Farinha, José Manuel TorresCosta, João Paulo Proença2024-08-292024-08-292024-07-19http://hdl.handle.net/10400.26/51953As falhas nas correias dos ativos industriais representam desafios significativos para as operações de fabrico, resultando em paragens dispendiosas e intervenções de manutenção. Este estudo apresenta uma abordagem abrangente para a análise de falhas nas correias, utilizando técnicas avançadas de monitorização e diagnóstico. Através da integração da Análise de Assinatura de Corrente do Motor (MCSA) e algoritmos de machine learning, nomeadamente Long Short-Term Memory (LSTM), o objetivo é prever e detetar a degradação das correias em tempo real. A metodologia envolve a recolha e o pré-processamento de dados espectrais brutos de ativos industriais, seguida pelo treino e otimização de modelos preditivos usando algoritmos inteligentes. A eficácia da abordagem é demonstrada através de testes extensivos com dados do mundo real, evidenciando a capacidade de prever com precisão falhas nas correias e possibilitar melhores estratégias de manutenção. Os resultados obtidos na fase de testes revelam um alto nível de precisão na previsão de falhas das correias, com os modelos desenvolvidos a superar consistentemente os métodos tradicionais. A incorporação de redes LSTM e algoritmos de inteligentes levou a uma melhoria significativa nas capacidades preditivas, permitindo a deteção precoce de padrões de degradação e intervenção atempada. Ao aproveitar o poder da análise preditiva, o trabalho realizado oferece um caminho promissor para melhorar a eficiência operacional e minimizar as paragens não planeadas nos ambientes industriais. Este trabalho não só contribui para o campo da manutenção preditiva, mas também sublinha o potencial transformador das tecnologias avançadas de monitorização na otimização da fiabilidade e desempenho dos ativos.porFalha nas correiasManutenção preditivaAnálise de Assinatura de Corrente do MotorLong Short-Term MemoryAtivo industrialmaster thesis203676939