Resumo Técnico: Previsão de Séries Temporais de Dados de Motores Marítimos com Baixa Latência, Independente e Eficiente em Computação

1. Declaração do Problema

A confiabilidade operacional de embarcações marítimas depende cada vez mais da saúde de seus sistemas de propulsão (Turbinas a Gás e Motores Diesel Marítimos), que operam sob cargas diversas e estressores ambientais. As abordagens tradicionais para monitoramento e previsão desses sistemas enfrentam três limitações primárias:

• Modelos Baseados em Física ("Caixa Branca"): Embora interpretáveis, eles dependem de ciclos termodinâmicos ideais (Brayton e Diesel) e falham em contabilizar desvios estocásticos do mundo real causados pelo envelhecimento de componentes, variações de combustível e ruído ambiental.
• Modelos Baseados em Dados ("Caixa Preta"): Técnicas de aprendizado profundo e regressão frequentemente carecem de interpretabilidade física, são propensas ao sobreajuste a ruídos de sensores e exigem conjuntos de dados de treinamento massivos, tornando-as inadequadas para cenários de "início frio" ou implantação na borda (edge).
• Modelos Estatísticos Tradicionais (ARIMA/VARIMA): Estes dependem de janelas históricas fixas e suposições lineares. Eles lutam contra regimes não estacionários (por exemplo, aceleração do motor), frequentemente levando a "achatamento" ou extrapolações irreais durante previsões de múltiplos passos. Além disso, seus processos iterativos de otimização introduzem latência inaceitável para monitoramento em tempo real e de alta frequência.

O artigo identifica uma lacuna para uma solução de "Caixa Cinza" que combine a interpretabilidade das tendências físicas com a adaptabilidade dos métodos baseados em dados, especificamente adaptada para computação independente e de baixa latência em embarcações marítimas.

2. Metodologia

Os autores propõem um framework de duas camadas baseado em Equações Diferenciais Estocásticas (EDEs), tratando os estados do motor como partículas movendo-se através de um espaço de estados. O framework consiste em dois métodos distintos:

A. Método de Partícula Única (SPM)

Projetado para previsão univariada de curto prazo, o SPM modela parâmetros do motor como um processo de Movimento Browniano Geométrico (MBG).

• Aprendizado de Parâmetros Locais: Ele estima coeficientes locais de deriva ($a$) e difusão ($b$) usando uma janela deslizante de dados históricos.
• Previsão: Estados futuros são previstos usando a discretização de Euler-Maruyama, fornecendo uma solução de forma fechada para a média esperada e intervalos de confiança baseados em variância.
• Vantagem: Evita otimização iterativa, calculando coeficientes via soluções algébricas de forma fechada (médias e variâncias) em tempo $O(N)$.

B. Método Adaptativo de Múltiplas Partículas (MPM)

Projetado para previsão de séries temporais multivariadas não lineares, o MPM evolui um conjunto de partículas para capturar dinâmicas complexas do sistema.

• Janelamento Adaptativo: Diferentemente de modelos de janela fixa, o MPM ajusta dinamicamente o tamanho da janela de aprendizado ($W$) com base na magnitude instantânea da deriva ($D_t$). A janela encolhe durante transientes rápidos (por exemplo, aceleração) para responsividade e expande durante estado estacionário para estabilidade.
• Evolução do Conjunto: Gera um grande conjunto de partículas (por exemplo, 1.000) representando estados futuros potenciais via discretização de Euler-Maruyama de uma EDE multidimensional.
• Transformação de Girsanov e Ponderação: Para mitigar o comportamento de "perseguição ao ruído", uma transformação de Girsanov induz uma mudança de medida de probabilidade. As partículas recebem pesos baseados em sua proximidade com a deriva física esperada. A previsão final é uma distribuição de probabilidade ponderada em vez de uma simples média aritmética.
• Estimação de Deriva: Utiliza um esquema de diferença finita central de quarta ordem para maior precisão numérica na estimativa do vetor de deriva.

