envia para a camada fog.
Em alguns casos, os equipamentos industriais já possuem sensores de campo
integrados, com interfaces que permitem aos usuários coletar os dados produzidos
pelas máquinas. Porém, requer conhecimento sobre distintas interfaces de
comunicação industrial, uma vez que os fabricantes disponibilizam diferentes protocolos
para suas máquinas. Os autores em [127]
desenvolveu um gateway plug-and-play para extrair dados em nível de campo [135] e
transformá-los de acordo com um esquema de dados, para armazená-los em bancos
de dados na nuvem. O gateway foi testado em dois cenários diferentes com interfaces
de comunicação diferentes. Reunir os dados em um esquema bem estruturado é
muito importante para o PdM, porém, o gateway é subexplorado, uma vez que outras
tarefas como processamento de dados e armazenamento persistente de eventos
poderiam ser realizadas, em vez de lidar com todas essas tarefas na nuvem.
Uma abordagem modular para PdM foi proposta por [128]. A pesquisa abrange
um módulo de detecção para coletar dados brutos, um módulo de recursos para extrair
e selecionar recursos relevantes, um módulo de aprendizagem para treinar
classificadores e um módulo de monitoramento. A estrutura proposta explora as
vantagens do paradigma da computação em névoa para ter esses serviços rodando
em dispositivos de ponta, próximos aos usuários finais. Porém, o desempenho
computacional e a latência não foram testados nesta pesquisa. A computação em
névoa também é explorada por [136], que propôs uma arquitetura descentralizada e
um algoritmo genético para programar intervenções de manutenção [137]. Porém, os
dispositivos de borda apenas coletam dados, enquanto os nós de neblina os enviam
para a nuvem, onde é feito todo o processamento de dados e desenvolvimento de
modelos.
Desafios e direções futuras
Além das diferentes arquiteturas disponíveis na literatura e apresentadas acima,
há uma tendência de explorar arquiteturas descentralizadas para distribuir a carga de
trabalho por diversos componentes. Enquanto alguns autores, como [120] empregam
uma rede de máquinas servidoras para otimizar o fluxo de dados, outros utilizam uma
camada de neblina [37,126,136,128], a fim de distribuir a carga computacional e trazer
mais capacidades computacionais para perto do chão de fábrica.
Além disso, os autores em [127] abordam outra questão com este tipo
63
CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67
de arquitetura, nomeadamente coleta de dados de sensores industriais integrados
em nível de campo.
Os dispositivos de borda desempenham um papel importante em diversas
pesquisas, [121–125,134], porque permitem a execução de diversas tarefas, desde a
coleta e processamento de dados, até a análise de dados usando modelos complexos
de ML. Em algumas pesquisas citadas, esses recursos são pouco explorados, pois
servem apenas para coletar dados e enviá-los para unidades de armazenamento,
quando, por exemplo, poderia ser realizada uma análise de dados para armazenar
apenas dados relevantes. Apesar de algumas pesquisas promissoras terem sido
apresentadas, nenhuma delas alcançou todos os recursos destacados pelo white
paper da Bosch [118], o que pode ser um bom guia para o desenvolvimento de futuras
arquiteturas PdM baseadas em dispositivos de ponta. Além disso, a interação entre
dispositivos periféricos e servidores em nuvem não é totalmente explorada. Embora
os dispositivos periféricos possam ter modelos integrados e analisar os dados de uma
máquina, os dados significativos podem ser recolhidos na nuvem, que, por outro lado,
pode extrair mais informações analisando em conjunto dados relevantes de vários
ativos industriais. Outro aspecto importante que deve ser considerado em pesquisas
futuras é a conexão entre os sistemas de informação corporativos, como o sistema de
execução de manufatura (MES) e os dispositivos IIoT, conforme afirmado em [138].
A necessidade de uma distribuição fácil e prática de serviços relevantes leva à
adoção de tecnologias, como Docker [125,134]
e dispositivos com maior poder computacional [124], que permitem uma distribuição
mais flexível de recursos como serviços. Uma característica de crescente importância
está relacionada à capacidade de executar modelos e algoritmos o mais próximo
possível dos usuários finais. Por esta razão, não apenas as capacidades do dispositivo
de ponta foram exploradas, mas esforços no desenvolvimento de algoritmos mais
leves foram feitos [122,123].
Conclusão
Esta revisão apresenta o estado da arte sobre temas que apresentam desafios à
implementação de um sistema generalizado baseado em dados no contexto do PdM.
Estes desafios abrangem a existência de dados ruidosos ou erróneos provenientes
de cenários industriais adversos, a falta de generalização de modelos de prognóstico
e a necessidade de recolher e processar dados de forma atempada e eficaz em
cenários industriais muito distintos. São apresentadas três perspectivas principais:
detecção de anomalias; prognósticos; e perspectivas arquitetônicas.
As técnicas de detecção de anomalias têm o potencial de melhorar duplamente os
modelos prognósticos: removendo dados ruidosos ou errôneos; e pela detecção de
eventos relevantes que podem ser utilizados como novos recursos de entrada para os
modelos prognósticos, possibilitando modelos mais generalizados. As perspectivas
arquitetônicas estão ligadas a essas técnicas, pois requerem uma arquitetura eficiente
e flexível para permitir sua implantação em distintos cenários industriais. As três
perspectivas mencionadas oferecem a base para o desenvolvimento e implantação de
um sistema de PdM generalizado e eficaz. Por esta razão, eles foram escolhidos entre
outros tópicos do PdM para serem o foco deste artigo.
Ao longo deste documento é descrita a importância da detecção de anomalias, e
as abordagens aplicadas nos últimos anos são revistas de um ponto de vista crítico e
categorizadas de acordo com a sua arquitectura. Em seguida, é abordado um tema
central, prognósticos e previsões RUL, onde as diferentes abordagens são
categorizadas de acordo com o tipo de modelo utilizado. Em seguida, são apresentadas
as questões em aberto e a conexão com o assunto anterior (detecção de anomalias).
Por fim, são revistos os avanços mais recentes em arquiteturas, conectados aos
assuntos anteriores, e os desafios atuais são apresentados a partir de uma análise
crítica das pesquisas apresentadas.
No campo da detecção de anomalias em cenários industriais, um dos grandes
desafios é o fato de que as anomalias podem ser causadas por diversos eventos,
como mau funcionamento de máquinas, paradas curativas, alterações nas condições
de trabalho, mau funcionamento de sensores induzidos por ambientes adversos.
condições mentais, erros de transmissão, entre outros. Neste contexto, as abordagens
propostas por [21] e [22] são interessantes, uma vez que
Machine Translated by Google
P. Nunes, J. Santos e E. Rocha
concentre-se explicitamente neste desafio usando correlação entre sensores.
