Metodologia para monitoramento de maquinário em uso crítico por meio de AIoT com foco em manutenção preditiva

Detalhes bibliográficos
Ano de defesa: 2026
Autor(a) principal: Fernandes, Thiago Bastos
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
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