APLICAÇÃO DE MODELOS PROFUNDOS DE APRENDIZADO DE MÁQUINAS NA DETECÇÃO E PREDIÇÃO DE FALHAS EM SISTEMAS DE PRODUÇÃO CIBERFÍSICOS

INTRODUÇÃO: Sistemas de Produção Ciberfísicos dependem de instruções de usinagem em Código G, cuja revisão manual é suscetível a falhas com impactos financeiros e de segurança para as máquinas CNC. Modelos de Linguagem de Grande Escala (LLMs) surgem como alternativa promissora para apoiar a geração e a validação automatizada dessas instruções, mas sua confiabilidade nessa tarefa ainda carece de investigação sistemática e experimental. OBJETIVOS: O projeto teve como objetivo geral aplicar modelos de aprendizado profundo de máquina na predição e detecção de falhas em sistemas de produção ciberfísicos, compondo o framework HAI&DT4CCPPS; especificamente, buscou-se estudar a capacidade de LLMs de interpretar parâmetros de usinagem em linguagem natural, propor e implementar uma arquitetura de geração e validação automatizada de Código G, e avaliar experimentalmente os resultados obtidos. MATERIAIS E MÉTODO: Foi desenvolvido em Python o sistema GcodeGen, que integra 8 modelos de linguagem, sendo 3 acessados via API da Hugging Face e 5 executados localmente via Ollama, estruturado em um pipeline de extração de parâmetros com revisão humana, geração de G-code, validação sintática e de compatibilidade com o simulador CAMotics, e simulação geométrica própria desenvolvida com a biblioteca Plotly. Foi definido um caso de teste padronizado, a usinagem de um furo passante em bloco de aço 1020, cujo G-code de referência foi gerado por CAM profissional no Autodesk Fusion 360, servindo como gabarito de comparação. O benchmark completo do sistema foi executado 6 vezes, complementado por uma auditoria manual de correção geométrica dos resultados. RESULTADOS: Os modelos especializados em geração de código apresentaram maior consistência sintática, mas a auditoria revelou que um erro pontual na etapa de extração de parâmetros propagou-se silenciosamente para furos com profundidade incorreta em diversos modelos, sem ser detectado por nenhuma das validações automáticas existentes. A causa raiz foi corrigida ao separar a categorização semântica da operação realizada pelo LLM do cálculo aritmético da profundidade, tornando o cálculo determinístico em código Python, elevando a taxa de acerto de 66,7% para 100% em testes de confirmação. Foram também identificadas falhas específicas de geração em dois modelos, independentes desse problema, além de limitações do próprio simulador de validação utilizado. CONSIDERAÇÕES FINAIS: O trabalho demonstrou a viabilidade técnica do pipeline proposto como instrumento rigoroso de avaliação da confiabilidade de LLMs aplicados à manufatura, evidenciando que a aprovação em validações sintáticas não garante, por si só, corretude geométrica ou funcional das instruções geradas.

PALAVRAS-CHAVE: Código G; Modelos de Linguagem de Grande Escala; Sistemas de Produção Ciberfísicos; Manufatura Digital; Validação Automatizada.