Submissões Recentes
Análise da percepção da comunidade acadêmica sobre a cultura empreendedora no IFMG Campus Ribeirão das Neves
Silva, Thuanne Leal da; Tomaz, Paulo Aparecido; Veiga; Oliveira, Maria das Graças de; Veiga, Túlio Pereira
Uma cultura empreendedora em uma instituição é um importante impulsionador de atividade de empreendedorismo e inovação. Entretanto, a percepção sobre a cultura pode variar de acordo com as ações que são desenvolvidas e até mesmo com o envolvimento das pessoas nessas ações. Nas Instituições de Ensino não é diferente, a percepção do alunado sobre a cultura de inovação e empreendedorismo pode variar de contexto para contexto. Neste sentido, esta pesquisa busca analisar a percepção da comunidade acadêmica sobre a cultura empreendedora no IFMG campus Ribeirão das Neves. Para se alcançar os objetivos propostos foi feita uma pesquisa de abordagem mista que envolveu a aplicação de questionários a 105 pessoas. Os resultados mostram que a maioria dos respondentes percebem importantes atividades relacionadas ao empreendedorismo e inovação. Entretanto, é necessário maior envolvimento dos discentes em atividades relacionadas.
Modelagem e análise de dados de manutenção de correias transportadoras
Pereira, Guilherme Lopes; Silveira, Luiz Guilherme Hilel Drumond; Murofushi, Rodrigo Hiroshi; Boaventura, Erick Fonseca
A gestão da manutenção aplicada a correias transportadoras desempenha papel fundamental na confiabilidade operacional e na otimização de recursos em ambientes industriais. Nesse contexto, este trabalho propõe a informatização do registro, armazenamento e análise de dados de manutenção de uma correia transportadora de industrial, por meio da modelagem de uma base de dados estruturada e do desenvolvimento de um relatório analítico em Microsoft Power BI. Os dados utilizados no projeto são fictícios, porém elaborados com base em um cenário real, de modo a preservar a coerência operacional e a aplicabilidade prática da solução proposta. A arquitetura do sistema contempla a coleta de parâmetros operacionais simulados de sensores instalados em componentes críticos da correia transportadora, com armazenamento em bancos de dados relacionais e plataformas em nuvem, utilizando MySQL e Google Planilhas. A extração, transformação e carregamento dos dados (ETL) são realizados por meio do Power Query, com o apoio das linguagens M e DAX para modelagem analítica, enquanto a linguagem Python é empregada na geração de dados, automação de processos e desenvolvimento de interfaces de inserção. Como resultado, é desenvolvido um relatório dinâmico que possibilita a consulta histórica, a correlação entre diagnósticos, processos e ordens de serviço, além da visualização de indicadores relevantes para a tomada de decisão. A solução demonstra potencial para reduzir o tempo de diagnóstico de falhas, aumentar a taxa de amostragem das informações e promover a padronização dos procedimentos de manutenção, contribuindo para ganhos operacionais no curto e médio prazo.
Diagnóstico automatizado de falhas em motores de indução trifásicos por redes neurais artificiais com dados do Motor Fault Simulator (MFS-UFRJ)
Rodrigues, Lucas Rodrigues Coutinho dos; Hilel,, Luiz Guilherme
A Manutenção Preditiva (PdM) representa uma evolução estratégica na gestão de ativos industriais, utilizando Inteligência Artificial (IA) para antecipar falhas em equipamentos críticos. Este trabalho tem como objetivo desenvolver uma solução computacional para o diagnóstico automatizado de falhas em motores de indução trifásicos, utilizando Redes Neurais Artificiais (RNA). A metodologia proposta baseia-se na análise de sinais de vibração e corrente da base de dados pública do Motor Fault Simulator (MFS) da UFRJ. Para lidar com o grande volume de dados, foi implementada uma rotina de processamento em lotes para a extração de características relevantes nos domínios do tempo e da frequência. O principal resultado desta fase do projeto é a construção e validação de um pipeline de dados robusto e de uma arquitetura de rede neural.
Integração da automação e geotecnia: estudo de caso sobre o impacto do monitoramento geotécnico automatizado em barragens de mineração
Silvério, Laura Victória; Miranda, Diego
A integração entre automação e geotecnia tem se destacado como estratégia relevante para o aprimoramento da segurança e da eficiência no monitoramento de barragens de mineração. Este trabalho analisou a aplicação de sistemas automatizados de monitoramento geotécnico, envolvendo instrumentação piezométrica, sistemas SCADA, plataformas em nuvem e integração de dados em tempo quase real, a partir de um estudo de caso em uma barragem de rejeitos. A metodologia adotada compreendeu análises qualitativas e comparativas entre o monitoramento manual convencional e o monitoramento automatizado, avaliando aspectos como continuidade da aquisição de dados, confiabilidade das leituras e fluxo de informação para a tomada de decisão. Os resultados indicaram que a automação proporciona maior disponibilidade e centralização das informações geotécnicas, reduzindo a dependência de intervenções manuais e ampliando a agilidade no acesso aos dados de monitoramento. Durante o período analisado, observou-se estabilidade nas leituras piezométricas, não sendo registrados eventos críticos, o que permitiu avaliar o desempenho operacional do sistema em condições normais de funcionamento. Conclui-se que a integração entre automação e geotecnia contribui para o fortalecimento da gestão da segurança de barragens, favorecendo a conformidade regulatória, a eficiência operacional e a sustentabilidade das operações minerárias.
Estudo de viabilidade de um método baseado em inteligência artificial para classificação de anomalias em máquina embaladora usando dados coletados em produção, para auxiliar na manutenção
Lima, Wilkson Araujo Costa; Silveira, Luiz Guilherme Hilel Drumond
Este trabalho avalia a viabilidade do uso de um Autoencoder baseado em redes neurais recorrentes do tipo Long Short-Term Memory (LSTM) para a detecção de anomalias em sinais operacionais de uma máquina embaladora Vega Shrink-Wrapper. O modelo é treinado exclusivamente com dados considerados normais, aprendendo o padrão temporal típico de operação da máquina, e a identificação de anomalias é realizada por meio do erro de reconstrução das janelas de dados, calculado pelo Erro de reconstrução (MSE). Utiliza-se um conjunto de dados reais públicos contendo séries temporais de sensores industriais coletados ao longo de seis meses de operação. A metodologia envolve a preparação e o janelamento dos dados, o treinamento do Autoencoder LSTM e a avaliação do desempenho do modelo em dois cenários de divisão entre dados de treino e teste (70/30 e 90/10), utilizando métricas como acurácia, precisão, recall, F1-score e curvas Precision–Recall. Como resultados, foram calculadas métricas de desempenho que possibilitaram a comparação direta entre os dois cenários de divisão dos dados.