Técnicadiagnósticofalhas SilvaJúnior 2018 PDF

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE TECNOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA
TÉCNICA DE DIAGNÓSTICO DE FALHAS EM MOTORES A COMBUSTÃO

INTERNA UTILIZANDO APRENDIZAGEM DE MÁQUINA
EDILSON MARINHO DA SILVA JUNIOR

Natal – RN, 2018
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE TECNOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA

Tese apresentada ao Programa de Pós-Graduação em

Engenharia Mecânica (PPGEM) da Universidade
Federal do Rio Grande do Norte como parte dos
requisitos para a obtenção do título de Doutor em
Engenharia Mecânica, na área da Mecânica do
Contato, orientado pelo Prof. Dr. Efrain Pantaleon
Matamoros e co-orientado pelo Prof. Dr. Cleiton
Rubens Formiga.
NATAL – RN
2018
Universidade Federal do Rio Grande do Norte - UFRN
Sistema de Bibliotecas - SISBI
Catalogação de Publicação na Fonte. UFRN - Biblioteca Central Zila Mamede
Silva Júnior, Edilson Marinho.

Técnica de diagnóstico de falhas em motores a combustão
interna utilizando aprendizagem de máquina / Edilson Marinho
Silva Júnior. - 2018.
158 f.: il.
Tese (doutorado) - Universidade Federal do Rio Grande do

Norte, Centro de Tecnologia, Programa de Pos-Graduação em
Engenharia Mecânica. Natal, RN, 2018.
Orientador: Prof. Dr. Efrain Pantaleon Matamoros.
Coorientador: Prof. Dr. Cleiton Rubens Formiga Barbosa.
1. Redes neurais artificiais - Tese. 2. Tribologia - Tese. 3.

Aprendizagem de máquina - Tese. 4. Diagnóstico de falhas - Tese.
I. Matamoros, Efrain Pantaleon. II. Barbosa, Cleiton Rubens
Formiga. III. Título.
RN/UF/BCZM CDU 004.032.26(043.2)

Elaborado por FERNANDA DE MEDEIROS FERREIRA AQUINO - CRB-15/301
Tese APROVADA pelo Programa de Pós-Graduação em

Engenharia Mecânica (PPGEM) da Universidade Federal do Rio
Grande do Norte
Banca examinadora da tese
_______________________________________________________________________
Prof. Dr. Efrain Pantaleón Matamoros
Universidade Federal do Rio Grande do Norte – Orientador
_________________________________________________________________________
Prof. Dr. Cleiton Rubens Formiga
Universidade Federal do Rio Grande do Norte – Co-orientador
___________________________________________________________________
Prof. Dr. João Bosco da Silva
Universidade Federal do Rio Grande do Norte – Membro Interno
_____________________________________________________________________
Prof. Dr. André Bessa Moreira
Universidade Federal do Rio Grande do Norte - Membro Externo
_____________________________________________________________________
Prof. Dr. Marco Antonio Leandro Cabral
Universidade Federal do Rio Grande do Norte – Membro Interno
___________________________________________________________________
Prof. Dr. Gilson Garcia da Silva
Instituto Federal de Educação, Ciências e Tecnologia do Rio Grande do Norte – Membro
Externo
___________________________________________________________________
Prof. Dr. José Alvaro de Paiva
Instituto Federal de Educação, Ciências e Tecnologia do Rio Grande do Norte – Membro
Externo
Natal – RN, 23 de outubro de 2018.
Dedico esse trabalho à minha amada família, aos meus irmãos
espirituais, aos meus mestres, ao povo brasileiro e a todos os
meus irmãos indígos.
AGRADECIMENTOS
Agradeço primeiramente a Deus e todos os meus irmãos de luz que me ajudaram

durante toda a minha vida.
Agradeço a minha família, minha mãe, meu pai e meu irmão. Agradeço a minha
esposa Larissa Marinho e toda sua família, que agora também é minha.
Agradeço ao meu orientador Efrain Pantaleón Matamoros, por todo o companheirismo

oferecido durante toda a minha vida acadêmica e parte da minha vida, bem como ao meu co-
orientador Cleiton Rubens Barbosa Formiga, por toda a paciência e ajuda durante a
elaboração da tese.
Agradeço a todos os meus amigos e colegas que me ajudaram nessa caminhada. Como
também meus agradecimentos a Universidade Federal do Rio Grande do Norte em especial os
colegas e professores do Laboratório de Tribologia e o Laboratório de Energia. Agradeço ao
Instituto Federal de Educação, Ciências e Tecnologia do Maranhão pelo apoio.
Agradeço ao Brasil, em especial ao governo Lula/Dilma, bem como ao Ministro de

educação Fernando Haddad, pela oportunidade e investimentos em educação publica e
ciências e tecnologia, o que proporcionou a possibilidade de ser feito o doutorado na UFRN.
Obrigado.
Caminante, son tus huellas el camino y nada más;
Caminante, no hay camino, se hace camino al andar.
Al andar se hace el camino, y al volver la vista atrás
se ve la senda que nunca se ha de volver a pisar.
Caminante no hay caminho sino estelas en la mar.
(Caminante no hay camino – Antonio Machado).
JUNIOR, E. M. da S. Técnica de diagnóstico de falhas em motores à combustão interna
utilizando aprendizagem de máquina. 157p. Tese de Doutorado (Programa de Pós-
Graduação em Engenharia Mecânica) – Universidade Federal do Rio Grande do Norte, Natal-
RN, 2018.
RESUMO
O cenário industrial moderno denota o aumento da competitividade industrial, tendo em vista

a complexidade de máquinas e equipamentos – produtos de alta demanda –, os custos de
instalações industriais, aliados à preocupação com aspectos de segurança industrial e meio
ambiente. Essa tendência induz as grandes indústrias globais a cada vez mais investir em
dispositivos, tecnologias e ferramentas destinadas à previsão e predição de falhas decorrentes
de não conformidades e avarias em máquinas, equipamentos e instalações industriais. Nesse
contexto, o campo de atuação que trata da manutenção preditiva, da análise de previsão e do
diagnóstico de falhas ganhou lugar de destaque, além de diversos investimentos em pesquisa e
desenvolvimento, principalmente com políticas voltadas à concepção da indústria 4.0. Com a
abordagem da indústria 4.0, possibilita-se a análise de componentes mecânicos em regime
dinâmico e respostas em tempo real, sem a necessidade de equipamento parado, o que está
diretamente relacionado à diminuição dos custos e do tempo de produção. Dito isso, a
presente tese tem por objetivo apresentar uma nova metodologia para a detecção e o
monitoramento de falhas tribológicas em motores a combustão interna, por intermédio da
aprendizagem de máquinas por métodos não supervisionados e Big Data, utilizando técnicas
de processamento de sinais aliadas a algoritmos de Redes Neurais Artificiais (RNA) e análise
de clusters, criando um sistema inteligente capaz de identificar padrões de falhas a partir das
condições destas e da variação de carga mecânica em motores a combustão interna Ciclo Otto.
Palavras-chave: Tribologia. Motores a combustão interna. Aprendizagem de máquina. Redes

Neurais Artificial. Diagnóstico de falhas.
JUNIOR, E. M. da S. Fault diagnosis technique in internal combustion engines using
machine learning. 157p. PhD Thesis (Post-Graduation Program in Mechanical Engineering)
- Federal University of Rio Grande do Norte, Natal-RN, 2018.
ABSTRACT
The modern industrial scenario denotes the increase of the industrial competitiveness, due to
the complexity of machines and equipment - products of high demand -, the costs of industrial
installations, allied to the concern with aspects of industrial safety and environment. This
trend induces large global industries to increasingly invest in devices, technologies and tools
designed to previse and predict failures due to non-conformities and breakdowns in machines,
equipment and industrial facilities. In this context, the field of action dealing with predictive
maintenance, forecast analysis and fault diagnosis has gained prominence place, as well as
several investments in research and development, mainly with policies aimed at the design of
the industry 4.0. With the industry 4.0 approach, it is possible to analyze dynamic mechanical
components and real-time responses without the need for stationary equipment, which is
directly related to the reduction of costs and production time. The aim of this thesis is to
present a new methodology for the detection and monitoring of tribological faults in internal
combustion engines through the use of unsupervised learning methods and Big Data using
signal processing techniques allied with to algorithms of Artificial Neural Networks (RNA)
and analysis of clusters, creating an intelligent system capable of identifying fault patterns
from the conditions of these and the variation of mechanical load in Otto cycle internal
combustion engines.
Keywords: Tribology. Internal combustion engines. Machine learning. Artificial Neural

Networks. Fault diagnosis.
LISTA DE ILUSTRAÇÕES
Figura 1 – Tecnologias direcionadoras para a manufatura avançada ............................................... 22