No entanto, os resultados destas abordagens não são explorados nas
abordagens prognósticas, nomeadamente nos modelos de previsão RUL. A
detecção de anomalias em conjunto com as técnicas de prognóstico tem o
potencial de melhorar os modelos de degradação, uma vez que dados reais
podem ser menos propensos a erros ao utilizar eventos ou anomalias como
entradas em vez de dados brutos. Além disso, dados errados podem ser
tratados para não influenciar o resultado final dos modelos preditivos.
A maioria das abordagens para prognósticos são específicas para uma
peça ou equipamento, em vez de soluções validadas em diferentes cenários
industriais. Por exemplo, as pesquisas desenvolvidas por [112,90,91,95]
considere apenas o fracasso dos ursos rolantes. Além disso, não é
contabilizada a influência da degradação de cada parte sobre as demais, o
que juntamente com o emprego de conjuntos de dados sintéticos [88,89]
contribui para a perda de precisão ao tentar representar o comportamento real
das máquinas industriais. A inclusão dessas interações no modelo preditivo
global melhoraria a precisão dos modelos preditivos, uma vez que os modelos
propostos para determinação do RUL na literatura são eficazes apenas quando
o estágio de degradação está próximo de um ponto de falha.
A crescente produção de dados no ambiente industrial exige a exploração
e integração de capacidades de borda e de nuvem, bem como de sistemas
de informação empresariais, como MES.
Além disso, as arquiteturas empregadas para PdM devem ser flexíveis e
permitir a integração de mais componentes e a pronta modificação dos
existentes. Neste campo, as pesquisas propostas por [125,134] são
interessantes, pois propõem uma distribuição de serviços escalável baseada
em microsserviços docker. Além disso, a exploração de dispositivos edge em
arquiteturas descentralizadas e distribuídas é muito interessante, pois permite
um tratamento mais eficiente dos dados próximos ao chão de fábrica, ao
mesmo tempo que alivia a carga na nuvem.
O white paper da Bosch [118] fornece informações valiosas sobre os requisitos
de um dispositivo de ponta, e a pesquisa desenvolvida por [122] mostrou
resultados interessantes, uma vez que os autores alcançaram a maioria dos
recursos mencionados no white paper.
A investigação futura deverá abordar os desafios actuais em PdM,
nomeadamente integrar a detecção de anomalias nos modelos de prognóstico
desenvolvidos e ter em conta a interacção dos vários componentes, de forma
a alcançar modelos mais generalizados para serem aplicados em
equipamentos complexos, como máquinas de moldagem por injecção. ,
prensas, entre outros. Além disso, pesquisas futuras devem explorar recursos
computacionais de dispositivos de nuvem e de borda e sua interação, a fim de
alcançar o melhor desempenho computacional e preditivo dos modelos, para
abordar o tempo real e a flexibilidade exigida pelas indústrias modernas no
contexto das necessidades da Indústria 4.0.
Agradecimentos
São devidos agradecimentos à Universidade de Aveiro, à FCT/MCTES
pelo apoio financeiro à unidade de investigação TEMA (FCT Ref. UIDB/
00481/2020 & UIDP/00481/2020) e ao CENTRO01-0145-FEDER-022083 -
Programa Operacional Regional do Centro (Centro2020), no âmbito do Acordo
de Parceria Portugal 2020, através do Fundo Europeu de Desenvolvimento
Regional. Os autores agradecem ainda à FCT - Fundação para a Ciência e a
Tecnologia, IP pelas bolsas de doutoramento ref.
2020.06926. BD. O terceiro autor foi parcialmente financiado pelo Centro de
Investigação e Desenvolvimento em Matemática e Aplicações (CIDMA),
através da Fundação Portuguesa para a Ciência e a Tecnologia, referência
UIDB/04106/2021.
Declaração de interesses concorrentes
Os autores declaram que não têm interesses financeiros concorrentes ou
relações pessoais conhecidas que possam ter influenciado o trabalho relatado
neste artigo.
64
CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67
Referências
[1] Bevilacqua, M., Braglia, M., 2000, Processo de Hierarquia Analítica Aplicado à Seleção
de Estratégia de Manutenção. Engenharia de Confiabilidade e Segurança de Sistemas,
70/1: 71–83. https://doi.org/10.1016/S0951-8320(00)00047-8.
[2] Mobley, RK, 2002, Uma introdução à manutenção preditiva. Elsevier.
https://doi.org/10.1016/B978-0-7506-7531-4.X5000-3.
[3] Hao, Q., Xue, Y., Shen, W., Jones, B., Zhu, J., 2010, Um Sistema de Apoio à Decisão
para Integrar Manutenção Corretiva, Manutenção Preventiva e Manutenção Baseada
em Condições. Congresso de Pesquisa em Construção 2010 Sociedade Americana de
Engenheiros Civis, Reston, VA: 470–479. https://doi.org/10.1061/41109(373)47. (pp.).
[4] Lee, J., Kao, HA, Yang, S., 2014, Inovação de serviços e análise inteligente para Indústria
4.0 e ambiente de big data. Vol. 16 Procedia CIRP Elsevier: 3–8. https://doi.org/10.1016/
j.procir.2014.02.001. Vol. 16.
[5] Bagheri, B., Yang, S., Kao, HA, Lee, J., 2015, Arquitetura de sistemas ciberfísicos para
máquinas autoconscientes no ambiente da indústria 4.0. Vol. 28 IFAC-PapersOnLine:
1622–1627. https://doi.org/10.1016/j.ifacol.2015.06.318. Vol. 28.
[6] Sreedharan, R., Unnikrishnan, VA, 2017, Rumo à Indústria 4.0: Uma Revisão Sistemática. Jornal
Internacional de Matemática Pura e Aplicada, 117/20: 929–936.
[7] Fox, H., Pillai, AC, Friedrich, D., Collu, M., Dawood, T., Johanning, L., 2022, Uma revisão
da operação e manutenção preditiva e prescritiva de parques eólicos offshore. Energias,
15/2: 504. https://doi.org/10.3390/en15020504.
[8] Lepenioti, K., Bousdekis, A., Apostolou, D., Mentzas, G., 2020, Análise Prescritiva: Revisão de Literatura
e Desafios de Pesquisa. Jornal Internacional de Gestão de Informação, 50:57–70. https://doi.org/10.1016/
J.IJINFOMGT.2019. 04.003.
[9] O'Donovan, P., Leahy, K., Bruton, K., O'Sullivan, DT, 2015, Big Data in Manufacturing: A
Systematic Mapping Study. Jornal de Big Data, 1/2: 1–22. https://doi.org/10.1186/
s40537-015-0028-x.
