INTRODUÇÃO À REDES NEURAIS ARTIFICIAIS COM ADAPTAÇÃO DE DOMÍNIO PARA DETECÇÃO DE FALHAS DE SISTEMAS

INTRODUÇÃO: A eficiência e a confiabilidade de processos industriais dependem cada vez mais de tecnologias capazes de monitorar, prever e otimizar o funcionamento de sistemas, sendo os Sistemas de Prognóstico e Gestão de Saúde (PHM) fundamentais para a detecção de falhas, a estimativa da vida útil remanescente (RUL) e a manutenção preditiva. Nesse contexto, o avanço de técnicas de inteligência computacional, especialmente de redes neurais artificiais com adaptação de domínio, contribui para a construção de modelos mais robustos, confiáveis e transferíveis entre diferentes domínios operacionais. OBJETIVOS: Investigar como as técnicas de redes neurais artificiais com adaptação de domínio podem ser aprimoradas para a construção de sistemas de detecção de falhas robustos, adaptáveis e transferíveis. Como objetivos específicos, buscou-se revisar o estado da arte sobre os problemas e as técnicas de redes neurais aplicadas ao tema, além de produzir white papers sobre detecção de falhas de sistemas, sobre inteligência artificial aplicada a esse problema e sobre adaptação de domínio, de modo a consolidar o entendimento teórico necessário à pesquisa. MATERIAIS E MÉTODO: Foram elaborados infográficos e modelos de apresentação de slides sobre os conceitos de Machine Learning (ML), Regressão Linear (RLI) e Regressão Logística (RLO), a partir da análise de vídeos educacionais e de materiais disponíveis em plataformas como o Kaggle. Com base nesse embasamento, foi desenvolvido, com o auxílio de inteligência artificial, um código em linguagem Python que implementa um classificador de RLO orientado a objetos, capaz de gerar dados sintéticos, treinar o modelo, calcular métricas de desempenho e produzir visualizações gráficas, como fronteira de decisão, função sigmoide, curva ROC e matriz de confusão. RESULTADOS: O código desenvolvido, organizado na classe LogisticRegressionDemo, apresentou desempenho satisfatório em um cenário de dados sintéticos com boa separabilidade entre classes, produzindo um painel de visualizações que reúne as principais métricas do modelo. Verificou-se, no entanto, que a abordagem linear utilizada não incorpora mecanismos de adaptação de domínio, respondendo apenas parcialmente à pergunta de pesquisa central, ainda que tenha cumprido papel relevante como prova de conceito e estabelecido um pipeline reaproveitável de preparação de dados, treinamento, avaliação e visualização. CONSIDERAÇÕES FINAIS: Conclui-se que os objetivos específicos foram plenamente alcançados, consolidando o referencial teórico e metodológico necessário à continuidade da pesquisa. Trabalhos futuros devem avançar para arquiteturas de redes neurais com adaptação de domínio, como as Domain-Adversarial Neural Networks, validadas sobre dados reais, a fim de avaliar de forma efetiva a robustez, a adaptabilidade e a transferibilidade dos modelos entre diferentes domínios operacionais.

PALAVRAS-CHAVE: Detecção de falhas; Redes neurais artificiais; Adaptação de domínio; Regressão logística; Manutenção preditiva.