MILPDM: an architecture for predictive maintenance of assets in the military domain

Manutenção preditiva é um tema abordado em diferentes contextos como indústria, logística e saúde, onde o sensoriamento dos parâmetros dos equipamentos permite monitorar a degradação da saúde e antecipar falhas. Essa mesma abordagem tem sido usada no domínio militar, monitorando ativos como veículos militares. O monitoramento da degradação dos ativos gera benefícios econômicos semelhantes aos observados em outras áreas, reduzindo custos por meio da otimização do uso dos ativos monitorados. No entanto, os ativos que operam no domínio militar realizam tarefas críticas, onde as falhas podem gerar um alto custo material e humano. A aplicação de manutenção preditiva em equipamentos militares é desafiadora. Veículos e equipamentos são enviados para missões em cenários já conhecidos com alta disponibilidade de dados coletados. Entretanto esses equipamentos podem ser enviados a novos ambientes, onde não existem dados de operações anteriores para avaliação de degradação da saúde do equipamento. As abordagens encontradas na literatura para previsão de falhas aplicadas ao domínio militar focam no monitoramento dos equipamentos. Este trabalho apresenta uma abordagem mais ampla através do uso do MILPdM, uma arquitetura que visa a predição de falhas aplicadas ao domínio militar, considerando o dinâmico cenário de atuação de equipamentos militares. Nossa abordagem possui duas frentes distintas, primeiramente buscamos verificar a possibilidade de uso dos modelos de aprendizados de máquina para a predição de falhas, e a partir desse ponto, buscamos verificar a capacidade de predição em cenários desconhecidos, onde aplicamos foundation models para predição do tempo de vida em novos cenários, com uma comparação dos resultados com modelos tradicionais. Para testarmos a arquitetura quatro casos de usos são propostos, dois casos de uso para validar modelos tradicionais da predição de falhas, onde é empregado os algoritmos de aprendizado de máquina long-short term memory e random forest. Outros dois casos de uso para avaliar o uso de foundation models em cenários desconhecidos para o equipamento. Os resultados adquiridos da predição dos modelos treinados mostram que o MILPdM pode antecipar falhas com alta assertividade. Já para a capacidade de predição em cenários desconhecidos, o uso de foundation model se mostrou promissor, superando modelos de aprendizado tradicionais. Esses resultados mostram o potencial do uso do modelo de fundação em manutenção preditiva.