REDES NEURAIS ARTIFICIAIS CONSCIENTES DE INCERTEZA PARA PREVISÃO DE VIDA ÚTIL REMANESCENTE DE SISTEMAS

INTRODUÇÃO: O gerenciamento de prognósticos e saúde de sistemas (PHM – Prognostics and Health Management) tem assumido um papel central na engenharia moderna, com destaque para a predição da Vida Útil Remanescente (RUL – Remaining Useful Life) na prevenção de falhas operacionais e na otimização de estratégias de manutenção. Contudo, abordagens de aprendizado profundo estritamente determinísticas frequentemente falham em quantificar a incerteza associada aos processos de degradação, gerando estimativas pontuais sobreconfiantes. OBJETIVOS: Neste contexto, este estudo teve como objetivo principal desenvolver e avaliar modelos preditivos baseados em inferência variacional aproximada para a estimação robusta da RUL, buscando simultaneamente precisão de previsão e calibração probabilística. MATERIAIS E MÉTODO: A metodologia empírica fundamentou-se no subconjunto FD001 da base de dados pública C-MAPSS, referente a simulações aeroespaciais de motores turbofan. Na modelagem, o desempenho de arquiteturas Long Short-Term Memory (LSTM) determinísticas foi comparado a versões probabilísticas incorporando Monte Carlo Dropout (MCDO) e bidirecionalidade (BLSTM). A avaliação baseou-se na Raiz do Erro Quadrático Médio (RMSE) para estimativas pontuais, e nas métricas PICP (Prediction Interval Coverage Probability), MPIW (Mean Prediction Interval Width), NLL (negative log-likelihood) e em Gráficos de Calibração para os limites de incerteza. RESULTADOS: Os resultados revelaram que a aplicação de MCDO melhorou o desempenho pontual atuando como mecanismo de regularização, reduzindo o RMSE em relação à baseline. Ademais, observou-se que a LSTM padrão obteve intervalos excessivamente estreitos e menor consistência da cobertura real. Em contrapartida, a BLSTM com MCDO capturou com eficácia as dependências temporais duplas, resultando em um alargamento seguro dos intervalos de confiança, cobertura significativamente superior e uma sólida calibração. CONSIDERAÇÕES FINAIS: Conclui-se que a modelagem probabilística fornece um diagnóstico transparente e vital das dinâmicas de aprendizado da rede, superando os riscos das estimativas escalares. A arquitetura bidirecional mostrou-se uma ferramenta computacional realista e robusta, entregando um maior nível de confiabilidade para a gestão de riscos e tomada de decisão em cenários práticos de manutenção preditiva industrial.

PALAVRAS-CHAVE: PHM; C-MAPSS; Rede Neural Recorrente; LSTM; Incerteza.