[10] Zonta, T., daCosta, CA, daRosaRighi, R., de Lima, MJ, daTrindade, ES, Li, GP, 2020,
Manutenção Preditiva na Indústria 4.0: Uma Revisão Sistemática da Literatura.
Computadores e Engenharia Industrial, 150/agosto:106889 https://doi. org/10.1016/
j.cie.2020.106889.
[11] Coelho, D., Costa, D., Rocha, EM, Almeida, D., Santos, JP, 2022, Manutenção Preditiva
em Prensas de Estampagem Sensorizadas por Segmentação de Séries Temporais,
Detecção de Anomalias e Algoritmos de Classificação. Procedia Ciência da Computação,
200:1184–1193. https://doi.org/10.1016/j.procs.2022.01.318.
[12] BazzazAbkenar, S., HaghiKashani, M., Mahdipour, E., Jameii, SM, 2021, Big Data
Analytics Meets Social Media: A Systematic Review of Techniques, Open Issues, and
Future Directions. Telemática e Informática, 57/Setembro 2020:101517 https://doi.org/
10.1016/j.tele.2020.101517.
[13] Bello-Orgaz, G., Jung, JJ, Camacho, D., 2016, Big Data Social: Conquistas Recentes e
Novos Desafios. Fusão de informações, 28:45–59. https://doi. org/10.1016/
j.inffus.2015.08.005.
[14] Erhan, L., Ndubuaku, M., DiMauro, M., Song, W., Chen, M., Fortino, G., Bagdasar, O.,
Liotta, A., 2021, Smart Anomaly Detection in Sensor Sistemas: uma revisão
multiperspectiva. arXiv:2010.14946 Fusão de informações, 67/setembro de 2020: 64–
79. https://doi.org/10.1016/j.inffus.2020.10.001.
[15] E. Keogh, J. Lin, A. Fu, HOT SAX: Encontrando com eficiência a subsequência de série
temporal mais incomum, em: Proceedings - IEEE International Conference on Data
Mining, ICDM, IEEE, 2005, pp . 1109/ICDM.2005.79.
[16] Zhao, B., Li, X., Li, J., Zou, J., Liu, Y., 2020, Uma detecção de credibilidade baseada em
contexto de área para Big Data em IoT. Sistemas de Informação Móvel, 2020:1–12.
https://doi.org/10.1155/2020/5068731.
[17] Carvalho, TP, Soares, FAAMN, Vita, R., Francisco, RDP, Basto, JP, Alcalá, SGS, 2019,
Uma Revisão Sistemática da Literatura de Métodos de Aprendizado de Máquina
Aplicados à Manutenção Preditiva. Computadores e Engenharia Industrial, 137:106024
https://doi.org/10.1016/J.CIE.2019.106024.
[18] Z. Li, X. Ding, H. Wang, An Effective Constraint-Based Anomaly Detection Approach on
Multivariate Time Series, Lecture Notes in Computer Science (incluindo subséries
Lecture Notes in Artificial Intelligence e Lecture Notes in Bioinformatics) 12318 LNCS
( 2020)61–69.10.1007/978–3-030–60290-1_5.
[19] Roig, M., Catalan, M., Gastón, B., 2019, Detecção de outliers agrupados usando
correlação multivariável em RSSF por meio de técnicas de aprendizagem não supervisionadas.
Ramachandran WGMVMCV, Walters R. M, (Eds.) IoTBDS 2019 - Anais da 4ª
Conferência Internacional sobre Internet das Coisas, Big Data e Segurança SciTePress:
38–48. https://doi.org/10.5220/0007657400380048. (pp.).
[20] Yoo, YJ, 2020, Processo de detecção de falhas baseado em dados usando clustering
baseado em correlação. Computadores na Indústria, 122:103279 https://doi.org/10.1016/
j. compind.2020.103279.
[21] Liu, Y., Dillon, T., Yu, W., Rahayu, W., Mostafa, F., 2020, Remoção de ruído na presença
de anomalias significativas para dados de sensores de IoT industriais na fabricação.
Diário IEEE Internet das Coisas, 8/7: 7084–7096. https://doi.org/10.1109/
JIOT.2020.2981476.
[22] ElMenshawy, D., Helmy, W., 2018, Uma abordagem baseada em correlação para
diferenciar entre um evento e ruído na Internet das Coisas. Jornal Internacional de
Ciência da Computação Avançada e Aplicações, 12/09: 79–83. https://doi.org/10.14569/
IJACSA.2018.091212.
[23] Peng, Y., Tan, A., Wu, J., Bi, Y., 2019, Hierarchical Edge Computing: A Novel Multi-
Source Multi-Dimensional Data Anomaly Detecte Scheme for Industrial Internet of
Things. Acesso IEEE, 7:111257–111270. https://doi.org/10.
1109/ACESSO.2019.2930627.
[24] Cauteruccio, F., Fortino, G., Guerrieri, A., Liotta, A., Mocanu, DC, Perra, C., Terracina,
G., TorresVega, M., 2019, Detecção de anomalias de curto e longo prazo em
Machine Translated by Google
P. Nunes, J. Santos e E. Rocha
Redes de sensores sem fio baseadas em aprendizado de máquina e distância de edição
multiparametrizada. Fusão de informações, 52:13–30. https://doi.org/10.1016/j.inffus.2018.11.010.
[25] Anderson, DR, Sweeney, DJ, Williams, TA, 2010, Estatística Descritiva: Medidas Numéricas.
Estatísticas para Negócios e Economia. 11ª edição Cengage South-Western: 85–146. CH. 3, pp..
[26] Ripley, BD, 1996, Reconhecimento de Padrões e Redes Neurais. Cambridge University Press.
https://doi.org/10.1017/CBO9780511812651.
[27] Jain, A., Mao, Jianchang, Mohiuddin, K., 1996, Redes Neurais Artificiais: Um Tutorial. Computador,
29/3: 31–44. https://doi.org/10.1109/2.485891.
[28] Rao, SS, 2009, Otimização de Sistemas Fuzzy. Otimização de Engenharia: Teoria e Prática Quarta
edição John Wiley & Sons, Inc., Hoboken, NJ, EUA: 722–727. https://doi.org/
10.1002/9780470549124. CH. 13.6, pp.
[29] Hanss, M., 2005, Aritmética Difusa Aplicada. Springer-Verlag, Berlim/Heidelberg. https://doi.org/
10.1007/b138914.
[30] Xu, R., WunschII, D., 2005, Pesquisa de Algoritmos de Cluster. Transações IEEE em Redes
Neurais, 16/3: 645–678. https://doi.org/10.1109/TNN.2005.845141.