Figura 2 – Pintura rupestre evidenciando a aspersão de água para a diminuição de atrito no
Egito (2.400 a.C.) .................................................................................................................................... 28
Figura 3 – Tribômetros inventados por Leonardo da Vinci para a mensurar a força de atrito:
(a) Em superfícies horizontais e inclinadas; (b) Analisando o efeito da área aparente; (c)
Utilizando uma polia; e (d) Considerando o torque em um cilindro ........................................ 29
Figura 4 – Atrito por (a) rolamento ou (b) deslizamento ..................................................................... 30
Figura 5 – Geometrias empregadas em testes de desgaste por deslizamento; (a) Disco-disco;
(b) Face a face; (c) Pino-disco; (d) disco-pino (tangencial); (e) Bloco contra um cilindro;
e (f) Pino-plano em deslizamento linear........................................................................................... 34
Figura 6 - (a) Mapa de temperatura; (b) Mapa de mecanismos de desgaste de aços em
condições de deslizamento sem lubrificação (ASHBY; LIM, 1987)....................................... 36
Figura 7 – Esquema dos constituintes da célula neural ........................................................................ 41
Figura 8 – Neurônio artificial projetado por McCulloch ..................................................................... 44
Figura 9 – Rede de perceptrons proposta por Rosenblatt .................................................................... 44
Figura 10 – Redes Adaline e Madaline ..................................................................................................... 44
Figura 11 – Estrutura do método backpropagation ................................................................................ 45
Figura 12 – Esquema da unidade McCulloch e Pitts ............................................................................. 46
Figura 13 – Organização em camadas ....................................................................................................... 48
Figura 14 – Exemplo de rede feedforward camada única .................................................................... 49
Figura 15 – Exemplo de rede feedforward multicamadas ................................................................... 49
Figura 16 – Exemplo de rede recorrente ................................................................................................... 50
Figura 17 – Neurônios organizados em um mapa de Kohonen bidimensional ............................. 53
Figura 18 – Atualização do neurônio vencedor e seus vizinhos ........................................................ 53
Figura 19 – (a) Exemplo de matriz-U com representação por superfície topológica e (b)
Matriz-U bidimensional com tons de cinza ..................................................................................... 54
Figura 20 – Análise de dados a partir da SOM ....................................................................................... 54
Figura 21 – Passo a passo da formação de clusters baseados em densidade .................................. 66
Figura 22 – Exemplo de dendograma com cinco objetos .................................................................... 67
Figura 23 – Ilustração do processo divisivo e aglomerativo ............................................................... 67
Figura 24 - (a) Sequência de agrupamento e (b) Representação em dendograma ........................ 68
Figura 25 – Esquema ilustrativo do princípio de funcionamento de um microfone capacitivo 70
Figura 26 - Bancada de ensaios triblógicos em motores a combustão interna............................... 80
Figura 27 - Motor NMG65 Nagano ........................................................................................................... 81
Figura 28 - Gerador NG3100 ....................................................................................................................... 82
Figura 29 - Desenho esquemático da instrumentação principal ......................................................... 83
Figura 30 - Especificações básicas dos módulos NI 9205 e NI9233 da National Instruments . 84
Figura 31 - (a) sensor de vibração acoplado ao motor, (b) decibelímetro instalado próximo ao
motor........................................................................................................................................................... 85
Figura 32 - (a) sensor de temperatura instalado no carter do motor, (b) sensor de temperatura
instalado no escapamento ..................................................................................................................... 86
Figura 33 - Sistema de aquisição secundário ........................................................................................... 86
Figura 34 - Módulo eletrônico de aquisição dos parâmetros de desempenho do motor ............. 89
Figura 35 - Sistema de interface homem-máquina ................................................................................ 90
Figura 36 - Técnica de medição da abertura radial do anel de segmento utilizando calibrador
de folga....................................................................................................................................................... 94
Figura 37 - Válvulas de admissão e escape .............................................................................................. 97
Figura 38 - Protocolo do procedimento de ensaio.................................................................................. 99
Figura 39 - Sistema de resfriamento do motor a combustão interna .............................................. 100
Figura 40 - Fluxograma das técnicas de análise de dados ................................................................. 102
Figura 41 - Transformada Rápida de Fourier de um sinal de aceleração dos dados coletados103
Figura 42 - Representação em cachoeira (waterfall) dos sessenta espectros de frequência do
sinal de vibração .................................................................................................................................... 104
Figura 43 - Gráfico de barras dos valores RMS das bandas de oitavas de frequência de nível
de pressão sonora (1-10) e aceleração (11-20) para as condições de falhas a uma carga de
0 kW.......................................................................................................................................................... 105
Figura 44 - Exemplo de Matriz U (a) bidimensional e (b) tridimensional dos dados coletados
das falhas em uma condição de carga ............................................................................................. 106
Figura 45 - Matriz U bidimensional da rede SOM, das quatro condições de falhas para a
condição sem carga (0 kW) ................................................................................................................ 108
Figura 46 - Matriz U tridimensional da rede SOM, das quatro condições de falhas para a
Figura 47 - Matriz U de associação da rede SOM, das quatro condições de falhas para a
condição de carga de 0.5 kW ............................................................................................................. 112
Figura 49 - Matriz U tridimensional da rede SOM, das quatro condições de falhas para a
condição de carga de 0.5kW .............................................................................................................. 113
Figura 51 - Matriz U bidimensional da rede SOM das quatro condições de falhas para a
condição de carga 1kW ....................................................................................................................... 116
Figura 52 - Matriz U tridimensional da rede SOM das quatro condições de falhas para a
condição de carga de 1kW.................................................................................................................. 117
Figura 53 - Matriz U de associação da rede SOM das quatro condições de falhas para a
condição de carga de 1kW.................................................................................................................. 118
Figura 57 - Resumo geral dos resultados das matrizes U de associação por carga (a) condição
sem carga, (b) condição com carga de 0.5kW, (c) condição com carga de 1kW e (d)
condição com carga de 1.5kW .......................................................................................................... 124
Figura 58 - Matriz U bidimensional da rede SOM na condição de análise global ..................... 125
Figura 59 - Matriz U tridimensional da rede SOM na condição de análise global..................... 126
Figura 60 - Matriz U de associação da rede SOM da análise global .............................................. 127
LISTA DE TABELAS
Tabela 1 – Classificação dos motores a combustão interna ..................................................... 25

Tabela 2 – Cronologia de desenvolvimento dos motores a combustão interna........................ 25
Tabela 3 – Leis do atrito (de deslizamento) ............................................................................. 31
Tabela 4 – Fontes de dissipação de energia no contato de rolamento ...................................... 33
Tabela 5 – Coeficiente de desgaste K para diferentes meios (FEIN, 1975) ............................. 37
Tabela 6 – Cronologia histórica das RNA ................................................................................ 43
Tabela 7 – Cronologia dos estudos das técnicas de clusterização ............................................ 62
Tabela 8 – Principais características dos métodos de distância entre grupos ........................... 68
Tabela 9 – Classificação dos acelerômetros ............................................................................. 72
Tabela 10 - Principais procedimentos técnicos ........................................................................ 77
Tabela 11 - Características do motor a combustão interna NMG65 Nagano ........................... 81
Tabela 12 - Características do Gerador FG-2500 ..................................................................... 81
Tabela 13 – Especificação do decibelímetro SKDEC-02 ......................................................... 83
Tabela 14 - Descrição dos experimentos ................................................................................ 101
LISTA DE QUADROS
Quadro 1 – Equações do desgaste (ARCHARD, 1953; BAYER, 1991) ................................. 37

Quadro 2 – Principais funções de ativação usada em RNA ..................................................... 47
Quadro 3 - Dimensão do corpo-de-prova, relacionando as dimensões nominais, dimensões de
desgaste, dimensões da abertura radial do anel de segmento e os dados do Manual Honda.
........................................................................................................................................... 94
Quadro 4 - Dimensões dos corpos-de-prova, relacionando as dimensões nominais, dimensões
com desgaste, dimensões de folga e os dados de limite de uso do Manual Honda........... 98
Quadro 5 - Matriz de associação dos subconjuntos de neurônios da Matriz U com as
condições de falhas, utilizando a clusterização pelo método Ward’s na condição sem
carga ................................................................................................................................ 109
Quadro 6 - Matriz validação da rede neural, na condição sem carga (0 kW) ........................ 111
condições de falhas, utilizando a clusterização pelo método Ward’s na condição de
0.5kW de carga ................................................................................................................ 113
Quadro 8 - Matriz de validação da rede neural para condição de carga a 0.5kW .................. 115
condições de falhas, utilizando a clusterização pelo método Ward’s na condição de 1kW
de carga ........................................................................................................................... 117
Quadro 10 - Matriz de validação da rede neural para condição de carga à 1 kW .................. 118
condições de falhas, utilizando a clusterização pelo método Ward’s. condição de 1.5 kW
de carga ........................................................................................................................... 121
Quadro 12 - Matriz de validação da rede neural para condição de carga a 1.5kW ................ 123
condições de falhas, utilizando a clusterização pelo método Ward’s na condição de
análise global ................................................................................................................... 126
Quadro 14 - Matriz de validação da rede neural para condição de carga a 1.5kW ................ 129
SUMÁRIO
1 INTRODUÇÃO ...................................................................................................... 14
1.1 Exposição do tema...................................................................................................... 14
1.2 Definição do problema e justificativa do estudo ................................................................. 16
1.3 Problema da pesquisa ....................................................................................................... 17
1.4 Objetivo do estudo ........................................................................................................... 18
1.4.1 Objetivo principal ............................................................................................................................... 18
1.4.2 Objetivos secundários ........................................................................................................................ 18
1.5 Hipótese ........................................................................................................................... 18

