Qualificação de mestrado do aluno Flavio Henrique Origuela Meira

CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA CELSO SUCKOW DA FONSECA

DIRETORIA DE PESQUISA E PÓS-GRADUAÇÃO

DEPARTAMENTO DE PÓS-GRADUAÇÃO

COORDENADORIA DO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

Qualificação de mestrado do aluno Flavio Henrique Origuela Meira

Título: Aplicação de Machine Learning para Identificação de Falhas Combinadas a partir do Treinamento do Algoritmo com Falhas Simples

Resumo: Este trabalho apresenta o desenvolvimento de um sistema inteligente para diagnóstico de falhas em motores de indução, utilizando sinais de vibração adquiridos em bancada experimental e técnicas avançadas de aprendizado de máquina. A metodologia emprega uma base de dados composta por sete condições operacionais, incluindo cenários normais, falhas simples e falhas combinadas, permitindo a avaliação robusta do sistema em situações realistas. Foram extraídos 217 atributos no domínio do tempo e da frequência. Para a modelagem, quatro classificadores principais foram avaliados: RNA, RF e XGB e SVM. Destaca-se a aplicação de técnicas de otimização de hiperparâmetros, que incluem métodos manuais, pesquisa em grade (grid search), busca aleatória (random search) e, principalmente, otimização bayesiana, possibilitando o ajuste fino dos modelos para maximizar desempenho. A estratégia de validação considera treino e validação em falhas simples, enquanto as falhas combinadas são reservadas para testes, configurando um cenário de classificação multi-target binária. Os resultados incluem métricas completas de desempenho, como F1-score, acurácia, precisão, revocação e especificidade, além da análise das matrizes de confusão. O sistema também foi avaliado quanto ao tempo de resposta, demonstrando viabilidade para aplicação em tempo real. Foi analisada a proporção ideal de dados combinados no conjunto de treinamento para garantir a capacidade do modelo em generalizar falhas complexas, bem como o impacto dessa precisão na redução dos custos de manutenção industrial. Como contribuição adicional, foi desenvolvido o software SmartFaultML, com interface gráfica em Tkinter para facilitar experimentação, geração de relatórios e comparação entre modelos. A prototipagem do sistema para diagnóstico embarcado explorou o uso do microcontrolador ESP32, comunicação Bluetooth via HC-05 e integração com sensores acelerômetros, visando aplicações industriais. Este trabalho aponta perspectivas futuras para implementação embarcada, classificação online com janelas móveis, aprendizado contínuo e integração com sistemas SCADA, ampliando o potencial de manutenção preditiva inteligente em máquinas rotativas.

Banca:

Diego Barreto Haddad (CEFET/RJ, orientador)
Dionísio Henrique Carvalho de Sá Só Martins (INPI, coorientador)

Gabriel Matos Araujo (CEFET, membro interno)

Luiz Antônio Vaz Pinto (UFRJ, membro externo)

Data: 27 de março de 2026 (sexta-feira)
Horário: 14:00 hs
Link: https://teams.microsoft.com/meet/23821872027270?p=pueIGzMYpVgFoBoNnv