Banca de QUALIFICAÇÃO: LEYDSON BARBOSA SILVA

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: LEYDSON BARBOSA SILVA
DATA: 18/06/2026
HORA: 08:30
LOCAL: Centro de Informática
TÍTULO: Uma Nova Abordagem de Diagnóstico de Falhas em Motores com LLM e Teoria do Caos
PALAVRAS-CHAVES: Modelo de Linguagem Larga, Diagnóstico de Falhas, RAG, Análise da Teoria do Caos
PÁGINAS: 60
RESUMO: O diagnóstico de falhas em motores elétricos tem sido vastamente estudado ao longo dos anos e permanece como um componente essencial para garantir segurança, eficiência e redução de custos operacionais em ambientes industriais. Sistemas de diagnóstico tradicionais apresentam limitações decorrentes da dependência de treinamento supervisionado, necessidade de grandes volumes de dados rotulados e elevada demanda computacional associada aos custos de treinamento. O avanço recente dos modelos de linguagem de grande escala multimodais (MLLMs) introduziu novas possibi- lidades para o monitoramento inteligente de falhas devido a sua capacidade de raciocínio contextual e ao grande poder de interpretabilidade, pois permitem a exploração de múltiplas fontes de dados. Entretanto, um dos desafios encontrados é dificuldade em interpretar dados de série temporais, atri- buidos por sinais capturados de sensores, considerando a natureza textual dos LLMs. Este artigo apresenta uma nova abordagem híbrida para diagnóstico de falhas em motores elétricos utilizando LLMs e conceitos de teoria do caos. Foi proposto um framework hierárquico baseado em múltiplos níveis de decisão para reduzir a dependência de modelos supervisionados tradicionais e minimizar o acionamento desnecessário do LLM, visando a redução dos custos computacionais. No primeiro nível, foi empregada a técnica Signal Analysis based on Chaos using Density of Maxima (SAC- DM) para caracterizar a dinâmica não linear dos sinais de vibração e identificar padrões estruturais associados às condições de operação. Em seguida, um segundo nível baseado nas frequências ca- racterísticas de falha, obtidas a partir da análise espectral do envelope do sinal, foi utilizado para refinar o processo de classificação utilizando conhecimento físico do domínio. Por fim, apenas os casos ambíguos foram encaminhados ao modelo de linguagem, responsável pela decisão contex- tual final por meio de um mecanismo de recuperação baseado em Retrieval-Augmented Generation (RAG), utilizando métricas de similaridade entre sinais sem necessidade de treinamento adicional do modelo generativo. A arquitetura proposta reduz significativamente o acionamento do LLM ao restringir sua utilização apenas aos casos mais complexos, mantendo interpretabilidade física ao longo de todo o pipeline de diagnóstico. Os experimentos foram validados utilizando os conjuntos de dados Case Western Reserve University (CWRU) e Paderborn University (PU), abrangendo diferentes cenários de condições operacionais e níveis de dificuldade. Os resultados demonstram que a abordagem proposta é capaz de combinar interpretabilidade física, redução de custos computacionais e desempenho competitivo em relação a métodos supervisionados tradicionais, mantendo um processo de decisão hierárquico e modular para diagnóstico inteligente de falhas em motores elétricos.
MEMBROS DA BANCA:
Presidente(a) - 2579537 - ALISSON VASCONCELOS DE BRITO
Interno(a) - 2042972 - TIAGO PEREIRA DO NASCIMENTO
Externo(a) ao Programa - 1942411 - ALEXSANDRO JOSÉ VIRGINIO DOS SANTOS
Externo(a) ao Programa - 1972280 - JUAN MOISES MAURICIO VILLANUEVA
Externo(a) à Instituição - ICARO BEZERRA QUEIROZ DE ARAUJO