Discente: THIAGO SILVA CAVALCANTI
Título: ANÁLISE EXPERIMENTAL DE MODELOS PREVISIONAIS PARA DIAGNÓSTICO DE FALHAS EM SISTEMAS DE TRANSMISSÃO MECÂNICA SOB MODIFICAÇÕES OPERACIONAIS
Orientador: PROF. DR. CARMELO JOSÉ ALBANEZ BASTOS FILHO
Coorientador: PROF. DR. RODRIGO DE PAULA MONTEIRO
Examinador Externo: PROF. DR. RENE VINICIO
Examinador Interno: PROF. DR. DIEGO JOSE RATIVA MILLAN
Data: 31 DE MARÇO DE 2026
Horário: 13:00
Local: On-line
Resumo do projeto:
O avanço do conceito de Indústria 4.0 tem impulsionado o desenvolvimento de técnicas de monitoramento inteligente baseadas em dados, visando aumentar a confiabilidade, a disponibilidade e a eficiência de sistemas industriais. Nesse contexto, o monitoramento de condição e o diagnóstico preditivo de falhas em máquinas rotativas tornaram-se elementos fundamentais para a implementação de estratégias de manutenção preditiva. Entre essas máquinas, os sistemas de transmissão mecânica desempenham papel crítico em diversos processos industriais, sendo amplamente monitorados por meio da análise de vibração. Este trabalho apresenta uma análise experimental de modelos de aprendizado de máquina aplicados ao diagnóstico de falhas em rolamentos de um sistema de transmissão mecânica submetido a diferentes condições estruturais. Diferentemente de grande parte dos estudos da literatura, que consideram condições operacionais ideais ou estáveis, a presente investigação avalia o impacto de modificações operacionais realistas, especificamente nas condições de alinhamento e balanceamento do sistema. Para isso, foi desenvolvida uma base de dados experimental original, composta por sinais de vibração adquiridos em seis cenários distintos, combinando duas condições estruturais do sistema (alinhado e balanceado; desalinhado e desbalanceado) e três estados do rolamento (sem falha, falha parcial no anel externo e falha total no anel externo), operando a 2000 rpm. A partir desses sinais, foram extraídas características estatísticas e espectrais, utilizadas na análise exploratória dos dados e na avaliação do desempenho de modelos supervisionados (Árvore de Decisão, Random Forest e Support Vector Machine) e não supervisionados (K-means, Isolation Forest e One-Class SVM). Os resultados demonstram que as modificações estruturais influenciam significativamente a distribuição das características e a separabilidade entre as classes, reduzindo o desempenho dos modelos em condições não ideais, especialmente para falhas incipientes. Por outro lado, observou-se que a utilização de uma linha de base que incorpora diferentes condições operacionais aumenta a robustez dos modelos de diagnóstico. As contribuições deste trabalho incluem o desenvolvimento de uma base experimental não disponível na literatura, a análise sistemática do impacto de variações estruturais no espaço de características e no desempenho de modelos de diagnóstico, e a avaliação comparativa de abordagens supervisionadas e não supervisionadas em cenários operacionais realistas. Os resultados obtidos contribuem para o avanço de sistemas de monitoramento de condição mais robustos e aplicáveis a ambientes industriais reais.
Palavras-chave: Manutenção preditiva; análise de vibração; diagnóstico de falhas; sistemas de transmissão mecânica; modificações operacionais; modelos preditivos.
O Programa
