'%20d='m0%200%2016%2011h61%2061%2061%2061%2060L47%2037h61%2061%2060%2061L16%2063h61%2061%2061%2061%2060L47%2089h61%2061%2060%2061L16%20115h61%2061%2061%2061%2060L47%20141h61%2061%2060%2061L16%20166h61%2061%2061%2061%2060L47%20192h61%2061%2060%2061L16%20218h61%2061%2061%2061%2060z'/%3e%3c/svg%3e){kind=small}
2026
AeroPulse
Manutenção preditiva de turbinas
Previsão de vida útil restante para os motores turbofan NASA C-MAPSS com XGBoost, incerteza calibrada e IA explicável, de ponta a ponta e totalmente local.
O AeroPulse transforma a telemetria de motores turbofan (dataset NASA C-MAPSS) num espaço de trabalho de manutenção. Estima a vida útil restante de cada motor, ordena a frota por urgência, mostra a incerteza de cada estimativa e explica quais sinais pesaram na previsão.
É um produto de machine learning de ponta a ponta, não um notebook: aquisição de dados reproduzível, features temporais sem vazamento, comparação de modelos, intervalos de incerteza calibrados, uma API FastAPI tipada e uma interface React, tudo servido localmente.
Frota por prioridade
Os 100 motores de teste ordenados pela vida útil prevista, separados nas faixas crítica, atenção e estável.
XGBoost com janelas
RMSE de 17,2 ciclos no conjunto de teste oficial, comparado a uma baseline Ridge usada como referência.
Incerteza sem maquiagem
Intervalo de ±29,9 ciclos a partir dos resíduos de validação. A cobertura medida no teste foi de 82%, abaixo dos 90% nominais, e o app mostra essa diferença.
Previsões explicáveis
Importância global das features e as contribuições locais do XGBoost para cada motor.