[31] Bezdek, JC, Ehrlich, R., Full, W., 1984, FCM: O algoritmo de agrupamento Fuzzy C-means.
Computadores e Geociências, 2/10–3: 191–203. https://doi.org/10.1016/0098-3004(84)90020-7.
[32] Schubert, E., Sander, J., Ester, M., Kriegel, HP, Xu, X., 2017, DBSCAN revisitado, revisitado.
Transações ACM em sistemas de banco de dados, 42/3: 1–21. https://doi.org/10.1145/3068335.
[33] Abdi, H., Williams, LJ, 2010, Análise de Componentes Principais. Revisões Interdisciplinares de
Wiley: Estatísticas Computacionais, 2/4: 433–459. https://doi. org/10.1002/wics.101.
[34] Zhang, T., Ramakrishnan, R., Livny, M., 1996, BIRCH: Um método eficiente de agrupamento de
dados para bancos de dados muito grandes. Registro SIGMOD (Grupo de Interesse Especial
ACM em Gerenciamento de Dados), 25/2: 103–114. https://doi.org/10.1145/235968.
233324.
[35] De Caro, F., Vaccaro, A., Villacci, D., 2018, Modelagem Adaptativa de Geração Eólica por Cluster
Fuzzy de Dados Experimentais. Eletrônica, 7/4: 47. https://doi.org/10.3390/electronics7040047.
[36] Garg, S., Kaur, K., Batra, S., Kaddoum, G., Kumar, N., Boukerche, A., 2020, Um esquema de
detecção de anomalias em vários estágios para aumentar a segurança em dispositivos habilitados
para IoT Formulários. Sistemas de Computação da Geração Futura, 104:105–118. https://doi.org/
10.1016/j.future.2019.09.038.
[37] Janjua, ZH, Vecchio, M., Antonini, M., Antonelli, F., 2019, IRESE: Um sistema inteligente de
detecção de eventos raros usando aprendizagem não supervisionada no IoT Edge.
Aplicações de Engenharia de Inteligência Artificial, 84/maio: 41–50. https://doi. org/10.1016/
j.engappai.2019.05.011.
[38] Rassam, MA, Maarof, MA, Zainal, A., 2018, Um modelo distribuído de detecção de anomalias para
redes de sensores sem fio baseado no classificador de componentes principais de uma classe.
Jornal Internacional de Redes de Sensores, 27/3: 200–214. https://doi.org/10.1504/
IJSNET.2018.093126.
[39] Ehsani-Besheli, F., Zarandi, HR, 2018, Detecção de anomalias sensíveis ao contexto em sistemas
embarcados. Vol. 582 Avanços em Sistemas Inteligentes e Computação Springer, Cham: 151–
165. https://doi.org/10.1007/978-3-319-59415-6_15. Vol. 582.
[40] MA Hayes, MA Capretz, Estrutura de detecção de anomalias contextuais para grandes dados de
sensores, em: Proc. da 3ª Int. Congresso sobre Big Data (IEEE BigData 2014), Vol. 2, 2014, pp .
[41] NQV Hung, DT Anh, Uma melhoria do PAA para redução de dimensionalidade em grandes bancos
de dados de séries temporais, em: Lecture Notes in Computer Science (incluindo subséries
Lecture Notes in Artificial Intelligence e Lecture Notes in Bioinformatics), Vol. 5351 LNAI, Springer,
Berlim, Heidelberg, 2008, pp.698–707.
10.1007/978–3-540–89197-0_64.
[42] Laxhammar, R., Falkman, G., 2012, Detecção on-line de subtrajetórias anômalas: uma abordagem
de janela deslizante baseada na detecção de anomalias conformadas e no fator discrepante local.
Vol. 382 AICT IFIP Avanços em Tecnologia de Informação e Comunicação Springer, Berlim,
Heidelberg: 192–202. https://doi. org/10.1007/978-3-642-33412-2_20. Vol. 382 AICT.
[43] Kirchgässner, G., Wolters, J., 2007, Processos Estacionários Univariados. não. 1 Introdução à
análise moderna de séries temporais Springer Berlin Heidelberg, Berlin, Heidelberg: 27–91. https://
doi.org/10.1007/978-3-540-73291-4_2. não. 1.
[44] Rousseeuw, PJ, Driessen, KV, 1999, Um Algoritmo Rápido para o Estimador do Determinante de
Covariância Mínima. Tecnometria, 41/3: 212–223. https://doi. org/10.1080/00401706.1999.10485670.
[45] FT Liu, KM Ting, Z.-H. Zhou, Isolation Forest, em: Oitava Conferência Internacional IEEE sobre
Mineração de Dados de 2008, IEEE, 2008, pp .
ICDM.2008.17.
[46] MM Breuniq, HP Kriegel, RT Ng, J. Sander, LOF: Identificando outliers locais baseados em
densidade, em: SIGMOD Record (ACM Special Interest Group on Management of Data), Vol. 29,
2000, pp .
[47] Franzese, M., Iuliano, A., 2019, Análise de Correlação. Vol. 1-3 Enciclopédia de Bioinformática e
Biologia Computacional Elsevier: 706–721. https://doi.org/10.1016/B978-0-12-809633-8.20358-0.
Vol. 1-3.
[48] Kursa, MB, Jankowski, A., Rudnicki, WR, 2010, Boruta - Um sistema para seleção de recursos.
Fundamenta Informaticae, 101/4: 271–285. https://doi.org/10.3233/
FI-2010-288.
[49] Lee, I., Yang, J., 2009, Algoritmos de Clustering Comuns. Vol. 2 Quimiometria Abrangente Elsevier:
577–618. https://doi.org/10.1016/B978-044452701-1.
00064-8. Vol. 2.
[50] Kar, AK, 2016, Bio Inspired Computing - Uma revisão de algoritmos e escopo de aplicações.
Sistemas Especialistas com Aplicações, 59:20–32. https://doi.org/10. 1016/j.eswa.2016.04.018.
65
CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67
[51] Shaughnessy, DO, 1988, Codificação Preditiva Linear. Potenciais IEEE, 01/07: 29–32. https://doi.org/
10.1109/45.1890.
[52] P. Bansal, SA Imam, R. Bharti, Reconhecimento de alto-falante usando MFCC, MFCC deslocado
com quantização vetorial e fuzzy, em: Conferência Internacional de 2015 sobre Técnicas e
Implementações de Computação Soft (ICSCTI), IEEE, 2015, pp. 44.10.
1109/ICSCTI.2015.7489535.
[53] Valero, X., Alias, F., 2012, Coeficientes Cepstrais Gammatone: Recursos Biologicamente Inspirados
para Classificação de Áudio Não-Fala. Transações IEEE em Multimídia, 14/6: 1684–1689. https://
doi.org/10.1109/TMM.2012.2199972.
