Navegando por Autor "Alves, Matheus Pereira"

Agora exibindo 1 - 1 de 1
  • Nenhuma Miniatura disponível
    Item
    Técnicas de processamento de sinais E Machine Leraning aplicado na identificação de defeitos em estruturas industriais.
    (Universidade Federal do Oeste da Bahia. Centro Multidisciplinar de Bom Jesus da Lapa, 2026-09-16) Alves, Matheus Pereira
    A integridade estrutural de equipamentos industriais é crítica para a segurança e eficiência operacional, demandando técnicas robustas de inspeção, como os Ensaios Não Destrutivos por Correntes Parasitas Pulsadas. Contudo, a interpretação manual dos sinais oriundos dessas inspeções é suscetível à subjetividade humana e à complexidade dos dados. Este trabalho propõe o desenvolvimento de um sistema inteligente para a classificação automática de defeitos em tubulações de aço carbono revestidas, distinguindo entre condições de integridade, corrosão interna e corrosão externa. A metodologia integrou um sistema de aquisição microprocessado baseado em sensores de Magnetorresistência. Gigante e um pipeline computacional. Técnicas de engenharia de atributos e aumento de dados foram aplicadas para mitigar a escassez de amostras, seguidas por uma avaliação comparativa entre a Análise de Componentes Principais e a Análise Discriminante Linear para a redução de dimensionalidade. Cinco algoritmos de aprendizado de máquina foram implementados e otimizados via Otimização Bayesiana e validação cruzada aninhada: Gated Recurrent Unit, K-Nearest Neighbors, Máquina de Vetores de Suporte, Random Forest e CatBoost. Os resultados demonstraram a superioridade da Análise Discriminante Linear na separabilidade das classes, permitindo que a rede neural Gated Recurrent Unit alcançasse 94% de acurácia e o CatBoost 92% em ambiente desktop. A validação estatística confirmou a equivalência de desempenho entre esses modelos de topo. Para atestar a aplicabilidade em cenários reais, o modelo CatBoost associado à Análise Discriminante Linear foi implementado de forma embarcada em um dispositivo de borda Raspberry Pi Zero 2W. A avaliação final em hardware registrou uma acurácia de 90,56%, tempo médio de inferência de 1,80 ms por amostra e baixo consumo de memória operacional, com pico de 8,54 KB. Conclui-se que o sistema desenvolvido apresenta viabilidade prática, oferecendo uma solução preditiva robusta, eficiente e de baixo custo computacional capaz de operar em tempo real no setor industrial.