Uma avaliação comparativa de arquiteturas de deep learning para predição de RUL em rolamentos utilizando o dataset FEMTO/PRONOSTIA

Abstract

Este trabalho propõe um pipeline unificado de deep learning para predição da Vida Útil Remanescente (RUL) de rolamentos no dataset FEMTO/PRONOSTIA. A metodologia integra detecção de FPT via curtose, extração de características escalares e representações wavelet. Foram comparadas três arquiteturas sob um protocolo consistente: MLP, DCNN–MLP híbrida e Transformer-GRU. Os resultados indicam que a DCNN–MLP atinge maior precisão devido à fusão multimodal, enquanto o Transformer-GRU oferece eficiência com substancialmente menos parâmetros. O estudo fornece um baseline reprodutível, evidenciando o impacto das representações de entrada na qualidade do prognóstico.