Este repositório é dedicado ao desenvolvimento, modelagem e avaliação de abordagens avançadas de Machine Learning e Inteligência Artificial Aplicada para a previsão de Vida Útil Restante (Remaining Useful Life - RUL) em ativos industriais e sistemas complexos de séries temporais.
O projeto integra técnicas de ponta em engenharia de dados, detecção de anomalias, aprendizado profundo (deep learning) e modelagem generativa para suporte à Manutenção Preditiva.
- 🔄 Processamento de Séries Temporais Industriais: Pipelines robustos para limpeza, normalização, janelamento (sliding windows) e engenharia de atributos em dados de sensores ruidosos de degradação.
- 🧠 Modelos de Deep Learning & Generativos: Arquiteturas baseadas em redes neurais recorrentes avançadas (como LSTM-CVAE) para captura de dinâmicas temporais complexas e incertezas na degradação de ativos.
- 📊 Otimização & Avaliação: Métricas rigorosas de desempenho voltadas para o domínio industrial (ex: RMSE ponderado, pontuação de pontualidade de falhas e validação cruzada robusta).
- ⚙️ Modularidade & Escalabilidade: Estrutura orientada a objetos projetada para fácil integração em pipelines de DataOps e ambientes de produção.
- Linguagem:
Python - Deep Learning:
PyTorch - Manipulação & Processamento de Dados:
Pandas,Polars,NumPy,Scikit-Learn - Visualização:
Matplotlib,Seaborn
rul/
├── data/ # Datasets e scripts de pré-processamento
├── models/ # Arquiteturas de redes neurais (LSTM, CVAE, etc.)
├── notebooks/ # Jupyter notebooks para análise exploratória e prototipagem
├── src/ # Código-fonte modular (pipelines, features, avaliação)
├── tests/ # Testes unitários e de integração
├── requirements.txt # Dependências do projeto
└── README.md # Documentação do repositório
# rul
https://raw.githubusercontent.com/ericlrf/rul/main/CMAPSSData/train_FD001.txt
https://raw.githubusercontent.com/ericlrf/rul/main/CMAPSSData/test_FD001.txt
https://raw.githubusercontent.com/ericlrf/rul/main/CMAPSSData/RUL_FD001.txt