Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditiva
| Ano de defesa: | 2026 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Tese |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Universidade Tecnológica Federal do Paraná
Curitiba Brasil Programa de Pós-Graduação em Engenharia Mecânica e de Materiais UTFPR |
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | http://repositorio.utfpr.edu.br/jspui/handle/1/39826 |
Resumo: | The growing demand for reliability, availability, and efficiency of industrial assets has driven the development of advanced predictive maintenance strategies within the context of Industry 4.0. In this scenario, the integration of sensors, Internet of Things (IoT) platforms, Artificial Intelligence (AI) techniques, and Machine Learning (ML) algorithms becomes essential for estimating the equipment health condition (Health State – HS) and predicting the Remaining Useful Life (RUL). However, a large portion of the approaches found in the literature focuses on isolated components or standardized experimental datasets, with limited validation in real operational environments and limited integration with distributed data processing architectures. In this context, this thesis proposes a structured methodology for monitoring and managing the health of machinery operating in critical applications, based on the integration of concepts from Prognostics and Health Management (PHM), AioT architectures, and system development methods. The methodology was developed based on a systematic literature review and structured according to the principles of Design Science Research, resulting in a methodological workflow composed of stages that include the identification of the critical system, data collection and processing, health state inference, remaining useful life prediction, and generation of operational alerts. The applicability of the proposed methodology was evaluated through two complementary applications. The first application uses real data obtained from a railway track geometry measurement system, in which sparse time series were modeled using statistical techniques and Long ShortTerm Memory (LSTM) recurrent neural networks. The results demonstrated the capability to estimate infrastructure degradation progression, identify operational regime changes, and predict the crossing of health state thresholds, enabling consistent RUL estimations even under low temporal granularity conditions. The second application consists of the implementation of an IoT-based monitoring system for stationary generators operating on the Otto cycle, integrating embedded sensors, MQTT communication protocol, processing in a flow-based development platform, and data storage in a SQL database. The developed solution enables structured acquisition of operational data, remote updating of inference models, and continuous evaluation of the fuel pump operating condition, demonstrating the feasibility of applying PHM to equipment operating in environments with connectivity constraints. The results obtained from both applications highlight the flexibility, scalability, and applicability of the proposed methodology, validating its capability to integrate data acquisition, degradation modeling, and maintenance decision support. As a scientific contribution, this work proposes a replicable methodological framework for the development of machine health monitoring solutions in critical applications, combining concepts of PHM, IoT, and machine learning in an integrated predictive maintenance approach. |
| id |
UTFPR-12_7b7aae7a65c0644cc9f6948b1f4fa862 |
|---|---|
| oai_identifier_str |
oai:repositorio.utfpr.edu.br:1/39826 |
| network_acronym_str |
UTFPR-12 |
| network_name_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
| repository_id_str |
|
| spelling |
Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditivaMethodology for monitoring machinery in critical use through AIoT with a focus on predictive maintenanceMáquinas - Manutenção e reparosIndústria 4.0Internet das coisasInteligência artificialAprendizado do computadorManutençãoMachinery - Maintenance and repairIndustry 4.0Internet of thingsArtificial intelligenceMachine learningMaintenanceCNPQ::ENGENHARIAS::ENGENHARIA MECANICA::PROCESSOS DE FABRICACAOEngenharia MecânicaThe growing demand for reliability, availability, and efficiency of industrial assets has driven the development of advanced predictive maintenance strategies within the context of Industry 4.0. In this scenario, the integration of sensors, Internet of Things (IoT) platforms, Artificial Intelligence (AI) techniques, and Machine Learning (ML) algorithms becomes essential for estimating the equipment health condition (Health State – HS) and predicting the Remaining Useful Life (RUL). However, a large portion of the approaches found in the literature focuses on isolated components or standardized experimental datasets, with limited validation in real