Framework de Deep Learning para Estimativa de Vida Útil Restante (RUL) em Turbinas: Abordagem Bi-LSTM com Mecanismo de Atenção para Integridade de Ativos Industriais

[PT] Este dataset e framework analítico apresentam uma metodologia avançada para a estimativa da Vida Útil Restante (RUL) de ativos industriais, com foco em turbomáquinas do setor de Óleo e Gás. Utilizando o conjunto de dados NASA C-MAPSS, o projeto implementa uma arquitetura baseada em Redes Neurais Bi-LSTM combinadas com Mecanismos de Atenção para capturar dependências temporais críticas em séries temporais de sensores. Inclui scripts de treinamento em Python, modelos pré-treinados (.keras), análise de interpretabilidade física dos sensores e rigorosa validação estatística (RMSE, MAE, R2 e NASA Score), fornecendo uma solução robusta para a transição da manutenção reativa para a preditiva.

[EN] This dataset and analytical framework present an advanced methodology for estimating the Remaining Useful Life (RUL) of industrial assets, focusing on turbomachinery in the Oil and Gas sector. Utilizing the NASA C-MAPSS dataset, the project implements an architecture based on Bi-LSTM Neural Networks combined with Attention Mechanisms to capture critical temporal dependencies in sensor time series. It includes Python training scripts, pre-trained models (.keras), physical sensor interpretability analysis, and rigorous statistical validation (RMSE, MAE, R2, and NASA Score), providing a robust solution for the transition from reactive to predictive maintenance.

[ZH] 该数据集和分析框架提出了一种用于估算工业资产剩余使用寿命 (RUL) 的先进方法,重点是石油和天然气领域的涡轮机械。该项目利用 NASA C-MAPSS 数据集,实现了一种基于双向长短期记忆网络 (Bi-LSTM) 结合注意力机制的架构,以捕获传感器时间序列中的关键时间依赖性。它包括 Python 训练脚本、预训练模型 (.keras)、传感器物理可解释性分析以及严格的统计验证(RMSE、MAE、R2 和 NASA 得分),为从计划维护向预测性维护的转变提供了稳健的解决方案。

[ES] Este conjunto de datos y marco analítico presentan una metodología avanzada para la estimación de la Vida Útil Restante (RUL) de activos industriales, con foco en turbomaquinaria del sector de Petróleo y Gas. Utilizando el conjunto de datos NASA C-MAPSS, el proyecto implementa una arquitectura basada en Redes Neuronales Bi-LSTM combinadas con Mecanismos de Atención para capturar dependencias temporales críticas en series temporales de sensores. Incluye scripts de entrenamiento en Python, modelos pre-entrenados (.keras), análisis de interpretabilidad física de los sensores y una rigurosa validación estadística (RMSE, MAE, R2 y NASA Score), brindando una solución robusta para la transición del mantenimiento reactivo al predictivo.

[FR] Ce jeu de données et ce cadre analytique présentent une méthodologie avancée pour estimer la durée de vie résiduelle (RUL) des actifs industriels, en se concentrant sur les turbomachines dans le secteur pétrolier et gazier. Utilisant le jeu de données NASA C-MAPSS, le projet met en œuvre une architecture basée sur des réseaux de neurones Bi-LSTM combinés à des mécanismes d'attention pour capturer les dépendances temporelles critiques dans les séries chronologiques de capteurs. Il comprend des scripts d'entraînement Python, des modèles pré-entraînés (.keras), une analyse de l'interprétabilité physique des capteurs et une validation statistique rigoureuse (RMSE, MAE, R2 et NASA Score), offrant une solution robuste pour la transition de la maintenance réactive à la maintenance prédictive.

[DE] Dieser Datensatz und analytische Rahmen präsentieren eine fortschrittliche Methodik zur Schätzung der Restlebensdauer (RUL) von Industrieanlagen, mit Schwerpunkt auf Turbomaschinen im Öl- und Gassektor. Unter Verwendung des NASA C-MAPSS-Datensatzes implementiert das Projekt eine Architektur basierend auf Bi-LSTM-Neuronalen Netzen kombiniert mit Aufmerksamkeitsmechanismen, um kritische zeitliche Abhängigkeiten in Sensor-Zeitreihen zu erfassen. Es umfasst Python-Trainingsskripte, vorvertrainierte Modelle (.keras), eine Analyse der physikalischen Interpretierbarkeit der Sensoren und eine strenge statistische Validierung (RMSE, MAE, R2 und NASA-Score) und bietet eine robuste Lösung für den Übergang von der reaktiven zur prädiktiven Wartung.