Embeddings de Modelos Fundacionais de Séries Temporais para Estimativa de Vida Útil Remanescente

Resumo

A previsão da Vida Útil Remanescente (RUL) é essencial para a manutenção preditiva industrial, porém muitas abordagens baseadas em aprendizado dependem de extensa engenharia de atributos ou grandes conjuntos de dados rotulados para treinar modelos sequenciais específicos para cada tarefa. Neste trabalho, introduzimos uma abordagem de aprendizado leve, na qual utilizamos um modelo base de séries temporais (TSFM) pré-treinado e congelado, combinado com uma pequena cabeça de regressão para estimativa de RUL a partir de fluxos de sensores multivariados. Mais especificamente, empregamos o Chronos-2 como um backbone congelado para extrair características da janela de contexto e treinamos uma rede neural de regressão leve para previsão de RUL. Experimentos com dados reais de sensores industriais de dois tipos de dispositivos mostram que as características do Chronos-2 melhoram consistentemente os resultados em relação a baselines recorrentes, convolucionais, baseadas em Transformers e boosting gradiente, sob o mesmo protocolo de pré-processamento e avaliação. Analisamos ainda o impacto do comprimento do contexto e constatamos que o desempenho melhora significativamente com históricos mais longos, indicando que as representações TSFM oferecem uma alternativa prática e eficiente em termos de dados para a estimativa de RUL em ambientes industriais.

English

Remaining Useful Life (RUL) prediction is essential for industrial predictive maintenance, yet many learning-based approaches rely on extensive feature engineering or large labeled datasets to train task-specific sequence models. In this work, we introduce a lightweight learning approach, in which we leverage a frozen pretrained time-series foundation model (TSFM) and combine it with a small regression head for RUL estimation from multivariate sensor streams. More specifically, we use Chronos-2 as a frozen backbone to extract context window features and train a lightweight regression neural network for RUL prediction. Experiments on real-world industrial sensor data from two device types show that Chronos-2 features consistently improve over recurrent, convolutional, Transformer-based, and gradient-boosting baselines under the same preprocessing and evaluation protocol. We further analyze the impact of context length and find that performance improves significantly with longer histories, indicating that TSFM representation offer a practical and data-efficient alternative for RUL estimation in industrial settings.