1.6 Estrutura do trabalho ........................................................................................................ 19
2 REVISÃO DA LITERATURA ..................................................................................... 20

2.1 A indústria 4.0................................................................................................................... 20
2.2 Motores a combustão interna ..................................................................................... 24
2.3 Tribologia: uma abordagem clássica sobre atrito e desgaste ............................................... 26
2.3.1 Atrito................................................................................................................................................... 30
2.3.2 Desgaste ............................................................................................................................................. 33
2.4 Análise multivariada ................................................................................................... 37

2.4.1 Redes Neurais Artificiais (RNA) .......................................................................................................... 40
2.4.1.1 Característica geral da RNA ......................................................................................................... 45
2.4.1.2 Mapas auto-organizáveis e a rede de Kohonen .......................................................................... 52
2.4.1.3 RNAs aplicadas em motores a combustão interna ..................................................................... 57
2.4.2 Clusterização de dados ...................................................................................................................... 59
2.4.2.1 Classificação dos algoritmos de clusterização ............................................................................. 65
2.5 Transdutores de vibração e nível de pressão sonora........................................................... 69

2.6 Análise acústica no diagnóstico de falhas ........................................................................... 72
2.7 Análise de vibração no diagnóstico de falhas ..................................................................... 73
3 METODOLOGIA DA PESQUISA .............................................................................. 76

3.1 Caracterização da pesquisa ............................................................................................... 76
3.2 Bancada de ensaios tribológicos em motores a combustão interna .................................... 78
3.2.1 Motor gerador NMG65 ...................................................................................................................... 80
3.2.2 Instrumentos de coleta de dados ...................................................................................................... 82
3.2.2.1 Instrumentação principal ............................................................................................................ 82
3.2.2.2 Sistema de aquisição secundária ................................................................................................ 85
3.2.2.3 Instrumentação interface homem-máquina ............................................................................... 89
3.3 Preparação dos corpos-de-prova ....................................................................................... 90

3.3.1 Anéis de segmento ............................................................................................................................. 90
3.3.2 Válvulas de admissão e escape .......................................................................................................... 94
3.4 Procedimento experimental .............................................................................................. 98

3.5 Técnicas de análise de dados ........................................................................................... 102
4 RESULTADOS E DISCUSSÕES ............................................................................... 108

4.1 Condições de falhas do motor a combustão interna sem carga ......................................... 108
4.2 Condições de falhas do motor a combustão interna com a carga de 0.5kW ....................... 111
4.3 Condições de falhas do motor a combustão interna com a carga de 1kW .......................... 115
4.4 Condições de falhas do motor a combustão interna com a carga de 1.5kW ....................... 119
4.5 Resumo geral dos resultados das análises por carga ......................................................... 123
4.6 Operação do motor a combustão interna na condição global de falha e de carga .............. 124
4.7 Considerações finais........................................................................................................ 129
5 CONCLUSÃO ...................................................................................................... 131

REFERÊNCIAS ........................................................................................................................ 133
14
1 INTRODUÇÃO
O presente capítulo destina-se a apresentar a tese proposta, delineando a exposição do

assunto, a definição do problema e da justificativa do estudo, o problema da pesquisa, os
objetivos principal e secundários, a hipótese e a estrutura dessa tese.
1.1 Exposição do tema
O cenário industrial moderno denota o aumento da competitividade industrial, tendo

em vista a complexidade de máquinas e equipamentos – produtos de alta demanda – os custos
de instalações industriais, aliados à crescente preocupação com aspectos de segurança
industrial e do meio ambiente. Essa tendência induz as grandes indústrias globais a cada vez
mais investir em dispositivos, tecnologias e ferramentas destinadas à previsão e predição de
falhas decorrentes de não conformidades e avarias em máquinas, equipamentos e instalações
industriais.
Nesse contexto, o campo de atuação que trata da manutenção preditiva, da análise de
previsão e do diagnóstico de falhas ganhou lugar de destaque, além de diversos investimentos
em pesquisa e desenvolvimento, principalmente com políticas voltadas à concepção de
indústria 4.0. Com isso, torna-se possível a análise de componentes mecânicos em regime
dinâmico, sem a necessidade de equipamento parado, gerando, por conseguinte, a diminuição
dos custos e do tempo de produção.
Conforme relatado por Coelho (2016), a indústria 4.0 vai além da simples
digitalização em si, porquanto está bem mais relacionada a uma cadeia complexa de inovação
baseada na combinação de múltiplas tecnologias que, inevitavelmente, forçará as empresas a
repensar todos os seus métodos de gerenciamento de manutenção, negócios e processos,
ajustando ações de marketing e de logística.
O relatório elaborado em 2015, pela World Economic Forum de 2016, intitulado Deep
Shift Technology Tipping Points and Societal Impact, identificou seis tendências que estão
moldando a sociedade, criando oportunidades e riscos, quais sejam: pessoas e internet;
Internet das Coisas (IOT), comunicações e armazenamento; computadores; digitalização da
matéria; economia repartida e confiança; e inteligência artificial e Big-data – tema foco dessa
tese.
15
A estatística sempre foi reputada como uma ferramenta imprescindível para a

interpretação e análises de dados na engenharia, daí porque vem sendo bastante utilizada na
manutenção 4.0, seja para o tratamento e a análise de grandes números dados (Big-data), ou
para o diagnóstico e a previsões de falhas, inteligentes e não supervisionados (inteligência
artificial) de componentes mecânicos devido a fenômenos de deterioração, por corrosão ou
por meio do desgaste provocado pelo contato entre corpos.
Recentemente, um ramo da estatística, a estatística multivariada, passou a ser bastante

explorado para a interpretação de resultados e determinação de padrões de semelhança entre
variáveis que eram impossíveis de relacionar por modelos determinísticos.
Um importante aliado que vem ganhando cada vez mais espaço quando se trata do
diagnóstico de falhas e do estudo da evolução destas são as ferramentas estatísticas
multivariadas e, nomeadamente, a ferramenta de mineração de dados. Esta refere-se a um
instrumento de análise multivariada que busca reunir objetos ou variáveis a partir de seus
padrões de similaridades, transformando-os em clusters, cujo objetivo para o diagnóstico de
falhas em componentes consiste em buscar relações de proximidade a partir comportamento
estatístico entre diferentes componentes, pares tribológicos ou diferentes fenômenos internos
ou externos, diretamente ou indiretamente atuantes no processo para, com isso, determinar o
quanto há de semelhanças e prever comportamentos futuros de componentes importantes, o
que antes não era possível apenas com as técnicas existentes, sem a necessidade de interferir
no funcionamento do equipamento.
O uso da inteligência artificial por meio de técnicas de RNA viabiliza a construção de
sistemas matemáticos-estatísticos não supervisionados e de autoaprendizagem, os quais são
capazes de gerenciar, diagnosticar e atuar em sistemas de manutenção e detecção de falhas e
não conformidades. Em sinergia com técnicas de Big-data e análise multivariada, é possível
elaborar sistemas de manutenção em motores a combustão interna inteligentes, capazes de
prever, diagnosticar e monitorar falhas e fenômenos tribológicos ao longo de sua vida útil.
Nessa perspectiva, Hutchings (1992ª) asseverou que “a tribologia é a ciência e
tecnologia de superfícies que interagem, abrangendo o estudo do atrito, do desgaste, da
lubrificação e das irreversibilidades.” A palavra tribologia foi inserida pelo comitê de
lubrificação, cujo significado deriva da palavra grega tribos que quer dizer atrito (rubbing).
Portanto, inclui a investigação científica da tríplice: atrito lubrificação e desgaste, e aplicação
de conhecimento tribológico (ZUM GAHR, 1987, p. 3).
No entendimento de Heywood (1988), os motores a combustão interna têm a
finalidade de transformar a energia química proveniente da reação entre combustível,
16
comburente e calor em energia mecânica. Por sua vez, Obert (1971) relacionou a diferença
básica entre motor a combustão interna e motor a combustão externa, frisando o menor peso
quando há combustão interna, pois, a mistura ar-combustível e a transformação em energia
mecânica ocorrem no próprio sistema, não sendo necessário partes externas para sua
atividade-fim.
1.2 Definição do problema e justificativa do estudo
Em consonância com a McKinsey & Company, em até 2025, os processos