3. Contribuições Principais

1. Mecanismo de Janelamento Adaptativo: Uma abordagem inovadora que escala dinamicamente a janela de aprendizado com base na volatilidade do sistema, garantindo responsividade durante regimes não estacionários enquanto mantém estabilidade estatística durante operação em estado estacionário.
2. Ponderação Induzida por Girsanov: A implementação de uma transformação de Girsanov para re-pesajar conjuntos de partículas. Isso filtra ruído estocástico ao atribuir pesos probabilísticos mais altos a trajetórias alinhadas com a deriva física, melhorando significativamente a estabilidade da previsão em comparação com médias brutas de conjuntos.
3. Framework de "Caixa Cinza" Eficiente em Computação: Os modelos utilizam soluções algébricas de forma fechada para estimativa de deriva e difusão, eliminando a necessidade de buscas iterativas em grade (como AIC em ARIMA) ou corpora de treinamento massivos (como Transformers). Isso permite execução em frequências de 1 Hz+ em dispositivos de borda de baixo poder.
4. Capacidade Independente: O framework é projetado para funcionar como uma unidade autônona a bordo de uma embarcação, não exigindo conectividade em nuvem ou grandes conjuntos de dados históricos para inicialização.

4. Resultados Experimentais

Os métodos propostos foram comparados com linhas de base ARIMA (univariada) e VARIMA (multivariada) usando dados de sensores de motores marítimos (por exemplo, Temperatura do Óleo Lubrificante, Pressão do Óleo Combustível, RPM).

• Estabilidade de Previsão de Múltiplos Passos:
  • SPM vs. ARIMA: O SPM demonstrou estabilidade superior em um horizonte de 10 passos. Enquanto o erro do ARIMA escalou rapidamente devido à sua incapacidade de modelar deriva estocástica (levando a extrapolações lineares irreais), o SPM manteve um envelope de erro previsível governado pelo termo de difusão. Por exemplo, o SPM alcançou um RMSE de 0,0393 para Temperatura do Óleo Lubrificante (LOT) comparado ao 0,0567 do ARIMA.
  • MPM vs. VARIMA: Em previsão de múltiplos passos (20 passos), o MPM superou significativamente o VARIMA. O VARIMA tendeu a "achatar" ou divergir, enquanto o MPM forneceu uma faixa realista de resultados delimitada por restrições físicas.
• Robustez ao Ruído: O mecanismo de ponderação do MPM impediu que o modelo se sobreajustasse a ruídos de sensores de alta frequência, uma modalidade de falha comum do VARIMA que frequentemente reage agudamente a flutuações negligenciáveis.
• Eficiência Computacional:
  • Latência: Os métodos SPM/MPM são ordens de magnitude mais rápidos que VARIMA/ARIMA. Estes últimos exigem Estimativa de Máxima Verossimilhança (MLE) iterativa e buscas em grade para cada nova janela de dados, introduzindo latência inaceitável para monitoramento em tempo real.
  • Dependência de Dados: Diferentemente do VARIMA, que exige um grande corpus de treinamento (por exemplo, 85% do conjunto de dados) para otimização global de parâmetros, o MPM opera efetivamente com um histórico local limitado (por exemplo, 50–300 amostras), permitindo implantação rápida de "início frio".

5. Significado e Alegações

O artigo alega que o framework baseado em EDEs proposto oferece um desvio significativo em relação às previsões padrão de séries temporais para engenharia marítima. Seu significado principal reside em fornecer uma solução escalável, de baixa latência e fisicamente consistente para quantificação de risco em tempo real.

• Relevância Operacional: Ao tratar flutuações como difusão em vez de padrões estruturais, o modelo fornece um "envelope probabilístico" que mantém consistência física, o que é crítico para decisões de engenharia marítima de alto risco.
• Alinhamento com Manutenção 4.0: A abordagem suporta o paradigma "Manutenção 4.0" permitindo manutenção proativa e quantificação de risco em tempo real sem a sobrecarga computacional ou dependência de dados de aprendizado profundo ou modelos baseados em física rígidos.
• Viabilidade de Implantação: A capacidade de rodar em dispositivos de borda com requisitos mínimos de dados torna o modelo singularmente adequado para os ambientes hostis e com conectividade restrita de embarcações marítimas modernas.

Os autores concluem que essa abordagem híbrida conecta com sucesso a lacuna entre a interpretabilidade de modelos baseados em física e a adaptabilidade de métodos baseados em dados, oferecendo uma ferramenta robusta para a natureza não linear e estocástica dos sistemas de propulsão marítima.