operational environments and limited integration with distributed data processing architectures. In this context, this thesis proposes a structured methodology for monitoring and managing the health of machinery operating in critical applications, based on the integration of concepts from Prognostics and Health Management (PHM), AioT architectures, and system development methods. The methodology was developed based on a systematic literature review and structured according to the principles of Design Science Research, resulting in a methodological workflow composed of stages that include the identification of the critical system, data collection and processing, health state inference, remaining useful life prediction, and generation of operational alerts. The applicability of the proposed methodology was evaluated through two complementary applications. The first application uses real data obtained from a railway track geometry measurement system, in which sparse time series were modeled using statistical techniques and Long ShortTerm Memory (LSTM) recurrent neural networks. The results demonstrated the capability to estimate infrastructure degradation progression, identify operational regime changes, and predict the crossing of health state thresholds, enabling consistent RUL estimations even under low temporal granularity conditions. The second application consists of the implementation of an IoT-based monitoring system for stationary generators operating on the Otto cycle, integrating embedded sensors, MQTT communication protocol, processing in a flow-based development platform, and data storage in a SQL database. The developed solution enables structured acquisition of operational data, remote updating of inference models, and continuous evaluation of the fuel pump operating condition, demonstrating the feasibility of applying PHM to equipment operating in environments with connectivity constraints. The results obtained from both applications highlight the flexibility, scalability, and applicability of the proposed methodology, validating its capability to integrate data acquisition, degradation modeling, and maintenance decision support. As a scientific contribution, this work proposes a replicable methodological framework for the development of machine health monitoring solutions in critical applications, combining concepts of PHM, IoT, and machine learning in an integrated predictive maintenance approach.A crescente demanda por confiabilidade, disponibilidade e eficiência de ativos industriais tem impulsionado o desenvolvimento de estratégias avançadas de manutenção preditiva no contexto da Indústria 4.0. Nesse cenário, a integração entre sensores, plataformas de Internet das Coisas (IoT), técnicas de Inteligência Artificial (IA) e algoritmos de Aprendizado de Máquina (ML) tornase fundamental para a inferência do estado de saúde dos equipamentos (Health State – HS) e para a predição da vida útil remanescente (Remaining Useful Life – RUL). Contudo, grande parte das abordagens presentes na literatura concentra-se em componentes isolados ou em bases de dados experimentais padronizadas, com limitada validação em ambientes reais e pouca integração com arquiteturas distribuídas de processamento de dados. Diante desse contexto, esta tese propõe uma metodologia estruturada para o monitoramento e gestão da saúde de maquinário em uso crítico, fundamentada na integração entre conceitos de Prognóstico e Gestão da Saúde de Máquinas (Prognostics and Health Management – PHM), arquiteturas AioT e métodos de desenvolvimento de sistemas. A metodologia foi desenvolvida com base em uma revisão sistemática da literatura e estruturada segundo princípios de Design Science Research, resultando em um fluxo metodológico composto por etapas que abrangem a identificação do sistema crítico, coleta e tratamento de dados, inferência do estado de saúde, predição da vida útil remanescente e geração de alertas operacionais. A aplicabilidade da metodologia foi avaliada por meio de duas aplicações complementares. A primeira utiliza dados reais provenientes de um sistema de aferição da geometria de trilhos ferroviários, nos quais séries temporais esparsas foram modeladas por meio de técnicas estatísticas e redes neurais recorrentes do tipo Memória Longa de Curto Prazo (Long Short-Term Memory – LSTM). Os resultados demonstraram a capacidade de estimar a evolução da degradação da infraestrutura, identificar mudanças de regime operacional e prever o cruzamento de limiares de estado de saúde, possibilitando estimativas consistentes de RUL mesmo em cenários com baixa granularidade temporal. A segunda aplicação consiste na implementação de um sistema de monitoramento baseado em IoT para geradores estacionários que operam em ciclo otto, integrando sensores embarcados, comunicação via protocolo MQTT, processamento em plataforma orientada a fluxos e armazenamento em banco de dados SQL. A solução desenvolvida permite