Banca de QUALIFICAÇÃO: JOSE WIVO GOMES

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : JOSE WIVO GOMES
DATA : 01/09/2026
HORA: 14:00
LOCAL: https://meet.google.com/fkq-ffrp-efg
TÍTULO:

DIAGNÓSTICO DE FALHAS EM ROLAMENTOS MECÂNICOS UTILIZANDO TÉCNICAS DE MACHINE LEARNING

PALAVRAS-CHAVES:

Diagnóstico de falhas. Rolamentos mecânicos. Machine Learning. Processamento de sinais. Manutenção preditiva. ODS 09.

PÁGINAS: 77
RESUMO:

Falhas em rolamentos estão entre as principais causas de paradas não planejadas em máquinas rotativas, comprometendo a confiabilidade dos equipamentos, elevando os custos de manutenção e afetando a sustentabilidade dos processos industriais. Os trabalhos sobre diagnóstico automático de falhas por meio de Machine Learning (ML) têm aumentado bastante nos últimos anos, mas ainda apresentam algumas lacunas referentes ao tipo de classificação, geralmente binária (falha ou não falha), sem considerar os diferentes níveis de severidade; o pré-processamento dos sinais costuma ser definido de forma empírica, sem investigação sistemática de seus efeitos e o esforço da área concentra-se predominantemente na otimização de algoritmos, muitas vezes recorrendo a modelos de Deep Learning de maior complexidade e custo operacional. Diante disso, este trabalho investiga como diferentes estratégias de pré-processamento, como o tamanho da janela de segmentação, a taxa de sobreposição (overlap) e o domínio de extração de features, influenciam o desempenho de modelos de ML na classificação da severidade de falhas em rolamentos, avaliando também uma etapa de seleção de features voltada à redução do custo computacional do processo de classificação. Para isso, foi utilizado um banco de dados desenvolvido pela Universidade Federal da Paraíba (UFPB), composto por rolamentos com quatro níveis de severidade de falha, induzidos por eletroerosão a fio de molibdênio, e ensaiados sob três condições distintas de carga. Ao todo, 36 combinações de pré-processamento foram avaliadas utilizando um classificador Support Vector Machine (SVM), com hiperparâmetros ajustados por grid search e validação cruzada. A configuração de fusão dos domínios de tempo e frequência, com janela de 4096 amostras e overlap de 0%, alcançou 100% de acurácia com o menor custo computacional entre as opções testadas. Uma Árvore de Decisão (DT) treinada na mesma configuração atingiu 98,57% de acurácia, apresentando desempenho muito próximo ao do SVM, porém com a vantagem de oferecer maior interpretabilidade física das regras de decisão. Os resultados
obtidos fornecem subsídios importantes para a padronização de protocolos de diagnóstico automático de falhas, contribuindo para o fortalecimento de soluções de manutenção preditiva, alinhando-se ao ODS 9 (Indústria, Inovação e Infraestrutura).

MEMBROS DA BANCA:
Externo à Instituição - CÍCERO DA ROCHA SOUTO
Presidente - JAIR PAULINO DE SALES
Interno - PAULO RENATO ALVES FIRMINO
Externo à Instituição - RODOLFO DE SOUSA SANTOS