MUDANÇA DE CONCEITO – UM MECANISMO PARA A DETECÇÃO DE DESVIOS E ADAPTABILIDADE DE MODELOS NO CONTEXTO DO GÊMEO DIGITAL LOCAL

Introdução: Este trabalho investiga a mudança de conceito (concept drift) em modelos preditivos aplicados aoGêmeo Digital Local (GDL) no contexto da Indústria 4.0. Em ambientes industriais, sensoresinstalados em máquinas geram fluxos contínuos de dados que alimentam modelos virtuaisutilizados para prever falhas, otimizar processos e monitorar operações. No entanto, variaçõescomo desgaste de ferramentas e alterações na matéria-prima comprometem a acurácia dessesmodelos, tornando essencial a detecção automática de mudanças nos dados ao longo do tempo. Aconfiabilidade desses sistemas depende diretamente de sua capacidade de adaptação em temporeal. Objetivos: O objetivo principal foi investigar técnicas de detecção de concept drift e propor uma sistemáticaadaptada ao GDL. Os objetivos específicos incluíram: estudo dos fundamentos teóricos,mapeamento de métodos aplicáveis à manufatura, experimentação com dados sintéticos e reais, ea proposta de uma sistemática prática para uso em manutenção preditiva. Materiais e método: A metodologia envolveu o estudo de quatro tipos de drift (abrupto, gradual, recorrente eincremental) e a aplicação de quatro algoritmos: ADWIN, Page-Hinkley, DDM e EDDM. Asferramentas utilizadas incluíram bibliotecas Python como pandas, numpy, matplotlib, plotly,scikit-learn e river. Os testes foram realizados com dados reais de usinagem de uma chapa com57.534 furos, coletados por sensores de força. Resultados: Os resultados mostraram que o ADWIN identificou claramente as fases operacionais de umaferramenta: início estável, desgaste progressivo e falha abrupta. O Page-Hinkley demonstrou altasensibilidade a rupturas repentinas sem necessidade de pré-segmentação. Já o DDM apresentouprecisão pontual ao detectar quedas abruptas, mas depende da transformação do sinal em fluxobinário de erros. O EDDM teve desempenho limitado, com baixa sensibilidade, mas potencial demelhoria com ajustes de parâmetros. A análise evidenciou que métodos como ADWIN ePage-Hinkley são eficazes para detectar alterações gradativas e rupturas abruptas em dadoscontínuos, enquanto DDM e EDDM são úteis para confirmar falhas em sinais binarizados. Combase nisso, propõe-se um pipeline híbrido: detectores de janela atuam como gatilhos iniciais,DDM/EDDM confirmam as quebras e modelos supervisionados validam os alertas. Considerações finais: Conclui-se que nenhuma técnica isolada resolve completamente o problema de detecção deconcept drift em ambientes industriais reais. No entanto, a combinação de métodos permitealcançar resultados mais robustos, reduzindo falhas não planejadas e aumentando a eficiênciaoperacional. Recomenda-se, para trabalhos futuros, o uso de segmentação automática de sinais,sensores adicionais (vibração, corrente, acústica) e técnicas de ensemble, visando sistemaspreditivos autônomos e adaptáveis.

Palavras-chave: Mudança de conceito; Detecção de drift; Gêmeo digital local; Manutenção preditiva; Aprendizado de máquina.