a coleta estruturada de dados operacionais, atualização remota de modelos de inferência e avaliação contínua da condição de funcionamento da bomba de combustível, demonstrando a viabilidade de aplicação de PHM em equipamentos que operam em ambientes com restrições de conectividade. Os resultados obtidos nas duas aplicações evidenciam a flexibilidade, escalabilidade e aplicabilidade da metodologia proposta, validando sua capacidade de integrar coleta de dados, modelagem de degradação e suporte à tomada de decisão em manutenção. Como contribuição científica, este trabalho propõe uma estrutura metodológica replicável para o desenvolvimento de soluções de monitoramento da saúde de máquinas em aplicações críticas, combinando conceitos de PHM, IoT e aprendizado de máquina em uma abordagem integrada voltada à manutenção preditiva.Universidade Tecnológica Federal do ParanáCuritibaBrasilPrograma de Pós-Graduação em Engenharia Mecânica e de MateriaisUTFPRBorsato, Miltonhttps://orcid.org/0000-0002-3607-8315https://lattes.cnpq.br/9039613643111474Fernandes, Ederson Carvalharhttps://orcid.org/0000-0002-3530-4683https://lattes.cnpq.br/9346194722808548Szejka, Anderson Luishttps://orcid.org/0000-0001-8977-1351https://lattes.cnpq.br/5572669840008569Mariano, Carlos Henriquehttps://orcid.org/0000-0002-4780-8432https://lattes.cnpq.br/3913128429310602Loures, Eduardo de Freitas Rochahttps://orcid.org/0000-0002-1963-6186https://lattes.cnpq.br/5103490322445619Borsato, Miltonhttps://orcid.org/0000-0002-3607-8315https://lattes.cnpq.br/9039613643111474Berardi, Rita Cristina Galarragahttps://orcid.org/0000-0002-0281-8952https://lattes.cnpq.br/6066036778785137Fernandes, Thiago Bastos2026-03-23T19:39:45Z2026-03-23T19:39:45Z2026-02-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfFERNANDES, Thiago Bastos. Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditiva. 2026. Tese (Doutorado em Engenharia Mecânica e de Materiais) - Universidade Tecnológica Federal do Paraná, Curitiba, 2026.http://repositorio.utfpr.edu.br/jspui/handle/1/39826porhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPR2026-03-24T06:14:21Zoai:repositorio.utfpr.edu.br:1/39826Repositório InstitucionalPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestriut@utfpr.edu.br || sibi@utfpr.edu.bropendoar:2026-03-24T06:14:21Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false |
| dc.title.none.fl_str_mv |
Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditiva Methodology for monitoring machinery in critical use through AIoT with a focus on predictive maintenance |
| title |
Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditiva |
| spellingShingle |
Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditiva Fernandes, Thiago Bastos Máquinas - Manutenção e reparos Indústria 4.0 Internet das coisas Inteligência artificial Aprendizado do computador Manutenção Machinery - Maintenance and repair Industry 4.0 Internet of things Artificial intelligence Machine learning Maintenance CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::PROCESSOS DE FABRICACAO Engenharia Mecânica |
| title_short |
Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditiva |
| title_full |
Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditiva |
| title_fullStr |
Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditiva |
| title_full_unstemmed |
Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditiva |
| title_sort |
Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditiva |
| author |
Fernandes, Thiago Bastos |
| author_facet |
Fernandes, Thiago Bastos |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Borsato, Milton https://orcid.org/0000-0002-3607-8315 https://lattes.cnpq.br/9039613643111474 Fernandes, Ederson Carvalhar https://orcid.org/0000-0002-3530-4683 https://lattes.cnpq.br/9346194722808548 Szejka, Anderson Luis https://orcid.org/0000-0001-8977-1351 https://lattes.cnpq.br/5572669840008569 Mariano, Carlos Henrique https://orcid.org/0000-0002-4780-8432 https://lattes.cnpq.br/3913128429310602 Loures, Eduardo de Freitas Rocha https://orcid.org/0000-0002-1963-6186 https://lattes.cnpq.br/5103490322445619 Borsato, Milton https://orcid.org/0000-0002-3607-8315 https://lattes.cnpq.br/9039613643111474 Berardi, Rita Cristina Galarraga https://orcid.org/0000-0002-0281-8952 https://lattes.cnpq.br/6066036778785137 |
| dc.contributor.author.fl_str_mv |
Fernandes, Thiago Bastos |
| dc.subject.por.fl_str_mv |
Máquinas - Manutenção e reparos Indústria 4.0 Internet das coisas Inteligência artificial Aprendizado do computador Manutenção Machinery - Maintenance and repair Industry 4.0 Internet of things Artificial intelligence Machine learning Maintenance CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::PROCESSOS DE FABRICACAO Engenharia Mecânica |
| topic |