[54] H. Shin, JK Lee, J. Kim, J. Kim, Aprendizado contínuo com repetição generativa profunda, em:
Advances in Neural Information Processing Systems, Vol. 2017 a dezembro de 2017, 2991–
3000.arXiv:1705.08690.
[55] McClelland, JL, Rumelhart, DE, 1987, Processamento Distribuído Paralelo, Modelos Computacionais
de Cognição e Percepção. The MIT Press, San Diego, Califórnia. https://doi.org/10.7551/mitpress/
5237.001.0001.
[56] Z. Xie, T. Quirino, ML Shyu, SC Chen, LW Chang, UNPCC: Um novo esquema de classificação
não supervisionado para detecção de intrusão de rede, em: Proceedings - Conferência
Internacional sobre Ferramentas com Inteligência Artificial, ICTAI, IEEE, 2006, pp.743–750.10.1109/
ICTAI.2006.115.
[57] MA Rassam, A. Zainal, MA Maarof, Classificador de componentes principais de uma classe para
detecção de anomalias em redes de sensores sem fio, em: Quarta Conferência Internacional de
2012 sobre Aspectos Computacionais de Redes Sociais (CASoN), IEEE, 2012, pp . –276.10.1109/
CASoN.2012.6412414.
[58] Li, D., Wang, Y., Wang, J., Wang, C., Duan, Y., 2020, Recent Advances in Sensor Fault Diagnosis:
A Review. Sensores e Atuadores, A: Físico, 309:111990 https://doi.org/10.1016/j.sna.2020.111990.
[59] Suh, JH, Kumara, SR, Mysore, SP, 1999, Diagnóstico e prognóstico de falhas de máquinas:
aplicação de técnicas avançadas de processamento de sinais. Anais CIRP - Tecnologia de
Fabricação, 48/1: 317–320. https://doi.org/10.1016/S0007-8506(07)63192-8.
[60] Gao, R., Wang, L., Teti, R., Dornfeld, D., Kumara, S., Mori, M., Helu, M., 2015, Prognóstico habilitado
para nuvem para fabricação. Anais CIRP, 64/2: 749–772. https://doi.org/10.1016/J.CIRP.2015.05.011.
[61] Peng, Y., Dong, M., Zuo, MJ, 2010, Status atual dos prognósticos da máquina na manutenção
baseada em condições: uma revisão. O Jornal Internacional de Tecnologia de Fabricação
Avançada, 50/1–4: 297–313. https://doi.org/10.1007/s00170-
009-2482-0.
[62] Montero Jimenez, JJ, Schwartz, S., Vingerhoeds, R., Grabot, B., Salaün, M., 2020, Rumo a
abordagens multimodelos para manutenção preditiva: uma pesquisa sistemática de literatura
sobre diagnósticos e prognósticos. Journal of Manufacturing Systems, 56/julho: 539–557. https://
doi.org/10.1016/j.jmsy.2020.07.008.
[63] B. Freyermuth, Diagnóstico de falhas incipientes de robôs industriais baseado em conhecimento,
IFAC Proceedings Volumes 24(6) (1991)369–375.10.1016/s1474–6670(17)
51169–6.
[64] Majstoroviÿ, VD, Milaÿiÿ, VR, 1990, Sistemas Especialistas para Manutenção no Conceito CIM.
Computadores na Indústria, 15/1–2: 83–93. https://doi.org/10.1016/0166-3615(90)90086-5.
[65] Vingerhoeds, RA, Janssens, P., Netten, BD, Fernández-Montesinos, M. Aznar, 1995, Melhorando o
monitoramento de condições off-line e on-line e o diagnóstico de falhas. Prática de Engenharia de
Controle, 11/03: 1515–1528. https://doi.org/10.
1016/0967-0661(95)00162-N.
[66] Vafaei, N., Ribeiro, RA, Camarinha-Matos, LM, 2019, Fuzzy Early Warning Systems for Condition
Based Maintenance. Computadores e Engenharia Industrial, 128/dezembro de 2018: 736–746.
https://doi.org/10.1016/j.cie.2018.12.056.
[67] Cao, Q., Samet, A., Zanni-Merk, C., De Beuvron, FDB, Reich, C., 2019, Uma abordagem baseada
em ontologia para classificação de falhas em manutenção preditiva usando fuzzy c-means e
SWRL Regras. Procedia Ciência da Computação, 159:630–639. https://doi.org/10.1016/
j.procs.2019.09.218.
[68] M. Baban, CF Baban, B. Moisi, A. Abordagem baseada em FuzzyLogic para manutenção preditiva
de rebolos de linhas de retificação automatizadas, 2018 23ª Conferência Internacional sobre
Métodos e Modelos em Automação e Robótica, MMAR 2018 (2018) 483 –486.10.1109/
MMAR.2018.8486144.
[69] Berredjem, T., Benidir, M., 2018, Diagnóstico de falhas de rolamento usando sistema especialista
difuso com base em um método de sobreposição e similaridade de faixa aprimorado. Sistemas
Especialistas com Aplicativos, 108:134–142. https://doi.org/10.1016/j.eswa.2018.
04.025.
[70] Tang, X., Xiao, M., Liang, Y., Zhu, H., Li, J., 2019, Atualização on-line da base de regras de crenças
usando estimativa bayesiana. Sistemas Baseados em Conhecimento, 171:93–105. https://doi.
org/10.1016/j.knosys.2019.02.007.
[71] Boral, S., Chaturvedi, SK, Naikan, VN, 2019, Um sistema de raciocínio baseado em casos para
detecção e isolamento de falhas: um estudo de caso em caixas de engrenagens complexas.
Jornal de Qualidade em Engenharia de Manutenção, 25/2: 213–235. https://doi.org/10.1108/
JQME-05-2018-0039.
[72] Kolodner, JL, 1992, Uma Introdução ao Raciocínio Baseado em Casos*xxxxxx. Revisão de
Inteligência Artificial, 6:3–34.
[73] Nasution, FP, Sævik, S., Gjøsteen, JK, 2012, Análise de fadiga de condutores de cobre para
turbinas eólicas offshore por método experimental e FE. Vol. 24 Energia Procedia Elsevier Ltd:
271–280. https://doi.org/10.1016/j.egypro.2012.
06.109. Vol. 24.
[74] Vachtsevanos, G., Lewis, F., Roemer, M., Hess, A., Wu, B., 2007, Diagnóstico inteligente de falhas
e prognóstico para sistemas de engenharia. John Wiley e Filhos. https://doi.org/
10.1002/9780470117842.
