Pesquisadores utilizam inteligência artificial para criar abordagem não invasiva baseada na análise de sinais acústicos do motor

O diagnóstico de falhas em motores de combustão interna e a utilização inteligência artificial já é uma realidade e com resultados impressionantes. Um estudo realizado no âmbito de um projeto desenvolvido no Centro de Energias Alternativas e Renováveis da Universidade Federal da Paraíba (CEAR/UFPB) desenvolveu uma abordagem não invasiva baseada na análise de sinais acústicos do motor para diagnosticar falhas, sem precisar desmontar ou interromper seu funcionamento.

A tecnologia abre caminho para diagnósticos em tempo real, redução de custos operacionais, aumento da vida útil dos equipamentos e, principalmente, diminuição das emissões de CO₂, um passo importante rumo a sistemas energéticos mais sustentáveis.

A iniciativa está vinculada ao Projeto e desenvolvimento de uma plataforma de telemetria naval do transporte aquaviário de cabotagem vinculado ao CNPq (Conselho Nacional de Desenvolvimento Científico e Tecnológico), voltado ao desenvolvimento de soluções tecnológicas para embarcações, e integra uma tese de Doutorado dedicado ao uso de Inteligência Artificial nos diagnósticos e detecção de falhas em motores de combustão interna, a qual é desenvolvida pelo Grupo de Pesquisa em Energia e Sustentabilidade Energética (GPEnSE/CEAR-UFPB). São autores do trabalho: Norah Nadia Sánchez Torres, Joylan Nunes Maciel, Thyago Leite de Vasconcelos Lima, Mario Gazziro, Abel Cavalcante Lima Filho, João Paulo Pereira do Carmo e Oswaldo Hideo Ando Junior.

De acordo com o professor Oswaldo Hideo Ando Junior, do Departamento de Engenharia Elétrica do CEAR e Líder do GPEnSE, o sistema em desenvolvimento utiliza a captação do som emitido pelo motor para identificar padrões acústicos associados a diferentes tipos de falhas, como problemas mecânicos, falhas de ignição, lubrificação e resfriamento.

Após a coleta, os áudios captados são transformados em espectrogramas log-mel, permitindo que modelos de Machine Learning e Deep Learning interpretem essas informações como imagens, extraindo padrões complexos no tempo e na frequência.

Entre os modelos testados, destaca-se o BiGRUT, (Bidirectional GRU + Transformer), uma arquitetura híbrida que combina a capacidade de memória temporal das redes GRU, a qual organiza os padrões temporais do áudio e os Transformers que utiliza o mecanismo de atenção para ampliar a análise para relações de longo alcance no espectrograma. Essa combinação permite capturar falhas simples e combinadas, resultando em uma precisão de até 97,3% na detecção de falhas.

Além disso, o trabalho disponibiliza um conjunto de dados público (dataset), com 2184 amostras reais de áudio, organizadas em 12 tipos diferentes de falhas, contribuindo diretamente para o avanço de pesquisas na área e para o desenvolvimento de sistemas de manutenção preditiva mais eficientes e acessíveis.

Atualmente, a tecnologia encontra-se em fase de pesquisa, validação experimental e desenvolvimento como sistema/protótipo. Ainda não se trata de um produto comercial pronto para uso, mas os resultados indicam viabilidade para futuras aplicações em diagnóstico em tempo real. O acesso inicial à tecnologia ocorre por meio de artigos científicos publicados, no qual estão descritos a metodologia, os modelos avaliados e a base de dados pública. Interessados também podem entrar em contato com o GPEnSE/CEAR-UFPB (@gpense_ufpb) para mais informações.

Para mais informações, acesse o site do CEAR: www.cear.ufpb.br