Detecção de Defeitos em Máquinas de Fabricação de Copos de Papel Utilizando Sinais Acústicos e de Vibração com Algoritmos de Aprendizado de Máquina e Redes Neurais
Detecção de falhas; Indústria 4.0; Inteligência Artificial, Monitoramento online.
A detecção precoce de defeitos em máquinas industriais é essencial para garantir alta disponibilidade, reduzir custos de manutenção e evitar perdas de produtividade. Este trabalho apresenta uma abordagem para diagnóstico de falhas em máquinas de fabricação de copos de papel, integrando sinais acústicos e de vibração como fontes de informação. Os dados foram coletados em diferentes condições de operação e processados para extração de atributos no domínio do tempo e da frequência. Foram treinados e avaliados modelos de aprendizado de máquina, tais como Random Forest e Extreme Gradient Boosting (XGBoost), bem como uma rede neural Perceptron Multicamadas (MLP), entre outros algoritmos testados de forma comparativa. Os resultados indicam que a combinação de múltiplos tipos de sinais elevou significativamente a acurácia e a estabilidade dos modelos. Como continuidade, serão investigadas redes neurais profundas (como CNNs) aplicadas a representações tempo-frequência (p.ex., espectrogramas Mel), visando reduzir a dependência de engenharia de features e aumentar a robustez do diagnóstico em cenários operacionais variados.