Monitoramento, Aprendizado de máquinas, Bombas hidráulicas, Sistemas embarcados. 

A maior parte dos processos do setor produtivo se inicia na geração de energia cinética realizada por motores elétricos. Em operações envolvendo fluidos, os motores associados com bombas realizam movimentação e variação de pressão dos fluidos. Devido à relevância desses equipamentos, falhas no funcionamento podem impactar negativamente toda cadeia produtiva, gerando problemas como queda de rendimento, paradas imprevistas, além de possíveis problemas de segurança aos trabalhadores. Para prevenir tais prejuízos, aplicam-se estratégias de monitoramento de ativos industriais, que avaliam fatores como condição e rendimento dos motores e bombas, auxiliando na tomada de decisão referente às manutenções corretiva e preventiva. Usualmente se utiliza sensores de vibração e corrente para o sensoriamento de condição de motores e bombas elétricas. Porém esses sensores, que precisam de contato, têm custo de instalação associado que podem inviabilizar algumas aplicações. Uma alternativa de baixo impacto na operação é o emprego de sensores acústicos, que vem ganhando notoriedade em sistemas de monitoramento por sua capacidade de detecção de anomalias mesmo em estágios iniciais. Esta avaliação não exige contato físico com o equipamento, permitindo uma abordagem móvel e portátil para o monitoramento da condição dos ativos. Quanto aos modelos utilizados para detecção e diagnóstico de defeitos na operação de motores e bombas elétricas, utiliza-se predominantemente técnicas de aprendizagem de máquina, notadamente as redes neurais. Então, diante da relevância do tema, o presente artigo investiga a viabilidade do uso de aprendizagem de máquina miniaturizada, conhecida como TinyML, utilizando-se de sensores acústicos para detecção de defeitos em bombas elétricas. Mais especificamente, para a detecção de defeitos foi desenvolvido um modelo de classificação de áudio baseado em redes convolucionais (CNN), implementado e embarcado na plataforma Arduino Nano. Para validar a proposta, utilizou-se o benchmark “MIMII Dataset: Sound Dataset for Malfunctioning Industrial Machine Investigation and Inspection”, com áudios de defeitos de diferentes modelos de bombas. Visando avaliar a viabilidade do sistema embarcado, foi analisada a relação custo- benefício entre complexidade do modelo da rede neural e a sua exatidão na detecção de anomalias, para isto, foi utilizada a técnica quantização para reduzir a rede neural CNN em aproximadamente 50%. Os resultados obtidos indicam uma assertividade de mais de 96% do modelo de detecção de defeito, configurando uma solução de simples implementação, baixo custo e eficiência, além de potencialmente aplicável em diversas áreas da indústria, melhorando significativamente o monitoramento de ativos e reduzindo custos relacionados com manutenção.