Banca de DEFESA: DANIELA MAIA DA SILVA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : DANIELA MAIA DA SILVA
DATA : 31/03/2026
HORA: 09:00
LOCAL: Sala virtual: https://meet.google.com/aqc-qfpr-zku
TÍTULO:

Detecção de Falhas em Máquinas Industriais Usando Descritores Acústicos Cicloestacionários e Aprendizado Semissupervisionado

PALAVRAS-CHAVES:

Detecção de falhas, Sinais acústicos, Densidade de correlação espectral, Aprendizado de máquina

PÁGINAS: 82
RESUMO:

A detecção precoce de falhas em máquinas industriais é essencial para estratégias de manutenção preditiva, redução de custos operacionais e mitigação de riscos. Entre as abordagens não invasivas, a análise de sinais acústicos destaca-se por permitir o monitoramento do equipamento sem contato físico; entretanto, a presença de ruído e a complexidade espectral desses sinais dificultam a aplicação de técnicas convencionais. Este estudo propõe e avalia uma metodologia de detecção de falhas baseada em sinais acústicos, combinando análise cicloestacionária por meio da Densidade Espectral Cíclica (SCD) e técnicas de aprendizado de máquina. Inicialmente, a SCD é utilizada para extrair perfis-alpha, capazes de evidenciar modulações cíclicas associadas ao comportamento mecânico. Em seguida, o algoritmo Random Forest é empregado para reduzir a dimensionalidade e selecionar automaticamente as frequências cíclicas mais informativas. Os descritores selecionados alimentam um autoencoder semi-supervisionado, treinado apenas com amostras normais, que identifica anomalias a partir do erro de reconstrução e de um limiar calibrado com base no comportamento nominal. A metodologia foi validada em dados acústicos do conjunto MIMII, contemplando diferentes tipos de máquinas e condições de SNR. Os resultados indicam que o desempenho varia de forma significativa conforme o tipo de máquina e a seção do sinal analisada: Válvula e Bomba apresentaram maior estabilidade e robustez em múltiplos cenários de ruído, enquanto Ventiladores mostrou maior sensibilidade, com limitações em condições severas de SNR. De modo geral, a abordagem proposta demonstra potencial para uso prático em manutenção preditiva, ao integrar extração cicloestacionária, seleção automática de características e detecção baseada em reconstrução, ao mesmo tempo em que explicita os fatores (máquina, seção e ruído) que condicionam a confiabilidade do diagnóstico.

MEMBROS DA BANCA:
Presidente - 1543191 - LUIZ FELIPE DE QUEIROZ SILVEIRA
Interno - 2579664 - ALLAN DE MEDEIROS MARTINS
Externo ao Programa - 1640260 - JOSE JOSEMAR DE OLIVEIRA JUNIOR - UFRNExterno à Instituição - FLÁVIO BEZERRA COSTA