Técnicas de processamento de sinais E Machine Leraning aplicado na identificação de defeitos em estruturas industriais.
| dc.contributor.author | Alves, Matheus Pereira | |
| dc.date.accessioned | 2026-09-16T18:41:56Z | |
| dc.date.available | 2026-09-16T18:41:56Z | |
| dc.date.issued | 2026-09-16 | |
| dc.description | Monografia apresentada como requisito parcial para obtenção do título de Bacharel em Engenharia Elétrica, aprovada em sua forma final pelo Colegiado de Engenharia Elétrica do Centro Multidisciplinar de Bom Jesus da Lapa da Universidade Federal do Oeste da Bahia. | |
| dc.description.abstract | 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. | |
| dc.description.sponsorship | Orientador: Prof. Dr. Manoel Messias Silva Junior (UFOB) | |
| dc.identifier.citation | Alves, Matheus Pereira. Técnicas de processamento de sinais E Machine Leraning aplicado na identificação de defeitos em estruturas industriais, 2026. | |
| dc.identifier.uri | https://repositorio.ufob.edu.br/handle/123456789/1035 | |
| dc.language.iso | pt | |
| dc.publisher | Universidade Federal do Oeste da Bahia. Centro Multidisciplinar de Bom Jesus da Lapa | |
| dc.title | Técnicas de processamento de sinais E Machine Leraning aplicado na identificação de defeitos em estruturas industriais. | |
| dc.type | Thesis |