[75] Qiu, J., Seth, BB, Liang, SY, Zhang, C., 2002, Abordagem de mecânica de danos para prognósticos
de vida útil de rolamentos. Sistemas Mecânicos e Processamento de Sinais, 16/5: 817–829.
https://doi.org/10.1006/mssp.2002.1483.
Machine Translated by Google
P. Nunes, J. Santos e E. Rocha
[76] Rajkumar, R., Lee, I., Sha, L., Stankovic, J., 2010, Sistemas ciberfísicos: a próxima revolução
da computação. em: Proceedings - Design Automation Conference ACM Press, Nova York,
Nova York, EUA: 731–736. https://doi.org/10.1145/1837274.1837461. (pp).
[77] Rabiner, L., 1989, Um tutorial sobre modelos ocultos de Markov e aplicações selecionadas
em reconhecimento de fala. em: Anais do IEEE, 77/2: 257–286. https://doi.org/
10.1109/5.18626.
[78] Imam Mujahidin Iqbal, N. Aziz, Comparação de várias abordagens de identificação de
modelo de Wiener na modelagem de processos não lineares, em: 2011 3ª Conferência
sobre Mineração e Otimização de Dados (DMO), IEEE, 2011, pp.134–140.10.1109 /DMO.
2011.5976517.
[79] Singpurwalla, N., Youngren, M., 1993, Distribuições multivariadas induzidas por ambientes
dinâmicos. Jornal Escandinavo de Estatística, 20/3: 251–261.
[80] Leemis, LM, 2010, Geração Variável em Confiabilidade. Vol. 36 Série Springer em Engenharia
de Confiabilidade Springer, Londres: 85–103. https://doi.org/10.1007/978-1-84882-213-9_4.
Vol. 36.
[81] Box, GEP, Jenkins, GM, Reinsel, GC, 2008, Análise de Série Temporal, Série Wiley em
Probabilidade e Estatística. Wiley. https://doi.org/10.1002/9781118619193.
[82] Namuduri, S., Narayanan, BN, Davuluru, VSP, Burton, L., Bhansali, S., 2020, Revisão -
Métodos de aprendizagem profunda para manutenção preditiva baseada em sensores e
perspectivas futuras para sensores eletroquímicos. Jornal da Sociedade Eletroquímica,
167/3:037552 https://doi.org/10.1149/1945-7111/ab67a8.
[83] Schmidhuber, J., 2015, Aprendizado profundo em redes neurais: uma visão geral. Redes
Neurais, 61:85–117. https://doi.org/10.1016/j.neunet.2014.09.003. arXiv:1404.
7828.
[84] Hsu, Chih-Wei, Lin, Chih-Jen, 2002, Uma comparação de métodos para máquinas de vetores
de suporte multiclasse. Transações IEEE em Redes Neurais, 13/2: 415–425. https://doi.org/
10.1109/72.991427.
[85] Breiman, L., 2001, Florestas Aleatórias. Aprendizado de máquina, 45/1: 5–32. https://doi. org/
10.1023/A:1010933404324.
[86] T. Chen, C. Guestrin, XGBoost, em: Anais da 22ª Conferência Internacional ACM SIGKDD
sobre Descoberta de Conhecimento e Mineração de Dados, Vol. 13–17 de agosto, ACM,
Nova York, NY, EUA, 2016, pp .
2939672.2939785.
[87] Kohonen, T., 1990, O mapa auto-organizado. em: Anais do IEEE, 78/9:
1464-1480. https://doi.org/10.1109/5.58325.
[88] Kaiser, KA, Gebraeel, NZ, 2009, Modelos de degradação baseados em sensores. Transações
IEEE sobre Sistemas, Homem e Cibernética, 39/4: 840–849.
[89] Você, MY, Liu, F., Wang, W., Meng, G., 2010, Gerenciamento de manutenção preditiva
planejada estatisticamente e melhorada individualmente para sistemas degradantes
continuamente monitorados. Transações IEEE sobre Confiabilidade, 59/4: 744–753. https://
doi.org/10.1109/TR.2010.2085572.
[90] Lei, Y., Li, N., Gontarz, S., Lin, J., Radkowski, S., Dybala, J., 2016, Um método baseado em
modelo para previsão de vida útil restante de máquinas. Transações IEEE sobre
Confiabilidade, 65/3: 1314–1326. https://doi.org/10.1109/TR.2016.2570568.
[91] Li, N., Lei, Y., Yan, T., Li, N., Han, T., 2019, Um método baseado em modelo de processo de
Wiener para previsão de vida útil restante considerando unidade a unidade Variabilidade.
Transações IEEE em Eletrônica Industrial, 66/3: 2092–2101. https://doi.org/10.
1109/TIE.2018.2838078.
[92] Gianoglio, C., Ragusa, E., Bruzzone, A., Gastaldo, P., Zunino, R., Guastavino, F., 2020,
Sistema de monitoramento não supervisionado para manutenção preditiva de aparelhos de
alta tensão. Energias, 13/5: 1109. https://doi.org/10.3390/en13051109.
[93] Hu, J., Chen, P., 2020, Manutenção Preditiva de Sistemas Sujeitos a Falhas Graves
Baseadas no Modelo de Riscos Proporcionais. Engenharia de Confiabilidade e Segurança
de Sistemas, 196:106707 https://doi.org/10.1016/J.RESS.2019.106707.
[94] Garcia, MC, Sanz-Bobi, MA, del Pico, J., 2006, SIMAP: Sistema Inteligente para Manutenção
Preditiva. Aplicação ao monitoramento do estado de saúde de uma caixa de engrenagens
de turbina eólica. Computadores na Indústria, 57/6: 552–568. https://doi.org/10.1016/
j.compind.2006.02.011.
[95] Liao, L., Jin, W., Pavel, R., 2016, Regularização de Prognosabilidade para Prognósticos e
Avaliação de Saúde. Transações IEEE em Eletrônica Industrial, 63/11: 7076–7083.
[96] Li, Z., Wu, D., Hu, C., Terpenny, J., 2019, Uma abordagem prognóstica baseada em
aprendizagem de conjunto com pesos dependentes de degradação para previsão de vida
útil restante. Engenharia de Confiabilidade e Segurança de Sistemas, 184:110–122. https://
doi. org/10.1016/j.ress.2017.12.016.
[97] Cheng, JC, Chen, W., Chen, K., Wang, Q., 2020, Estrutura de planejamento de manutenção
preditiva baseada em dados para componentes MEP baseados em BIM e IoT usando
algoritmos de aprendizado de máquina. Automação na Construção, 112:103087 https://
doi.org/10.1016/J.AUTCON.2020.103087.
