Técnica de diagnóstico de falhas em motores a combustão interna utilizando aprendizagem de máquina

O cenario industrial atual aponta o aumento da competitividade industrial, da complexidade de maquinas e equipamentos, dos custos de instalacoes industriais, produtos de alta demanda acrescido da preocupacao com os aspectos de seguranca industrial e do meio ambiente. Tal tendencia induz as grandes industrias globais a cada vez mais investirem em dispositivos, tecnologias e ferramentas destinadas a predicao de falhas decorrentes de nao conformidades e avarias em maquinas, equipamentos e instalacoes industriais. Diante desse cenario, o campo de atuacao que trata da manutencao preditiva, analise de previsao e diagnostico de falhas ganhou um lugar de destaque, alem de diversos investimentos em pesquisa e desenvolvimento, principalmente com politicas voltadas a concepcao da industria 4.0. Com a abordagem da industria 4.0 e possibilitada a analise de componentes mecânicos em regime dinâmico e resposta em tempo real, ou seja, sem a necessidade de parar a maquina, o que esta diretamente relacionado a diminuicao dos custos e tempo de producao. Dito isso, a presente tese tem por objetivo apresentar uma nova  metodologia na deteccao e monitoramento de falhas tribologicas em motores a combustao interna, por meio da aprendizagem de maquinas por metodos nao supervisionados e big data, utilizando tecnicas de processamento de sinais, dos dados coletados de vibracao e nivel de pressao sonora do motor, utilizando algoritmos baseados em redes neurais artificiais (RNA) e analise de clusters, criando um sistema inteligente capaz de detectar padroes de falhas, a partir das condicoes de falhas e variacao de carga mecânica em motores a combustao interna ciclo Otto.