@MASTERSTHESIS{ 2025:1462380775,
 	title = {Modelagem computacional dirigida por dados para diagnosticar falhas de rolamentos e cavitação em bombas centrífugas},
 	year = {2025},
 	url = "https://tede.unioeste.br/handle/tede/7472",
 	abstract = "A modelagem computacional baseada em aprendizado de máquina tem se destacado em
 aplicações no âmbito das Engenharias, especificamente no monitoramento e classificação
 da degradação de componentes críticos. Nesta pesquisa, foram desenvolvidos modelos
 de aprendizado de máquina para monitorar a ocorrência do fenômeno de cavitação em
 bombas centrífugas e defeitos em rolamentos por meio de sinais temporais registrados
 por sensores. Os dados experimentais são de origem da Case Western Reserve University
 (CWRU) e UWA System Health Lab Prognostics Data Library (SPDL) que envolvem os
 tipos e intensidades falhas em rolamentos esféricos e a presença do fenômeno de cavitação
 por meio de acelerômentros. O enfoque desta pesquisa está na construção da solução
 computacional à preparação dos dados e extração das características, utilizando a técnica
 de contagem de hits e a Transformada de Fourier de Curto Tempo (TFCT). A primeira
 envolve o cálculo de diversos parâmetros que definem a forma da onda no domínio do
 tempo, a exemplo da duração do hit, o tempo para atingir a maior amplitude e a energia
 do intervalo hit. A segunda transforma o sinal do domínio do tempo em um espectrograma
 de frequência por tempo e posteriormente em imagens. Na identificação e classificação
 dos padrões foram utilizados dois modelos de aprendizado de máquina baseados em redes
 neurais: uma Rede Neural Multicamadas de Perceptrons (RNMP), que utiliza parâmetros
 da técnica de contagem de hits, e uma Rede Neural Convolucional (RNC), que emprega
 imagens geradas pela TFCT. Os resultados obtidos com o modelo RNMP utilizando dados
 experimentais de vibração da Case Western Reserve University, mostraram uma acurácia
 de 69,50%, precisão de 67,07%, recall de 73,50% e F1-score de 68,63%. Já o modelo RNC
 apresentou uma acurácia de 93,90%, precisão de 93,41%, recall de 93,77% e F1-score de
 92,98%. Enquanto que os resultados obtidos com os modelos RNMP para os dados de
 UWA System Health Lab Prognostics Data Library mostraram uma acurácia de 77,90%,
 precisão de 76,25%, recall de 75,68% e F1-score de 76,25%. Já o modelo RNC os valores
 foram 89,17% de acurárica, precisão de 87,57%, recall de 88,05% e F1-score de 87,80%.
 Esses resultados foram análisados utilizando validação cruzada K-fold, matriz de confusão
 e comparação de desempenho com os modelos de aprendizado de máquina do artigo de
 referência. Além disso, foi realizada uma análise estatística para definir parâmetros como
 limiar e janelamento do sinal, bem como para a criação de rótulos.",
 	publisher = {Universidade Estadual do Oeste do Paraná},
 	scholl = {Programa de Pós-Graduação em Ciência da Computação},
 	note = {Centro de Ciências Exatas e Tecnológicas}
}