Técnicas de machine learning para detecção de falhas em sistemas mecânicos rotativos

• Ano de defesa: 2025
• Autor(a) principal: Merizio, Igor Feliciani [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Monitoramento da integridade estrutural; Detecção de falhas; Comparação de modelos; Machine learning; Data-driven; Structural health monitoring; Fault detection; Model comparison
• Link de acesso: https://hdl.handle.net/11449/311610

Este estudo aborda a detecção de falhas em sistemas rotativos por meio de uma análise comparativa de três algoritmos de aprendizado de máquina: Redes Neurais Artificiais (RNA), Random Forest (RF) e XGBoost. O diferencial deste trabalho reside na robustez da metodologia aplicada, que abrange a extração de 29 features estatísticas nos domínios do tempo e da frequência, otimização sistemática de hiperparâmetros via Grid Search e validação rigorosa por meio de validação cruzada com 10 folds e conjunto de testes independente. Utilizando o conjunto de dados da Case Western Reserve University, coletado a uma taxa de amostragem de 48 kHz com falhas induzidas em elementos rolantes, pistas internas e externas, o estudo garantiu a confiabilidade e a generalização dos resultados. O foco principal foi o avanço metodológico, proporcionando uma comparação justa entre os modelos, o que possibilita sua aplicação em diferentes contextos industriais. O XGBoost destacou-se como o modelo com melhor desempenho, atingindo 95,2% de acurácia no conjunto de teste, com 92,5% de precisão e 95,5% de recall. Apesar disso, as contribuições deste trabalho vão além dos resultados individuais dos modelos, ao estabelecer uma abordagem sistemática para treinar, otimizar e avaliar algoritmos de aprendizado de máquina, assegurando a replicabilidade e a adaptabilidade dos métodos. O uso de parâmetros como média, variância, curtose e assimetria no domínio do tempo, além de métricas como frequência RMS e curtose espectral no domínio da frequência, permitiu identificar padrões sutis de falha. Por fim, esta pesquisa contribui significativamente para o avanço de estratégias de manutenção preditiva na Indústria 4.0, oferecendo uma metodologia robusta e generalizável que estabelece novos padrões para diagnósticos industriais baseados em aprendizado de máquina.