O diagnóstico de falhas é uma tarefa crítica em muitas indústrias que dependem de máquinas para suas operações. O diagnóstico muitas vezes depende do conhecimento e da experiência humana, o que pode ser demorado, subjetivo e sujeito a erros. Nos últimos anos, tem havido um interesse crescente em usar aprendizado de máquina e algoritmos de aprendizagem profunda para automatizar o diagnóstico de falhas e melhorar sua precisão. O objetivo geral desta pesquisa é desenvolver uma metodologia de diagnóstico de falha de equipamentos (ativos), por meio de técnicas de aprendizado de máquina, que utilizam dados disponíveis das empresas usuárias do software Melvin assim como dados coletados dos equipamentos através de sensores de vibração e de temperatura. Estimativas de confiabilidade dos equipamentos poderão ser utilizadas na ferramenta a ser desenvolvida de diagnóstico de falha. Para o desenvolvimento da ferramenta, diferentes técnicas e abordagens serão investigadas como análise no domínio da frequência dos sinais dos sensores e algoritmos de fusão de sensores. Será necessário também desenvolver uma ferramenta para buscar ações de acordo com os modos de falha. Para tal, serão investigadas as possibilidades de utilização de técnicas de tomada de decisão baseada em IA.
