Estudo de viabilidade de um método baseado em inteligência artificial para classificação de anomalias em máquina embaladora usando dados coletados em produção, para auxiliar na manutenção

Este trabalho avalia a viabilidade do uso de um Autoencoder baseado em redes neurais recorrentes do tipo Long Short-Term Memory (LSTM) para a detecção de anomalias em sinais operacionais de uma máquina embaladora Vega Shrink-Wrapper. O modelo é treinado exclusivamente com dados considerados normais, aprendendo o padrão temporal típico de operação da máquina, e a identificação de anomalias é realizada por meio do erro de reconstrução das janelas de dados, calculado pelo Erro de reconstrução (MSE). Utiliza-se um conjunto de dados reais públicos contendo séries temporais de sensores industriais coletados ao longo de seis meses de operação. A metodologia envolve a preparação e o janelamento dos dados, o treinamento do Autoencoder LSTM e a avaliação do desempenho do modelo em dois cenários de divisão entre dados de treino e teste (70/30 e 90/10), utilizando métricas como acurácia, precisão, recall, F1-score e curvas Precision–Recall. Como resultados, foram calculadas métricas de desempenho que possibilitaram a comparação direta entre os dois cenários de divisão dos dados.