Uso de modelo de aprendizado de máquina em microcontroladores para detecção preventiva de danos e falhas em máquinas e equipamentos.

Abstract

A manutenção preditiva é um pilar fundamental para a eficiência e competitividade na Indústria 4.0, porém, seu custo de implementação em larga escala ainda é um desafio, especialmente para pequenas e médias empresas. Este trabalho propõe o desenvolvimento e a validação de um protótipo de baixo custo para detecção preventiva de falhas em equipamentos industriais, utilizando aprendizado de máquina diretamente em um microcontrolador. A metodologia fundamenta-se no paradigma TinyML, empregando um microcontrolador ESP32 e o classificador Naive Bayes para realizar inferências localmente. O modelo foi treinado e validado utilizando um conjunto de dados sintético do domínio industrial, submetido a etapas de pré-processamento, seleção de características e balanceamento. Os resultados obtidos a partir de 30 máquinas distintas demonstraram alta eficácia, com acurácia entre 91% e 96%, precisão de até 96% e recall de até 98%. A aplicação de um limiar de decisão probabilístico de 80% mostrou-se eficaz para reduzir falsos positivos sem comprometer a sensibilidade do sistema. Conclui-se que a integração de hardware de baixo custo com algoritmos de aprendizado de máquina otimizados é uma alternativa tecnicamente viável e financeiramente acessível, capaz de democratizar o acesso à manutenção preditiva e contribuir para a redução de paradas não planejadas e custos operacionais na indústria nacional.