DETECÇÃO DE FALHAS EM PROCESSOS PRODUTIVOS UTILIZANDO SENSORES DE VIBRAÇÃO MECÂNICA E INTELIGÊNCIA ARTIFICIAL

Resumo

O projeto apresentado teve como justificativa a crescente necessidade de soluções inovadoras para manutenção preditiva em processos industriais, considerando a pressão do setor produtivo por maior eficiência operacional, redução de custos e mitigação de falhas que geram paradas não planejadas. Nesse contexto, definiu-se como objetivo central o desenvolvimento de sistema de detecção e diagnóstico de falhas em máquinas industriais por meio de sensores de vibração mecânica integrados a técnicas de análise de sinais e algoritmos de inteligência artificial, especialmente redes neurais e Random Forest, de modo a antecipar anomalias e prolongar a vida útil dos equipamentos. A metodologia adotada contemplou revisão bibliográfica sobre análise de vibração e aplicações de IA em manutenção, a seleção e instalação de sensores em pontos críticos de máquinas, o estabelecimento de sistemas de aquisição de dados para coleta contínua, além do pré-processamento dos sinais para remoção de ruídos, normalização e segmentação. Após essa etapa, aplicaram-se técnicas de análise de sinais como a Transformada Rápida de Fourier (FFT) para extração de características relevantes e, em seguida, treinaram-se algoritmos de aprendizado supervisionado e não supervisionado, entre eles Random Forest, Support Vector Machine e Auto-Encoders, voltados à classificação e detecção de padrões de falha como desbalanceamento, desalinhamento e desgaste. O desenvolvimento foi sustentado por notebooks experimentais, dos quais se destacaram adaptações do workflow “work flow_vibration_faulty_Healthy_Datasets”, que após ajustes de formato de arquivos e adequação do código em Python, apresentou resultados concisos, com taxas superiores a 95% de acerto em previsões e boas métricas de avaliação, como precisão, recall e acurácia final de 0,774, 0,932 e 0,734 respectivamente.