relacionados à indústria 4.0 poderão reduzir os custos de manutenção de equipamentos entre
10% e 40%, a redução do consumo de energia entre 10% e 20%, e o aumento da eficiência no
trabalho entre 10% e 25%.
No que tange aos custos envolvendo efeitos tribológicos em todos os setores
estratégicos da sociedade modera, K. Holmberg et al. (2015) relataram que cerca de 30% da
energia no transporte é usado para vencer o atrito; na indústria, essa quantidade corresponde a
cerca de 15 a 20%; em áreas residenciais e outras, a energia usada para superar o atrito é
inferior a 10%. Como conclusão geral, o estudo abonou que cerca de 20% da produção de
energia no mundo é convertida em efeitos tribológicos. Para Anderson (1991), a redução em
10% no atrito do acionamento do automóvel resulta em até 3% de economia de combustível.
De acordo com Zum Gahr (1987), pesquisa realizada na década de 1980, na
Alemanha, revelou que efeitos tribo-químicos, juntos, contribuem com a perda de 4,5% do
Produto Interno Bruto (PIB). Ademais, estudos realizados pela The American Society of
Mechanical Engineers (ASME), nos Estados Unidos, apontaram uma perda econômica de 1%
a 2,5% do PIB devido aos efeitos tribológicos relacionados ao desgaste (OLIVEIRA; SILVA,
2015).
Com base nessas informações, e considerando o PIB do Brasil, estimado em 1,7
trilhões de reais no ano de 2004, os cálculos de perdas por desgaste alcançaram o patamar de
17 (1%) a 104 (6%) bilhões de reais por ano. Logo, a economia monetária nacional, apenas
com o emprego de conhecimento existente sobre desgaste, seria de 3,4 a 20 bilhões de reais
anuais (SINATORA, 2005).
Corroborando K. Holmberg et al. (2015), o tráfego rodoviário é dominado por 700
milhões de carros, 300 milhões de veículos leves (SUV’s e Vans), 36.5 milhões de caminhões
17
e 3.6 milhões de ônibus. Para todo o rendimento de combustível dessas frotas, cerca de 38%
dessa energia é convertida em potência mecânica, onde 33% dessa potência mecânica é dada
por perdas tribológicas – sendo a representação dos efeitos tribológicos em motores a
combustão interna expressiva, chegando a cerca de 11,5% desse valor.
Os trabalhos de Pinkus & Wilcock (1971) atinaram para o fato de que se estima que o
atrito dos anéis de segmento com a parede do cilindro seja elevado a cerca de 50 a 70% do
atrito total no conjunto pistão, que é responsável por cerca de 25% a 75% do total de perdas
por atrito no motor.
Na acepção de Jost (1990), com a execução de investimentos nas áreas de ensino,
pesquisa e aplicação de conceitos de tribologia, seria possível, em valores quantitativos,
diminuir, aproximadamente:
• £22 milhões em investimentos devido a maiores taxas de utilização e maior eficiência
mecânica;
• £28 milhões na redução do consumo de energia, por meio da redução do atrito;
• £100 milhões de investimentos para o acréscimo da vida útil de máquinas e
equipamentos;
• £115 milhões em perdas devido a quebras;
• £230 milhões em custos em manutenção e reposição de peças;
• £10 milhões em recursos produtivos vinculados à força de trabalho;
• £10 milhões com custos com lubrificantes.
Portanto, o susodito autor ratificou que essas aplicações contribuiriam para a
diminuição de custos e perdas nas indústrias, ampliando o retorno sobre investimentos e
garantindo a elevação do PIB.
1.3 Problema da pesquisa
Diante das considerações ora aventadas, estabeleceu-se como problema da pesquisa: é

possível a criação de uma nova abordagem de detecção e classificação de falhas tribológicas a
partir do uso combinado de técnicas de aprendizagem de máquinas e Big Data, aliando
ferramentas de análises multivariadas baseadas em análise de agrupamento (clusters) e RNA
não supervisionadas com processamento de sinais para a elaboração de sistemas de
18
manutenção inteligentes capazes de prever, diagnosticar e monitorar falhas em motores a

combustão interna?
1.4 Objetivo do estudo
1.4.1 Objetivo principal
O presente estudo estipulou como objetivo principal apresentar uma nova metodologia
para a detecção e o monitoramento de falhas tribológicas em motores a combustão interna,
por intermédio da aprendizagem de máquinas pelo método não supervisionado e Big Data,
utilizando técnicas de processamento de sinais aliadas a algoritmos de RNA e análise de
clusters.
1.4.2 Objetivos secundários
✓ Desenvolver um supervisório plug-in para monitoração em motores a combustão

interna quatro tempos;
✓ montar uma bancada motor-gerador, instrumentada, para monitoramento e
diagnóstico de falhas tribológicas;
✓ criar uma rede autogerenciável para análise de falhas em motores a combustão;
✓ possibilitar o diagnóstico de falhas a partir da densidade de frequência dos sinais de
aceleração e nível de pressão sonora.
1.5 Hipótese
Partiu-se da hipótese de que o uso combinado das ferramentas de aprendizagem de

máquina e Big Data aliando técnicas de clusterização, inteligência artificial e processamento
de sinais, permite a previsão, o diagnóstico e o monitoramento de falhas em motores a
combustão interna Ciclo Otto.
19
1.6 Estrutura do trabalho
O presente estudo estrutura-se em seis capítulos, conforme detalhamento a seguir.

O primeiro capítulo apresenta a introdução, onde se esboça o assunto, a definição do
problema e da justificativa do estudo, o problema da pesquisa, os objetivos principal e
secundário, a hipótese e a estrutura desse trabalho.
O capítulo seguinte trata dos fundamentos teóricos que embasaram esse estudo, a
saber: indústria 4.0; motores a combustão interna; tribologia – u ma abordagem clássica do
atrito e desgaste; análise multivariada, abordando tópicos de RNA e clusterização de dados
(Data Minnig); transdutores; análise de nível de pressão sonora e de vibração.
O terceiro capítulo delimita a metodologia, onde são descritos os principais passos e as
técnicas adotadas para a construção da bancada e aquisição dos sinais. Para tanto, traça os
principais pontos de caracterização da pesquisa; a elaboração da bancada tribológica de motor
a combustão interna e os sistemas de aquisição de sinais; a preparação dos corpos-de-prova;
as técnicas de análise de dados; e os procedimentos experimentais.
Na sequência, o quarto capítulo designa os resultados e as discussões, onde são
descritos os resultados adquiridos com o estudo, entabulando discussões acerca das técnicas
utilizadas para o alcance do objetivo geral. Tendo isso em vistam subdivide-se nos seguintes
subitens: condições de falhas do motor a combustão interna sem carga, condições de falhas do
motor a combustão interna com a carga de 0.5 kW; condições de falhas do motor a combustão
interna com a carga de 1 kW; condições de falhas do motor a combustão interna com a carga
de 1.5 kW; resumo geral dos resultados das análise por carga; e operação do motor a
combustão interna na condição global de falha e de carga.
Por seu turno, o quinto capítulo promove discussões sore os os resultados encontrados,
ao passo que o capítulo seguinte contempla as conclusões do estudo empreendido.
Por fim, indicam-se as referências bibliográficas que nortearam o trabalho, assim
como ilustram-se os anexos que o constituem.
20
2 REVISÃO DA LITERATURA
2.1 A indústria 4.0
A denominação indústria 4.0 ficou conhecida em 2011, na Alemanha, quando um

