Universidade Federal do Ceará
Programa de Pós-Graduação em Engenharia de Teleinformática

Defesa de Tese de Doutorado – Gilderlanio Barbosa Alves Palacio

Título: Diagnóstico de Falhas em Aerogeradores com Sinais de Vibração: Uma Abordagem Integrada de Classificação e Previsão Utilizando Wavelets e Aprendizado de Máquina

Data: 16/01/2026
Horário: 09:00
Local: Auditório do LESC

Banca Examinadora:
Paulo Cesar Cortez (UFC, Orientador)
Jarbas Aryel Nunes da Silveira (UFC)
Paulo Alexandre Costa Rocha (UFC)
Débora Ferreira de Assis (Instituto Atlântico)

Resumo:
Motivado pelos elevados custos da manutenção corretiva, pelos riscos de indisponibilidade e pela complexidade operacional associada à rotação variável em aerogeradores, este trabalho apresenta uma abordagem sistemática para o diagnóstico de falhas em rolamentos a partir da análise de sinais de vibração, integrando técnicas de processamento digital, extração de características e algoritmos de aprendizado de máquina. Propõe-se um fluxo completo de pré-processamento baseado na decomposição por wavelet e na aplicação de técnicas de limiarização, com o objetivo de reduzir ruídos e preservar informações relevantes para a identificação de falhas.

Após a reconstrução dos sinais, são extraídas 17 características nos domínios do tempo e da frequência, utilizadas como entrada para cinco modelos supervisionados: máquinas de vetores de suporte (SVM), floresta aleatória (RF), k-vizinhos mais próximos (KNN), perceptron multicamadas (MLP) e árvores de decisão (DT), além da formação de comitês envolvendo combinações dos melhores classificadores. A metodologia é aplicada a sinais reais de aerogeradores para a etapa de previsão e a dados experimentais de bancada para a etapa de classificação. Nesta etapa, a melhor configuração é obtida com a wavelet Db1 associada à limiarização universal e ao comitê RF+KNN+MLP, que alcança acurácia de 0,983.

Em paralelo na modelagem preditiva, a tese adota dois formatos complementares: previsão multiclasse, voltada à estimação das zonas de criticidade definidas pela norma ISO 20816-21, e previsão binária, direcionada à antecipação da zona crítica. Para o multiclasse, os melhores resultados ocorrem sem o uso de wavelet, com acurácia próxima de 0,80 para o horizonte de 1 dia e redução progressiva para 7, 15 e 30 dias. A filtragem por wavelet tende a diminuir a separabilidade entre as zonas intermediárias, resultando em acurácia entre 0,60 e 0,70, embora proporcione maior estabilidade diante de sinais ruidosos. Na binária, o uso da wavelet Db1 com limiarização universal aumenta a capacidade de generalização. No horizonte de 1 dia, os modelos alcançam acurácia entre 0,82 e 0,88, mantendo desempenho consistente para 7, 15 e 30 dias.

Esses resultados revelam que a wavelet favorece a identificação das condições críticas, enquanto os sinais sem filtragem se mostram mais eficazes na diferenciação entre zonas intermediárias. Por fim, observa-se que modelos como RF, KNN e MLP preservam desempenho expressivo na detecção de padrões precursores de falhas, mesmo sob condições reais de operação com variações de velocidade.

Palavras-chave: vibração; aerogeradores; diagnóstico; aprendizado de máquina; transformada wavelet.