APRENDIZAGEM INCREMENTAL COMO BASE PARA A ADAPTABILIDADE EM MODELOS PREDITIVOS NO CONTEXTO DIGITAL TWIN LOCAL

INTRODUÇÃO: O presente relatório apresenta a investigação de técnicas de aprendizagem incremental voltadas a arquiteturas aplicadas ao Local Digital Twin (LDT) visando melhorar a adaptabilidade de modelos preditivos de máquinas de manufatura. Este estudo é de grande relevância, pois a adaptabilidade dos modelos preditivos é crucial para o funcionamento eficiente e confiável das máquinas, especialmente em ambientes de produção altamente dinâmicos. OBJETIVOS: O objetivo principal deste projeto é investigar técnicas utilizadas para a aprendizagem incremental e propor uma sistemática adaptada ao domínio do Local Digital Twin para máquinas/ativos de manufatura. Focou-se inicialmente em revisão de literatura sobre LDT, identificando suas vantagens e desafios, seguido pelo mapeamento de técnicas de aprendizagem incremental. A revisão de literatura envolveu a análise de diversos artigos científicos e publicações relevantes que destacaram as principais abordagens e inovações na área de LDT. Além disso, foi realizado um levantamento das técnicas de aprendizagem incremental mais promissoras, avaliando suas aplicações e eficácia em diferentes cenários de manufatura. MATERIAIS E MÉTODO: Durante os experimentos, utilizou-se uma base de dados real para testar e ajustar os modelos, enfrentando desafios com a qualidade dos dados e a complexidade das implementações. A base de dados foi coletada de uma linha de produção real, permitindo uma avaliação prática das técnicas estudadas. Os dados foram pré-processados para remover ruídos e inconsistências, garantindo a precisão dos resultados. Os modelos foram implementados utilizando a biblioteca River, especializada em aprendizado contínuo, que facilitou a integração e adaptação dos modelos às mudanças do ambiente produtivo. RESULTADOS: Uma solução robusta foi desenvolvida integrando a biblioteca River, permitindo uma adaptação eficaz dos modelos às mudanças do ambiente produtivo. Os resultados mostraram uma melhoria significativa na capacidade dos modelos de prever falhas e otimizar o desempenho das máquinas. A análise dos resultados demonstrou que a abordagem de aprendizagem incremental é viável e benéfica para a manutenção preditiva em ambientes de manufatura. CONSIDERAÇÕES FINAIS: A conexão do conceito LDT com IA adaptativa mostrou-se relevante para tomadas de decisões proativas, aumentando a eficiência e a confiabilidade da produção. Este estudo contribuiu para o avanço do conhecimento na área, evidenciando que a integração de técnicas de aprendizagem incremental com LDT pode trazer benefícios significativos para a indústria de manufatura. A implementação prática das soluções propostas pode resultar em melhorias contínuas e sustentáveis na produtividade e qualidade dos processos industriais.

PALAVRAS-CHAVE: Digital Twin Local; IA Adaptativa; Aprendizagem Incremental; Modelos Preditivos