conjunto de representantes do governo, de empresas e da academia promoveram a ideia de
uma abordagem que tinha como intuito aprimorar a competitividade da indústria alemã. Nesse
ensejo, o governo alemão anunciou que esse conceito faria parte da High-Tech Strategy 2020
for Germany, cujo propósito seria levar a Alemanha à liderança na inovação tecnológica
(KAGERMANN et al., 2013).
Dessa forma, o tema foi debatido no World Economic Forum de 2016, na Suíça,
momento em que seu fundador, Klaus M. Schwab, afirmou que a sociedade moderna se
encontra no início de uma revolução que está mudando a forma como o ser humano vive,
trabalha e se relaciona. Esta é encarada como a quarta Revolução Industrial (SCHWAB,
2016).
A propósito, Kagermann et al. (2013) organizou as quatro revoluções industriais com
base em um contexto histórico, relatando os principais pontos de cada uma. A primeira teve
início no fim do século XVIII, na Inglaterra, tendo a indústria têxtil como pioneira, resultando
em uma revolução na maneira como os produtos eram fabricados. Posteriormente, a segunda
Revolução Industrial ocorreu por volta da virada do século XX, na Europa, devido,
principalmente, à criação de motores a combustão interna, ao envolvimento da energia
elétrica e à divisão do trabalho. Já a terceira Revolução Industrial, iniciada em meados dos
anos 1940, singularizou-se pelo emprego de componentes eletrônicos e da tecnologia da
informação, gerando maior automatização dos processos de fabricação. Finalmente, a quarta
Revolução Industrial, criada na Alemanha e nomeada de Indústria 4.0, inaugurou uma nova
era industrial, caracterizada pela utilização de recursos de informação e tecnologia da
comunicação com vistas a melhorar os processos de manufatura e negócios.
Em sua tese, Azevedo (2017) reiterou que a prática da Indústria 4.0 tem como objetivo
a otimização da cadeia de valor, aproveitando, com isso, a questão tecnológica e o potencial
econômico por meio de uma sistematização da inovação de processo, com ênfase sobre os
seguintes aspectos fundamentais:
• a integração horizontal, mediante uma rede de valores;
• conexão digital ponto a ponto da engenharia em toda a sua cadeia de valor;
21
• relação vertical integrativa e manufatura em rede.

Outrossim, Azevedo (2017) elencou oito áreas-chave que, segundo o grupo de
trabalho alemão para a Industrial 4.0, requerem pesquisa e aprofundamento para que os
conceitos da iniciativa sejam corretamente implementados. São eles:
• normatização da arquitetura de referência e padrões abertos;
• gerenciamento de sistemas difíceis;
• infraestrutura de banda larga global industrial;
• questões de safety e security como fatores críticos para o sucesso da indústria 4.0;
• projeto e organização relacionados ao trabalho para a era digital industrial;
• treinamento e desenvolvimento profissional constante;
• famework regulatório;
• uso eficiente dos recursos.
O impacto da Indústria 4.0 no contexto industrial hodierno pode ser visto no livro de
Klaus Schwab, The Fouth Indústial Revolution, no qual o autor anunciou quatro principais
alterações esperadas da indústria em geral: alterações nas expectativas dos clientes; produtos
mais inteligentes e mais produtivos; novas formas de colaboração e parcerias; e a
transformação do paradigma operacional e conversão em modelo digital (SCHWAB, 2016).
Com efeito, Venturelli (2014) enumerou algumas vantagens da implantação da
Indústria 4.0, a saber:
• redução de custos;
• economia de energia;
• aumento da segurança;
• conservação ambiental;
• redução de erros;
• fim do desperdício;
• transparência nos negócios;
• maior qualidade de vida.
No Brasil e na academia, a Industria 4.0 é alcunhada como Manufatura Avançada,
tendo sido divulgada na Feira Internacional de Máquinas e Equipamentos (FEIMEC), em
2016, como uma indústria onde: o produto é individualizado, levando em consideração as
suas características e a comunicação com as máquinas; os acontecimentos no mundo real são
os mesmos no mundo virtual; há intensa comunicação entre máquina-máquina, decidindo o
que deve ser feito; realiza-see conexão totalizada de cadeia de valor; está tudo conectado
22
gerando Big Data, e o analytics identifica tedências e antecipa ações; e o ser humano é visto
como elemento criativo e gestor de recursos (AZEVEDO, 2017).
A Figura 1 estampa as tecnologias direcionadoras de ações ligadas à manufatura
avançada.
Figura 1 – Tecnologias direcionadoras para a manufatura avançada
Fonte: FEIMEC (2016).
No relatório da Confederação Nacial da Indústria (CNI), Desafios para a Indústria 4.0

no Brasil, publicado em 2016, foram apontadas algumas tecnologias habilitadoras atinentes à
quarta revolução industrial, sendo as principais: IoT; Big Data e analytics; computação em
nuvem; robótica avançada; inteligência artificial (machine learning); novos materiais;
manufatura aditiva e híbrida. Nesse âmbito, IoT, Big Data e analytics, computação em nuvem
e inteligência artificial (machine learning) serão os temas predominantes nessa tese.
O termo Internet of things (IoT), bem como o seu conceito, emergiram em 1982,
devido ao desenvolvimento da primeira máquina de Coca-Cola, com características IoT, pelos
pesquisadores da Carnegie Mellon University (OLDEST, 2017), sendo aprofundado por volta
de 1999, por Kevin Ashton, durante apresentação na Procter & Gamble (P&G), a partir da
ideia do uso de Radio Frequency Identification (RFID) nas cadeias de suprimento (ASHTON,
2009).
A IoT pode ser abalizada enquanto práticas e sistemas que conectam máquinas e
equipamentos à internet, onde as máquinas podem se comunicar entre si e ser controladas,
operadas e monitoradas remotamente. A partir dessa noção, originou-se outra, inescusável
para a Indústria 4.0, referente à Machine-to-Machine (M2M).
23
Consoante Kim et al. (2014), o M2M remete à comunicação entre máquinas sem que
haja intervenção humana, sendo aplicado para segurança e proteção; utilities; cuidados com a
saúde; manutenção e controle; além de ambiente veicular.
Nessa lógica, Azevedo (2017) focalizou os principais desafios da comunicação M2M,
no sentido de suportar o tráfego e oferecer condições mínimas de comunicação, a saber:
• suportar a transmissão de dispositivos em massa;
• possuir alta confiabilidade;
• pouco consumo de energia;
• baixa mobilidade;
• segurança e monitoração.
Concernente ao Big Data e analytics, Nist (2015) deliberou o termo Big Data a partir
de um aglomerado de dados, onde a grande massa deste se configura como não estruturada e
necessita de análise em tempo real.
Para Azevedo (2017), a expressão Big Data trata da inabilidade das tradicionais
arquiteturas de dados em manusear de forma eficiente uma grande quantidade de dados, sendo
necessária uma arquitetura capaz de, eficientemente, armazenar, manipular e analisar grandes
volumes de dados variados, e com uma alta taxa de velocidade.
Já o termo analytics pode ser dilucidado como a descoberta, interpretação e
comunicação dos padrões significativos dos dados, podendo a partir disso prever, analisar
riscos, gerenciar decisões, melhorar o desempenho e aprimorar recursos (KOHAVI;
ROTHLENDER; SIMOUDIS, 2002).
A computação em nuvem compete a um modelo que permite acesso ubíquo,
conveniente e sob demanda aos recursos e dados compartilhados e configuráveis, que podem
ser rapidamente liberados com o mínimo esforço de gerenciamento (NIST, 2011).
No parecer de Azevedo (2017), esse modelo é composto por cinco características
essenciais, três modelos de serviço e quatro de implantação. Suas características
indispensáveis são: sob demanda e autosserviço; acesso amplo à rede; conjunto de recursos;
rápida elasticidade; serviço de medição. Os três modelos de serviço são: Infraestrutura como
Serviço (IaaS); Software como Serviço (SaaS); e Plataforma como Serviço (PaaS). Já os
padrões de implementação são: nuvem privada; nuvem comunitária; nuvem pública; e nuvem
híbrida.
Em se tratanto de machine learning, Samuel (1959) o determinou como um campo de
estudo que faculta aos computadores a habilidade de aprender sem que haja uma
24
programação. Mitchell (1997) complementou essa abstração atrelando-a a técnicas capazes de

melhorar o desempenho de uma tarefa com a utilização de experiências prévias, e dividiu os
algoritmos em quatro formas: supervisionado, não supervisionado, semisupervisionado e
aprendizado por esforço.
2.2 Motores a combustão interna
Os motores a combustão interna são aqueles que têm a finalidade de transformar a