[98] Ruiz-Sarmiento, JR, Monroy, J., Moreno, FA, Galindo, C., Bonelo, JM, Gonzalez-Jimenez, J.,
2020, Um modelo preditivo para a manutenção de máquinas industriais no contexto da
indústria 4,0. Aplicações de Engenharia de Inteligência Artificial, 87/Outubro 2019:103289
https://doi.org/10.1016/j. engapai.2019.103289.
[99] Ayvaz, S., Alpay, K., 2021, Sistema de manutenção preditiva para linhas de produção na
manufatura: uma abordagem de aprendizado de máquina usando dados de IoT em tempo real.
Sistemas Especialistas com Aplicações, 173/Setembro de 2020:114598 https://doi.org/
10.1016/j.eswa.2021.114598.
[100] Gebraeel, NZ, Lawley, MA, Li, R., Ryan, JK, 2005, Distribuições de vida residual de sinais de
degradação de componentes: uma abordagem bayesiana. Transações IIE (Instituto de
Engenheiros Industriais), 37/6: 543–557. https://doi.org/10.1080/
07408170590929018.
[101] Simon, D., 2006, O Filtro de Partículas. Estimativa de estado ideal John Wiley & Sons, Inc.,
Hoboken, NJ, EUA: 461–483. https://doi.org/10.1002/0470045345. capítulo 15. (pp).
66
CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67
[102] Man, J., Zhou, Q., 2018, Previsão de falhas graves com sinais de degradação estocástica
usando processo de Wiener e modelo de riscos proporcionais. Computadores e Engenharia
Industrial, 125:480–489. https://doi.org/10.1016/j.cie.2018.09.015.
[103] Inglis, J., Meeker, WQ, Escobar, LA, 2000, Métodos Estatísticos para Dados de Confiabilidade.
Jornal da Associação Estatística Americana, 95/449: 340. https://doi. org/10.2307/2669573.
[104] Qiu, H., Lee, J., Lin, J., Yu, G., 2003, Métodos robustos de avaliação de degradação de
desempenho para prognósticos aprimorados de rolamentos de elementos rolantes.
Informática de Engenharia Avançada, 17/3–4: 127–140. https://doi.org/10.1016/j.aei.2004.
08.001.
[105] Paris, P., Erdogan, F., 1963, Uma Análise Crítica das Leis de Propagação de Crack. Jornal
de Engenharia Básica, 85/4: 528–533. https://doi.org/10.1115/1.3656900.
[106] Guastavino, F., Dardano, A., Torello, E., 2008, Medindo descargas parciais sob condições
de tensão pulsada. Transações IEEE sobre Dielétricos e Isolamento Elétrico, 15/6: 1640–
1648. https://doi.org/10.1109/TDEI.2008.
4712668.
[107] T. Wang, J. Yu, D. Siegel, J. Lee, Uma abordagem de prognóstico baseada em similaridade
para estimativa de vida útil restante de sistemas projetados, 2008 Conferência Internacional
sobre Prognósticos e Gestão de Saúde, PHM 2008 (2008). 10.1109/
PHM.2008.4711421.
[108] Sarkka, S., 2013, Filtragem e Suavização Bayesiana. Imprensa da Universidade de
Cambridge, Cambridge. https://doi.org/10.1017/CBO9781139344203.
[109] Fox, D., Hightower, J., Liao, L., Schulz, D., Bordello, G., 2003, Filtragem Bayesiana para
Estimativa de Localização. Computação Pervasiva IEEE, 2/3: 24–33. https://doi.org/10.1109/
MPRV.2003.1228524.
[110] Lee, WJ, Wu, H., Yun, H., Kim, H., Jun, MB, Sutherland, JW, 2019, Manutenção Preditiva de
Sistemas de Máquinas-Ferramenta Usando. Técnicas de inteligência artificial aplicadas a
dados de condições de máquinas, Procedia CIRP, 80:506–511. https://doi.org/10.1016/
j.procir.2018.12.019.
[111] Dugan, J., Bavuso, S., Boyd, M., 1992, Modelos dinâmicos de árvore de falhas para
sistemas de computador tolerantes a falhas. Transações IEEE sobre Confiabilidade, 41/3:
363–377. https://doi.org/10.1109/24.159800.
[112] Lee, J., Ni, J., Djurdjanovic, D., Qiu, H., Liao, H., 2006, Ferramentas de prognóstico inteligente
e manutenção eletrônica. Computadores na Indústria, 57/6: 476–489. https://doi.org/10.
1016/J.COMPIND.2006.02.014.
[113] Zhang, Q., Cheng, L., Boutaba, R., 2010, Computação em Nuvem: Estado da Arte e Desafios
de Pesquisa. Jornal de Serviços e Aplicativos da Internet, 1/1: 7–18. https://doi.org/10.1007/
s13174-010-0007-6.
[114] Arab, A., Ismail, N., Lee, LS, 2013, Programação de Manutenção Incorporando Dinâmica do
Sistema de Produção e Informações em Tempo Real das Estações de Trabalho.
Jornal de Manufatura Inteligente, 24/4: 695–705. https://doi.org/10.1007/
s10845-011-0616-3.
[115] Wang, J., Zhang, L., Duan, L., Gao, RX, 2017, Um novo paradigma de manutenção preditiva
baseada em nuvem para fabricação inteligente. Jornal de Manufatura Inteligente, 28/5:
1125–1137. https://doi.org/10.1007/s10845-015-1066-0.
[116] Armbrust, M., Fox, A., Griffith, R., Joseph, AD, Katz, R., Konwinski, A., Lee, G., Patterson,
D., Rabkin, A., Stoica, I ., Zaharia, M., 2010, Uma Visão da Computação em Nuvem.
Comunicações do ACM, 53/4: 50–58. https://doi.org/10.1145/
1721654.1721672.
[117] Shi, W., Cao, J., Zhang, Q., Li, Y., Xu, L., 2016, Edge Computing: Visão e Desafios. Diário
IEEE Internet das Coisas, 3/5: 637–646. https://doi.org/10.
1109/JIOT.2016.2579198.
[118] Bosch Software Innovations GmbH, Edge computing para IoT (2018).
[119] Martin, JP, Kandasamy, A., Chandrasekaran, K., Joseph, CT, 2019, Elucidando os desafios
para a práxis da computação em neblina: um estudo baseado em aspectos.
Jornal Internacional de Sistemas de Comunicação, 32/7:e3926 https://doi.org/10.1002/
dac.3926.
[120] Peres, RS, DionisioRocha, A., Leitão, P., Barata, J., 2018, IDARTS - Rumo à Análise
Inteligente de Dados e Supervisão em Tempo Real para a Indústria 4.0. Computadores na
Indústria, 101/outubro de 2017: 138–146. https://doi.org/10.1016/j.compind.