Máquinas - Manutenção e reparos Indústria 4.0 Internet das coisas Inteligência artificial Aprendizado do computador Manutenção Machinery - Maintenance and repair Industry 4.0 Internet of things Artificial intelligence Machine learning Maintenance CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::PROCESSOS DE FABRICACAO Engenharia Mecânica |
| description |
The growing demand for reliability, availability, and efficiency of industrial assets has driven the development of advanced predictive maintenance strategies within the context of Industry 4.0. In this scenario, the integration of sensors, Internet of Things (IoT) platforms, Artificial Intelligence (AI) techniques, and Machine Learning (ML) algorithms becomes essential for estimating the equipment health condition (Health State – HS) and predicting the Remaining Useful Life (RUL). However, a large portion of the approaches found in the literature focuses on isolated components or standardized experimental datasets, with limited validation in real operational environments and limited integration with distributed data processing architectures. In this context, this thesis proposes a structured methodology for monitoring and managing the health of machinery operating in critical applications, based on the integration of concepts from Prognostics and Health Management (PHM), AioT architectures, and system development methods. The methodology was developed based on a systematic literature review and structured according to the principles of Design Science Research, resulting in a methodological workflow composed of stages that include the identification of the critical system, data collection and processing, health state inference, remaining useful life prediction, and generation of operational alerts. The applicability of the proposed methodology was evaluated through two complementary applications. The first application uses real data obtained from a railway track geometry measurement system, in which sparse time series were modeled using statistical techniques and Long ShortTerm Memory (LSTM) recurrent neural networks. The results demonstrated the capability to estimate infrastructure degradation progression, identify operational regime changes, and predict the crossing of health state thresholds, enabling consistent RUL estimations even under low temporal granularity conditions. The second application consists of the implementation of an IoT-based monitoring system for stationary generators operating on the Otto cycle, integrating embedded sensors, MQTT communication protocol, processing in a flow-based development platform, and data storage in a SQL database. The developed solution enables structured acquisition of operational data, remote updating of inference models, and continuous evaluation of the fuel pump operating condition, demonstrating the feasibility of applying PHM to equipment operating in environments with connectivity constraints. The results obtained from both applications highlight the flexibility, scalability, and applicability of the proposed methodology, validating its capability to integrate data acquisition, degradation modeling, and maintenance decision support. As a scientific contribution, this work proposes a replicable methodological framework for the development of machine health monitoring solutions in critical applications, combining concepts of PHM, IoT, and machine learning in an integrated predictive maintenance approach. |
| publishDate |
2026 |
| dc.date.none.fl_str_mv |
2026-03-23T19:39:45Z 2026-03-23T19:39:45Z 2026-02-24 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
| format |
doctoralThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
FERNANDES, Thiago Bastos. Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditiva. 2026. Tese (Doutorado em Engenharia Mecânica e de Materiais) - Universidade Tecnológica Federal do Paraná, Curitiba, 2026. http://repositorio.utfpr.edu.br/jspui/handle/1/39826 |
| identifier_str_mv |
FERNANDES, Thiago Bastos. Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditiva. 2026. Tese (Doutorado em Engenharia Mecânica e de Materiais) - Universidade Tecnológica Federal do Paraná, Curitiba, 2026. |
| url |
http://repositorio.utfpr.edu.br/jspui/handle/1/39826 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Curitiba Brasil Programa de Pós-Graduação em Engenharia Mecânica e de Materiais UTFPR |
| publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Curitiba Brasil Programa de Pós-Graduação em Engenharia Mecânica e de Materiais UTFPR |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) instname:Universidade Tecnológica Federal do Paraná (UTFPR) instacron:UTFPR |
| instname_str |
Universidade Tecnológica Federal do Paraná (UTFPR) |
| instacron_str |
UTFPR |
| institution |
UTFPR |
| reponame_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
| collection |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
| repository.name.fl_str_mv |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR) |
| repository.mail.fl_str_mv |
riut@utfpr.edu.br || sibi@utfpr.edu.br |
| _version_ |
1879057126445285376 |