energia química, proveniente da reação entre combustível, comburente e calor, em energia
mecânica (HEYWOOD, 1988).
Enriquecendo essa discussão, Obert (1971) relacionou a diferença básica entre motor a
combustão interna e motor a combustão externa, frisando o menor peso quando há combustão
interna, pois a mistura ar-combustível e a transformação em energia mecânica ocorrem no
próprio sistema, não sendo necessárias partes externas para a sua atividade-fim.
Em conformidade com Bosch (2005), a conversão da energia química em calor dá-se
mediante a combustão, e este é responsável pela conversão em trabalho mecânico, por meio
da termodinâmica, alterando, sobretudo, a pressão e a temperatura do sistema. Além disso,
citou os principais combustíveis empregados nos motores a combustão interna, sendo mais
populares a gasolina, o álcool, o óleo diesel e o gás natural, cujo estado tanto pode ser líquido
quanto gasoso.
Nos motores a combustão interna, a geração de trabalho mecânico acontece por
intermédio da combustão entre o ar e o combustível, a qual pode ser iniciada por meio da
ignição de uma centelha – Ciclo Otto, ou pela elevação da pressão dentro da câmara de
combustão, acarretando uma combustão espontânea – Ciclo Diesel (BRUNETTI, 2012;
MARTINS, 2006).
Heywood (1988) classificou os motores a combustão interna levando em conta suas
principais características físicas, como pode ser observado na Tabela 1.
25
Tabela 1 – Classificação dos motores a combustão interna
Aplicação Automóveis, aviões, marítimo, geração de energia, sistema

estacionário
Projeto básico do motor Motores alternativos – em linha, em V, radiais, opostos, entre outros.
Rotativos (Wankel, entre outros)
Ciclo de trabalho Motor 4 tempos e 2 tempos, podendo ser aspirados, superalimentados

e turbinados
Localização e desenho da
válvula Acima do cabeçote, rotativas, abaixo do cabeçote, entre outros
Combustível Gasolina, óleo diesel, álcool, gás natural, hidrogênio, bicombustível,

entre outros
Método da preparação da
mistura Carburados, injeção indireta e injeção direta
Método de ignição Por centelha ou por compressão
Projeto da câmara de
combustão Câmara aberta ou câmara dividida
Método de controle de Controle da mistura, controle apenas do combustível ou combinação
carga destes
Método de arrefecimento Água, ar ou natural

Fonte: Adaptado de Heywood (1988).
Quanto à revisão histórica dos motores a combustão interna, a Tabela 2 expõe uma
cronologia abrangendo desde o surgimento até o uso, em meados do século XX.
Tabela 2 – Cronologia de desenvolvimento dos motores a combustão interna
Ano Contribuição histórica Autor

Criação de um dispositivo em que o embolo móvel era impulsionado por
1680 Cristián Huygens
explosão via pólvora (MORRISON, 1923).
Descrição do princípio de funcionamento de uma máquina térmica a vapor com
1687 Dênis Papim
pistão.
Produção de um sistema capaz de gerar trabalho utilizando uma mistura entre ar
1791 Johon Barber
e gás de iluminação (MORRISON, 1923).
Geração de trabalho em um envólucro fechado (cilindro) por meio da mistura do

1794 ar com um combustível denominado Álcool de Terebentina, utilizando-o para Robert Street
acionar mecanismos. O início dos motores a combustão interna (ADAMS, 1959).
Aparecimento da primeira patente que descreve a construção e operação de um

1799 motor a combustão interna abastecido por meio da mistura ar e gás de iluminação Philippe Lebon
(ADAMS, 1959).
1821 Primeiro motor que obteve sucesso, com a mistura entre ar e hodrogênio. W. Cecil
26
Carnot sugeriu que o ar submetido a uma taxa de compressão de 15:1 alcançaria

1824 uma temperatura de 300°C, suficiente para queimar até mesmo a lenha seca Sadi Carnot
(STINSON, 1970).
Construção do primeiro motor a combustão interna com 5% de rendimento,

1860 utilizando uma mistura de gás de iluminação e ar, o qual era introduzido no J. J. E. Lenoir
cilindro e queimada por meio de uma centelha (HEYWOOD, 1997).
Construção e patente de um motor atmosférico de pistão livre com 10% de Nicoulaus August Otto e
1866-67
eficiência térmica (STONE, 1997). Eugène Langen
Criação do primeiro motor a combustão abastecido com a mistura de petróleo

bruto e ar, utilizando um compressor de pistão separado do expansor, injetando o
1872 George Brayton
ar comprimido quente pelo cilindro interno (BOULANGER et al., 1977;
TAYLOR, 1939).
Construção do primeiro motor a combustão interna, quatro tempos, via ignição

1876 Nicolaus August Otto
por centelha. Denominado de motor Otto (OBERT, 1971).
Desenvolvimento e idealização do primeiro motor a combustão interna de dois
1878-81 Dulgald Clerk
tempos (OBERT, 1971; STONE, 1997).
Idealização e construção do primeiro motor a combustão interna de ignição

1892-95 espontânea, com rendimento de 24% (MORRISON, 1923). Produção do primeiro Rudolf Diesel
veículo denominado Ford modelo “T” bicombustível.
Criação de um motor de rendimento 26,2%, potência de 20cv, a uma rotação de

1897 172 rpm, com o consumo específico de 247 g/cv.h. Este foi o propulsor da força Rudouf Diesel
motriz para fábricas (HEYWOOD, 1988).
Introdução do motor Diesel nos Estados Unidos, o primeiro motor marítimo Engenheiros fraceses,
1899
Diesel (REIS et al., 1999). Adolphus Bosch
Primeiro uso de um motor a combustão interna para uso cience ico, a partir da
1906 Santos Dumont
construção do primeiro protótipo de avião, o 14-bis (PAUL, 2003).
Início do uso de aviões motorizados na 1° Guerra Mundial, em um ataque contra

1911 Exército italiano
os turcos, em Trípoli (HART, 1973).
Desenvolvimento de um motor a combustão interna para o primeiro projeto de
1915 Sir Harry Ricardo
sucesso de um tanque de guerra “Mark V”.
Travessia do Atlântico, de Nova Iorque até Páris, com uma aeronave equipada
1927 Wright Whirlwind
com motor de 200 hp.
Fonte: Elaborado pelo autor (2018).
2.3 Tribologia: uma abordagem clássica sobre atrito e desgaste
A tribologia reúne os conhecimentos adquiridos na física, na química, na mecânica e

na ciência dos materiais para esclarecer e antecipar o comportamento de sistemas físicos que
são manuseados em sistemas mecânicos. O que integra a tribologia não são os conhecimentos
27
básicos, mas a área de aplicação. Assim como os campos dos saberes que a fundamentam
existiam antes dela, os estudos dos fenômenos de lubrificação, atrito e desgaste antecedem
muito o ano de 1966 (SINATORA, 2005).
Dowson (1979, p. 1) apud Sinatora (2005, p. 2) proclamou que a tribologia é um termo
que foi cunhado em 9 de maio de 1966 para definir “[...]The cience and technology of
interacting surfaces in relative motion and practices related thereto.” Traduzindo: “[...]A
ciência e a tecnologia de superfícies interagindo em movimento relativo e das práticas
relacionadas.”
A tribologia é igualmente definida como sendo a ciência que estuda as interações
interatômicas e a morfologia estrutural entre duas superfícies em movimento relativo. Passou
a ser aceita e reputada como ciência em 1966, na Inglaterra. Embora já esteja presente desde
os primórdios da existência da vida humana, a invenção da roda no período de transição entre
o Neolítico e Idade dos Metais denota fielmente a necessidade de o homem desenvolver
novos métodos de diminuição de energia por atrito, com a invenção da roda (MEDEIROS,
2002).
Logo, a tribologia apoia-se na mecânica, física, química e ciências dos materiais, não
trazendo, portanto, qualquer conhecimento novo. O que se fez em 1966 foi conferir um foco,
um fator unificador, que é a aplicação das sabedorias básicas para a prevenção do
comportamento de sistemas físicos, ou seja, de tribo-elementos que são empregados em
sistemas mecânicos (WINER, 1990 apud SINATORA, 2005).
Nesse diapasão, Medeiros (2002, p. 7) sobrelevou que cabe à tribologia qualificar,
quantificar e identificar os mecanismos, bem como a natureza do contato físico dos sólidos
com movimento relativo entre si, concatenando-a com a relação entre humanos, de tal modo
que as duas estão destinadas ao desgaste e à deterioração.
Desde o surgimento do Homo sapiens na Terra, irrompeu a dominância de alguns
fenômenos salutares para a evolução humana. Nesse contexto, durante o período Paleolítico,
houve o primeiro método de dominação do fogo, que se deu graças ao evento de fricção e
desgaste. Já no Mesolítico, a tribologia ajudou o homem na confecção de ferramentas de
trabalho e de caça, a partir do uso de novos materiais e técnicas de fabricação. Com o
descobrimento da agricultura e domínio dos animais, o homem passou a ser sedentário,
engendrando as primeiras formações de sociedades complexas humanas.
Na antiga Mesopotâmia, foram encontrados registros de carruagens com rodas e
engrenagens, equipamentos tribológicos sofisticados para aquela época. Os antigos egípcios
também fizeram uso de fricção para transporte de pesadas cargas, conforme Figura 2, que
28
expõe escravos arrastando uma estátua de 600kN com o auxílio de um líquido que está sendo
jogado no caminho, com o intuito de reduzir o atrito (MEDEIROS, 2002).
Figura 2 – Pintura rupestre evidenciando a aspersão de água para a diminuição de atrito no Egito (2.400 a.C.)
Fonte: Halling (1983).
Em 1928, descobriu-se um mancal de rolamento axial datado de cerca de 40 a.C, o