2018.07.004.
[121] W. Zhang, M. Dong, K. Ota, J. Li, W. Yang, J. Wu, A. Arquitetura de gerenciamento de big
data para IoT padronizada baseada em SNMP escalável inteligente, 2020 IEEE International
Conference on Communications, ICC 2020 2020(2020).
[122] Resende, C., Folgado, D., Oliveira, J., Franco, B., Moreira, W., Oliveira-Jr, A., Cavaleiro, A.,
Carvalho, R., 2021, TIP4.0 : Plataforma Industrial de Internet das Coisas para Manutenção
Preditiva. Sensores, 21/14: 4676. https://doi.org/10.3390/
s21144676.
[123] Markiewicz, M., Wielgosz, M., Bochenski, M., Tabaczynski, W., Konieczny, T., Kowalczyk, L.,
2019, Manutenção Preditiva de Motores de Indução Usando Sensores Sem Fio de
Potência Ultrabaixa e Recorrente Comprimido Redes neurais. Acesso IEEE, 7:178891–
178902. https://doi.org/10.1109/ACCESS.2019.2953019.
[124] Xu, Y., Nascimento, NMM, de Sousa, PH, Nogueira, FG, Torrico, BC, Han, T., Jia, C.,
Rebouças Filho, PP, 2021, Multi-sensor Edge Computing Architecture for Identification de
Falhas Curto-circuitos em Geradores Eólicos. Computação Soft Aplicada, 101:107053
https://doi.org/10.1016/j.asoc.2020.107053.
[125] Cerquitelli, T., Bowden, D., Marguglio, A., Morabito, L., Napione, C., Panicucci, S., Nikolakis,
N., Makris, S., Coppo, G., Andolina, S., Macii, A., Macii, E., O'Mahony, N., Becker, P.,
Jung, S., 2019, Uma abordagem de computação em névoa para manutenção preditiva.
Vol. 349 Publicação Internacional Springer. https://doi.org/10. 1007/978-3-030-20948-3_13.
[126] J. Díaz-De-Arcaya, R. Miñon, AI Torre-Bastida, DL, KA, MR, MEMN, QC, SR, SP, TC, WD,
Rumo a uma arquitetura para análise de big data aproveitando paradigmas de borda/
névoa , 13ª Conferência Europeia sobre Arquitetura de Software, ECSA 2019 2(2019)173–
176.
Machine Translated by Google
P. Nunes, J. Santos e E. Rocha
[127] Liu, C., Su, Z., Xu, X., Lu, Y., 2022, Gateway de Internet das Coisas Industrial orientado
a serviços para fabricação em nuvem. Robótica e Fabricação Integrada por
Computador, 73/Julho 2021:102217 https://doi.org/10.1016/j.rcim.2021.
102217.
[128] Foukalas, F., 2020, Plataforma Cognitiva IoT para Aplicações Industriais de
Computação em Névoa. Computadores e Engenharia Elétrica, 87:106770 https://
doi.org/10.1016/j.compeleceng.2020.106770.
[129] A. Dionisio Rocha, R. Peres, J. Barata, Uma arquitetura de monitoramento baseada
em agente para sistemas de manufatura baseados em plug and Produce, em: 2015
IEEE 13ª Conferência Internacional de Informática Industrial (INDIN), IEEE, 2015, pp.
1318–1323.10.1109/INDIN.2015.7281926.
[130] Bellifemine, F., Caire, G., Greenwood, D., 2007, Desenvolvendo Sistemas Multiagentes
com JADE, Série Wiley em Tecnologia de Agentes. John Wiley & Sons, Ltd,
Chichester, Reino Unido. https://doi.org/10.1002/9780470058411.
[131] Wang, G., Koshy, J., Subramanian, S., Paramasivam, K., Zadeh, M., Narkhede, N.,
Rao, J., Kreps, J., Stein, J., 2015, Construindo um sistema de log replicado com
Apache Kafka. em: Anais do VLDB Endowment, 12/08: 1654–1655. https://doi.org/
10.14778/2824032.2824063.
[132] J. Dean, S. Ghemawat, MapReduce: Processamento de dados simplificado em
grandes clusters, em: OSDI 2004 - 6º Simpósio sobre Design e Implementação de
Sistemas Operacionais, Vol. 5, 2004, pp.137–149.10.21276/ijre.2018.5.5.4.
[133] H. Sharma, J. Park, N. Suda, L. Lai, B. Chau, V. Chandra, H. Esmaeilzadeh, Bit Fusion:
arquitetura dinamicamente composível em nível de bit para acelerar profundamente
67
CIRP Journal of Manufacturing Science and Technology 40 (2023) 53–67
Rede Neural, em: 2018 ACM/IEEE 45º Simpósio Internacional Anual de Arquitetura
de Computadores (ISCA), IEEE, 2018, pp .
1109/ISCA.2018.00069.
[134] Panicucci, S., Nikolakis, N., Cerquitelli, T., Ventura, F., Proto, S., Macii, E., Makris, S.,
Bowden, D., Becker, P., O' mahony, N., Morabito, L., Napione, C., Marguglio, A.,
Coppo, G., Andolina, S., 2020, Uma abordagem da nuvem até a borda para apoiar
análises preditivas na indústria de robótica. Eletrônica (Suíça), 3/9: 492. https://doi.
org/10.3390/eletrônica9030492.
[135] Liu, C., Vengayil, H., Zhong, RY, Xu, X., 2018, Um método de desenvolvimento
sistemático para máquinas-ferramentas ciberfísicas. Jornal de Sistemas de
Manufatura, 48:13–24. https://doi.org/10.1016/j.jmsy.2018.02.001.
[136] Teoh, YK, Gill, SS, Parlikad, AK, 2021, Modelo de manutenção preditiva baseado em
IoT e Fog Computing para gerenciamento eficaz de ativos na indústria 4.0 usando
aprendizado de máquina. Jornal IEEE Internet das Coisas, 0/c: 0–7. https://doi.org/10.
1109/JIOT.2021.3050441.
[137] Alcaraz, J., Maroto, C., 2001, Um algoritmo genético robusto para alocação de recursos
no agendamento de projetos. Anais de Pesquisa Operacional 2001 102:1, 102/1: 83–
109. https://doi.org/10.1023/A:1010949931021.
[138] Mantravadi, S., Møller, C., LI, C., Schnyder, R., 2022, Design Choices for Next
Generation IIoT-connected MES/MOM: An Empirical Study on Smart Factories.
Robótica e Fabricação Integrada por Computador, 73/Julho 2021:102225 https://
doi.org/10.1016/j.rcim.2021.102225.