Banca de DEFESA: PEDRO AUGUSTO MATELLI ANTUNES DE OLIVEIRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : PEDRO AUGUSTO MATELLI ANTUNES DE OLIVEIRA
DATA : 24/02/2026
HORA: 09:00
LOCAL: meet.google.com/qdo-hnsr-kya
TÍTULO:

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

PALAVRAS-CHAVES:

Detecção de falhas; Indústria 4.0; Inteligência Artificial, Monitoramento online.

PÁGINAS: 105
RESUMO:

A detecção precoce de defeitos em máquinas industriais é essencial para garantir elevada disponibilidade operacional, reduzir custos de manutenção e evitar perdas de produtividade, especialmente no contexto da Indústria 4.0. Este trabalho propõe e avalia uma abordagem para o diagnóstico de falhas em máquinas de fabricação de copos de papel, integrando sinais acústicos e de vibração como fontes de informação para a detecção de folga na Corrente 1 do sistema de transmissão, componente crítico para o sincronismo do equipamento.

Os dados foram coletados em um processo real de produção em uma empresa do setor, assegurando representatividade prática das condições operacionais. Foram realizadas 19 coletas experimentais, totalizando aproximadamente 50 minutos de gravações, sob diferentes condições de funcionamento da máquina. Os sinais adquiridos foram segmentados em janelas temporais de 5 segundos, com sobreposição de 50%, resultando em uma base de dados composta por 1.453 instâncias.

A etapa de modelagem foi estruturada em duas vertentes complementares. Na primeira, adotou-se uma abordagem baseada em engenharia de atributos, na qual foram extraídos descritores estatísticos e espectrais dos sinais de áudio e vibração, utilizados como entrada para modelos estatísticos tradicionais (Regressão Logística e Análise do Discriminante Linear) e algoritmos clássicos de aprendizado de máquina, incluindo Random Forest, Support Vector Machine, Perceptron Multicamadas e um modelo de ensemble por votação. Na segunda vertente, foi empregada uma abordagem de aprendizado profundo baseada em Redes Neurais Convolucionais (CNNs), aplicadas a espectrogramas Mel extraídos exclusivamente do sinal de áudio, permitindo o aprendizado automático de representações tempo-frequência relevantes para o diagnóstico de falhas.

A avaliação dos modelos foi conduzida por meio de validação interna estratificada e teste externo composto por ensaios completamente inéditos, garantindo uma estimativa rigorosa da capacidade de generalização. Para mitigar efeitos estocásticos, os experimentos foram repetidos ao longo de múltiplas execuções independentes, sendo analisadas métricas médias de desempenho e respectivos intervalos de confiança.

Os resultados indicam que a fusão multissensorial de áudio e vibração promoveu ganhos consistentes de desempenho e robustez em relação às abordagens unissensoriais, reduzindo significativamente a discrepância entre validação e teste. Os modelos baseados em atributos apresentaram os melhores desempenhos globais quando utilizadas informações multissensoriais, alcançando elevadas acurácias e maior estabilidade estatística. A abordagem convolucional, embora restrita ao uso exclusivo do áudio, demonstrou melhor equilíbrio entre desempenho e generalização quando comparada aos modelos baseados apenas em atributos acústicos, evidenciando o potencial do aprendizado automático de representações para aplicações menos intrusivas.

De forma geral, os resultados confirmam que a integração de múltiplas fontes sensoriais aumenta a robustez do diagnóstico de falhas, enquanto abordagens baseadas em aprendizado profundo representam uma alternativa promissora para cenários com restrições de instrumentação. O método proposto apresenta potencial para aplicação em sistemas de manutenção preditiva e contribui para o avanço do uso de técnicas de Inteligência Artificial no diagnóstico de falhas em máquinas industriais.

MEMBROS DA BANCA:
Presidente - 3291994 - MATHEUS BRENDON FRANCISCO
Interna - 3141783 - JULIANA HELENA DAROZ GAUDENCIO
Externo à Instituição - MARCELO AZEVEDO COSTA - UFMG