qual era aplicado para suportar estátuas, oportunizando também seu giro. Porém, estudos da
tribologia só foram iniciados na época de Leonardo da Vinci (1452-1519), o primeiro a atestar
que a força de atrito é proporcional à carga e independente da área nominal de contato.
Investigações sobre desgaste e fricção foram melhor assimiladas graças à contribuição
de Da Vinci (1459-1519) no período do Renascimento, posto que ele mediu a força de fricção
de objetos deslizando-os em planos horizontais e inclinados, e assentou que a força de fricção
ou atrito depende unicamente de uma força normal e da condição superficial entre o objeto e o
plano, dando início à necessidade de uso da lubrificação.
A Figura 3 expressa os tribômetros desenvolvidos por Leonardo da Vinci para a
determinação da força de atrito.
29
Figura 3 – Tribômetros inventados por Leonardo da Vinci para a mensurar a força de atrito: (a) Em superfícies
horizontais e inclinadas; (b) Analisando o efeito da área aparente; (c) Utilizando uma polia; e (d) Considerando o
torque em um cilindro
Fonte: Redi et al. (2007).
Diagnósticos sobre fricção e desgaste retomaram destaque em meados do século XVII,

com os estudos de Amonton (1699), Coulomb (1785) e Morim (1833) (RABINOWICZ,
1985).
Em 1699, Amonton (1663-1705) realizou estudos experimentais e postulou leis. A
primeira delas assente que a força de atrito é proporcional à força normal; a segunda indica
que a força de atrito entre as superfícies é independente da área de contato aparente entre eles.
Em 1780, Coulomb (1736 – 1806) confirmou as leis de atrito de Amonton e pressupôs a
terceira lei, segundo a qual a força de atrito é independente da velocidade. No ano de 1684,
Robert Hooke (1635 – 1703) recomendou a combinação de eixos de aço com buchas de
bronze para mancais de roda (MEDEIROS, 2002).
Heinrich Hertz (1857-1894) foi o físico alemão cujo nome designou a unidade SI de
freqüência, em sua homenagem. Em 1882, ele foi a primeira pessoa a resolver o problema das
tensões de contato e deformação elástica entre sólidos elásticos (lentes de vidro) de formas
arbitrárias (MEDEIROS, 2002).
Por sua vez, Tower introduziu estudos experimentais em lubrificação hidrodinâmica
em 1883, sendo mais bem postulado e interpretado em 1886, por Reynolds (1842-1919), que
testemuhou que os movimentos das superfícies do eixo poderiam gerar campos de pressão na
película de óleo capazes de suportar cargas consideráveis. Stokes e Petroff também
coadjuvaram nas pesquisas sobre lubrificação, com o desenvolvimento dos primeiros mancais
hidrodinâmicos (MEDEIROS, 2002).
É oportuno mencionar a contribuição de estudiosos e cientistas respeitáveis para a
evolução da tribologia, a exemplo de: John Theophilius Desanguliers (1683- 1744); Leonard
Euler (1707-1783); Charles Hatchett (1760-1820); George Vogelpohl (1900-1975); Frank
Philip Boluden (1903-1968). Estes e tantos outros contribuíram para o desenvolvimento da
30
tribologia. Em 1979, Dowson publicou um livro titulado History of tribology, onde são
apontadas as contribuições mais importantes de cada um deles (MEDEIROS, 2002).
2.3.1 Atrito
A força de atrito é concebida como a resistência entre duas superfícies em contato e

movimento relativo, podendo este ser classificado como movimento relativo de deslizamento
e rolamento (HUTCHINGS, 1992). Para que haja uma força de atrito, faz-se necessário o
movimento de um corpo sobre uma contraface estacionária, onde esse contato entre as
superfícies originará um coeficiente de atrito e a força normal, independentemente do tipo de
movimento, como ilustrado na Figura 4.
Figura 4 – Atrito por (a) rolamento ou (b) deslizamento
Fonte: Hutchings (1992).
Para Medeiros (2002), o estudo do atrito emanou de Leonardo da Vinci, que o

singularizou pioneiramente como elemento de máquinas, relacionando a diminuição do atrito
com o uso de pinos e esferas, avaliando a melhoria de utilizar três esferas ao invés de quatro
sob um pino.
Duzentos anos após Da Vinci, Amontons (1699) desenvolveu experimentos com
metais e madeira lubrificados com gordura de porco, os quais serviram para a formalização
das três leis do atrito.
Hutchings (1992) amplificou as três leis do atrito e Medeiros (2002) aprimorou-as,
realçando suas limitações, como disposto na Tabela 3.
31
Tabela 3 – Leis do atrito (de deslizamento)

_________________________________________________________________________
Primeira Lei: F = N
“A força de atrito F é proporcional à carga normal N”
Não obedecem à primeira lei: geralmente os materiais poliméricos.
Segunda Lei:
“A força de atrito é independente da área aparente de contato”
Não obedecem à segunda lei: geralmente os materiais poliméricos.
Terceira Lei:
“A força de atrito é independente da velocidade de deslizamento”
Não obedecem à terceira lei: em sistemas de deslizamento animados com velocidades de dezenas ou centenas de
metros por segundo, o coeficiente de atrito dinâmico d diminui quando a velocidade vs aumenta.
Fonte: Hutchings (1992 apud MEDEIROS, 2002).
Hutchings (1992) elucidou, ainda, que os metais obedecem à primeira e à segunda lei
do atrito, o mesmo ocorrendo com materiais poliméricos. Já a terceira só é válida para
velocidades de deslizamento de até uma ordem de grandeza, em m/s.
Coulumb (1781) discerniu o atrito estático do dinâmico, observando que a força para
manter um corpo em movimento era menor do que aquela necessária para iniciá-lo. Ressaiu,
também, em concordância com Persson (2000), a influência de cinco fatores sobre o atrito,
quais sejam:
• a natureza dos materiais em contato e sua camada superficial;
• a área superficial;
• a força normal;
• o intervalo de tempo (Δt) que as superfícies se conservam em contato estacionário;
• condições ambientais, a exemplo de umidade, temperatura e vácuo.
Com efeito, Medeiros (2002) salientou a relevância da contribuição de Reynolds
(1875) e Hertz (1882) para o desenvolvimento de estudos modernos sobre atrito e mecânica
do contato. A partir de publicações sobre experimentos com um rolo cilíndrico de ferro e uma
superfície plana de borracha natural, Reynolds (1875) demonstrou uma sensível diferença na
deformação da superfície de ambos os materiais, admitindo que uma diferença nas constantes
elásticas dos materiais em contato de rolamento concorre para o microescorregamento.
Além disso, Reynolds (1875) ratificou que parte da resistência ao rolamento deve ser
atribuída à energia dissipada, enfatizando que um alto coeficiente de atrito entre as superfícies
evitaria o microescorregamento, ao contrário do coeficiente de atrito baixo, que permitiria o
escorregamento sem dificuldades.
A partir da investigação sobre tensões e deformações em lentes vítreas ópticas, Hertz
(1882) focalizou em sua modelagem que a pressão de contato se comporta na forma de um
32
potencial de campo elástico de fronteira bem definida, e que as deformações elásticas em

ambos os sólidos correspondem a zero.
Corroborando essa assertiva, Medeiros (2002, p. 13) afiançou que
a contribuição efetiva de Hertz foi demonstrar matematicamente que, em contato de

sólidos estáticos não-conformes comprimidos entre si e sem atrito, parâmetros
geométricos e elásticos do material são necessários e suficientes para definir a área
de contato e os estados de tensão e deformação atuantes.
Verifica-se, pois, que os trabalhos de Reynolds (1875) e Hertz (1882) divergiam, uma
vez que o primeiro perscrutava as superfícies com atrito e movimento relativo entre si,
enquanto este priorizava a modelagem de duas superfícies estáticas não conformes,
comprimidas e sem atrito.
No século XX, estudos sobre o atrito e suas particularidades, baseados em

experimentos de Reynolds (1875) e Hertz (1882), foram aperfeiçoados com o
desenvolvimento de estudos teóricos-experimentais cuja função era encontrar a origem da
resistência ao rolamento.
Nessa perspectiva, trabalhos de Tabor (1955), Eldredge e Tabor (1955) e Greenwood,
Minshall e Tabor (1961) foram diveras significativos. Nessa investigação, intitulada de
resistência friccional, a perda de energia decorrente do microescorregamento foi atribuída à
resistência às histereses dos materiais em contato.
Bentall e Johnson (1967) quantificaram a hipótese de Reynolds (1875) quanto à
resistência friccional ao rolamento e desenvolveram uma modelagem para calcular a
contribuição do microescorregamento ao atrito total do rolamento. Constataram que a
diferença nas constantes elásticas se associa a uma dissemelhança na velocidade tangencial
dos sólidos em contato, e a velocidade de superfícies mais flexíveis é maior que a daquelas
consideradas mais rígidas.
Porém, a partir de propostas criadas por Cattaneo (1938), Mindlin (1949) e
Rabinowicz (1965), Kalker (1990) certificou que não existe uma teoria geral do atrito, sendo
demandada uma teoria local do atrito, sustentando a hipótese de variações das forças de
contato e deslizamentos na área de contato de rolamento.
Alicerçado em Johnson (1989), Medeiros (2002) construiu uma síntese, ilustrada na
Tabela 4, especificando as principais fontes de dissipação de energia no contato de rolamento.
33
Tabela 4 – Fontes de dissipação de energia no contato de rolamento

