Revisão da Literatura Sobre o Impacto de Diferentes Condições de Operação na Capacidade de Generalização de Modelos de Detecção de Anomalias

Resumo

O uso de aprendizado de máquinas na detecção de anomalias em máquinas industriais é uma atividade fundamental, que busca viabilizar estratégias de manutenção preditiva para aumentar a eficiência e a segurança operacional. A abordagem consiste em analisar dados de sensores que monitoram variáveis como vibração e temperatura para identificar desvios do comportamento padrão (JABEEN et al., 2021). No entanto, a eficácia desses sistemas pode ser comprometida pela dificuldade de generalização dos modelos de aprendizado de máquina. Modelos treinados com dados coletados sob um conjunto específico de condições operacionais estáveis podem apresentar uma queda de desempenho acentuada ao serem expostos a dados com distribuições estatísticas diferentes daquelas utilizadas no treinamento, um desafio conhecido como generalização fora de distribuição (OOD, do inglês Out-of-distribution) (CUI; WANG, 2022). Este problema é especialmente crítico em ambientes industriais, onde uma detecção de falhas imprecisas pode acarretar consequências severas, desde paradas de produção custosas até falhas catastróficas de equipamentos. As causas para essa variação na distribuição dos dados são múltiplas e inerentes ao processo industrial, incluindo o envelhecimento natural de componentes, mudanças na carga de trabalho, alterações na velocidade de operação e até mesmo a substituição de sensores (HENDRYCKS et al., 2019). Este cenário é agravado pela natural escassez de dados de falhas, o que resulta em conjuntos de dados altamente desbalanceados e limita a capacidade do modelo de aprender um repertório completo de todas as anomalias possíveis. Tendo conhecimento deste problema, este estudo tem como objetivo desenvolver uma revisão sistemática (KITCHENHAM et al., 2009) buscando identificar as principais técnicas utilizadas na generalização de modelos de detecção de anomalia e o real impacto que as diferentes condições de operações causam. Para isso foi feito uma revisão da literatura utilizando as bases de dados da Science Direct, IEEE Xplore e Springer Nature Link, utilizando palavras-chave como “Anomaly Detection”, “Out-of-Distribution”, “Industrial Machines” e “Operating Conditions”, com artigos publicados entre 2020 e 2025, onde foi obtido um total de 464 artigos. Os resultados preliminares destacaram a aplicação de modelos generativos, como GANs, empregados para simular a distribuição de dados normais, contornando os desafios de conjuntos de dados desiguais ou limitados. Duas outras abordagens foram recorrentes na literatura, as Redes Neurais Gráficas (GNNs) mostraram-se eficientes para capturar correlações complexas entre nós de uma série temporal multivariada. Em paralelo, os Transformers foram amplamente utilizados por sua capacidade de identificar padrões e dependências de longa distância ao longo do tempo. A utilização de dados multimodais também se mostra uma estratégia que eleva a robustez e a precisão dos resultados.
 
Palavras-chave: Detecção de Anomalias; Generalização Fora de Distribuição; Aprendizado de Máquina; Manutenção Preditiva.
 
Referências 
JABEEN, S. et al. Recent advances and trends in multimodal deep learning: A review. IEEE Access, v.9, p. 85114-85129, 2021.
HENDRYCKS, D. et al. Deep anomaly detection with outlier exposure. In: International Conference on Learning Representations (ICLR), 2019.
CUI, P.; WANG, J. Out-of-distribution (OOD) detection based on deep learning: A review. Electronics, v.11, n.21, p.3500, 2022.
CHANDOLA, V. et al. Anomaly detection: A survey. ACM Computing Surveys (CSUR), v.41, n.3, p.1-58, 2009.
KITCHENHAM, B. et al. Systematic literature reviews in software engineering – A systematic literature review. Information and Software Technology, v.51, n.1, p. 1-19, 2009.