__________________________________________________________________________________________
Fontes dissipativas de primeira categoria
Microdeslizamento e atrito na interface do contato

Essas fontes são devido a:
a) constantes elásticas diferentes;
b) geometrias com curvaturas diferentes;
c) movimento de spin.
Fontes dissipativas de segunda categoria

Propriedades inelásticas do material
No caso de:
a) metais, são governadas por movimentos de discordâncias, e a temperaturas próximas às do ambiente, pouco
dependem da temperatura ou da taxa de deformação;
b) sólidos porosos ou de baixa densidade, como borracha ou polímeros, cuja deformação seja de natureza
viscoelástica, sensível à temperatura e à taxa de deformação;
c) baixa condutibilidade térmica do material, provoca temperaturas internas elevadas e colapso por tensões
térmicas cíclicas.
Fontes dissipativas de terceira categoria:
Rugosidade das superfícies rolantes
Sua influência sobre a dissipação de energia no rolamento acontece por:
a) intensificação da pressão real de contato;

b) flutuações de alta freqüência, com instabilidade do centro de massa dos corpos em contato, principalmente
com superfícies rugosas duras e baixas cargas.
Fonte: Johnson (1989 apud MEDEIROS, 2002).
2.3.2 Desgaste
A American Society for Testing and Materials (ASTM, 1993) define desgaste como
sendo o dano a uma superfície sólida a partir de movimento relativo entre superfícies de
contato, envolvendo, geralmente, perda de massa. Não necessariamente o desgaste é
caracterizado apenas a partir do movimento relativo entre duas superfícies sólidas, já que os
fenômenos de intemperismo de montanhas pela ação do vento e das pedras do mar – causado
pela água – constituem um modelo de desgaste.
O desgaste ocorre quando duas superfícies opostas estão em contato e apresentam
movimento relativo pelo menos em uma das superfícies, resultando na perda progressiva de
material, de modo que o dano pode ser superficial e/ou subsuperficial (HUTCHINGS, 1992).
Em sua tese, Matamoros (2004) deslindou as razões para estudar o desgaste, dentre
elas:
• melhorar o conceito do comportamento ao desgaste de determinada família de
materiais;
• otimizar ou selecionar materiais para uma dada aplicação;
• entender os efeitos de certas variáveis em um tipo particular de processo de desgaste;
34
• garantir suporte ao desenvolvimento de sistemas preditivos e descritivos para o

desgaste de determinado tribossistema.
Ainda consoante Matamoros (2004), o desgaste é uma propriedade do material, sendo
impossível precisar sua dicotomia comportamental sem antes descrever as condições às quais
está submetido. Esse dado reforça a afirmação de Czichos (1978), que muito antes já havia
dito que a resistência ao desgaste de determinado grupo de materiais pode diferir, de acordo
com a mudança nas condições a que estão submetidos.
Dentre os tipos de desgaste, Peterson (1990) verificou que os estudos envolvendo essa
temática estão mais voltados ao desgaste por deslizamento, o mais complexo deles, pois
envolve fenômenos como adesão, transferência de material, presença de terceiro-corpo, fadiga
de contato, entre outros aspectos.
A partir de investigações acerca do desenvolvimento e do uso de tribossistemas
cerâmicos, metálicos e poliméricos, Matamoros (2004) reforçou as considerações de Peterson
(1990), reconhecendo fatores que contribuem para a tendência de estudos voltados ao
desgaste por deslizamento, como a facilidade de construir máquinas de ensaio, além do fato
de que os dados são obtidos rapidamente nesse tipo de ensaio.
Zum Garh (1987) apud Lima da Silva (2006) evidenciaram diferentes tipos de ensaios
e testes empregados no desgaste por deslizamento, sendo eles o contato de superfícies disco-
disco, face a face, pino-disco, disco-pino (tangencial), bloco contra um cilindro e pino-plano
em deslizamento linear, como observado na Figura 5.
Figura 5 – Geometrias empregadas em testes de desgaste por deslizamento; (a) Disco-disco; (b) Face a face; (c)
Pino-disco; (d) disco-pino (tangencial); (e) Bloco contra um cilindro; e (f) Pino-plano em deslizamento linear
Fonte: Hutchings (1992a).

35
Quanto ao estudo do desgaste direcionado para o universo da engenharia, Dowson

(1979) proclamou que ele foi estimulado pelo desenvolvimento de metais e ligas, sendo
suporte a estudos e desenvolvimento de tratamentos térmicos e engenharia de superfície.
Ademais, relatou cronologicamente estudos do desgaste no século XX.
Nas décadas de 1940 e 1950, foram realizados estudos do desgaste com o intuito de
obter dados para a construção de motores, freios, rolamentos, entre outros. Nas décadas de
1950 e 1960, com o avanço da exploração espacial, o interesse voltou-se para estudos
baseados no desgaste no vácuo. Nos anos 1970, as atenções direcionaram-se para o
desenvolvimento de novos materiais e ligas. Finalmente, nos anos 1980 e 1990, as
investigações concorreram para o estudo microscópico do desgaste, impulsionadas pelo uso
de instrumentos capazes de realizar o tratamento de imagens em sinergia com o avanço de
técnicas computacionais.
Relativamente aos estudos sobre o desgaste com a rugosidade, os trabalhos de Abbott
e Firestone (1933) auxiliaram o entendimento das curvas de desgaste e da quebra de
asperezas; Kerridge e Lancaster (1956) discutiram os estágios da progressão do desgaste
metálico severo; e Kragelskii, Dobychin e Kombalov (1982) descreveram a interação de
superfícies em deslizamento em termos de rugosidade. Tais ponderações foram notáveis para
a apreensão do conceito em epígrafe.
Outros diagnósticos importantes acerca do desgaste no uso da engenharia são: o livro
publicado de Blau (1989) sobre o amaciamento e as transações, avultando o estudo do atrito e
da taxa de desgaste nas transações; o livro de Burton (1980), onde é possível visualizar
diversos avanços nos conceitos de instabilidade termoelástica e localização de expansão
térmica superficial; os trabalhos de Quinn e Winer (1987) mostrando o aumento da área real
durante as mudanças dos mecanismos de desgaste, reforçando conclusões previstas pela
equação de Hertz, já descritos por Hutchings (1992).
Outrossim, Lim e Ashby (1987) propuseram que muitos fenômenos de desgaste
podem ser identificados e previstos a partir da temperatura do contato no desgaste por
deslizamento, por meio de mapas de desgaste, traçando parâmetros a partir de valores de
carga e velocidade normalizadas. A Figura descortina 6 (a) um mapa de temperatura proposto
por Lim e Ashby (1987) e (b) o mapa de mecanismos de desgaste de aços em condições de
deslizamento sem lubrificação, criado pelos mesmos autores.
36
Figura 6 - (a) Mapa de temperatura; (b) Mapa de mecanismos de desgaste de aços em condições de deslizamento
sem lubrificação (ASHBY; LIM, 1987)
(a) (b)
Fonte: Matamoros (2004).
Para Matamoros (2004), os modelos computacionais que dão importância ao contato

interatômico ou molecular são ainda embrionários, direcionados quase exclusivamente para
sistemas monofásicos e monocristalinos. Além disso, há outros fatores que devem ser
considerados na modelagem, tais como: condições de formação dos filmes de óxidos;
formação de “debris”; e irregularidades na microestrutura dos materiais de engenharia.
As pesquisas compreendendo o desgaste microscópico passaram a ser expressivas a
partir do advento do Microscópio Eletrônico de Varredura (MEV). Trabalhos de
pesquisadores como Tsuya, Sato e Akaoka (1979), focados em estudos do desgaste usando
MEV com detetores de raios-X e outras técnicas de análise química superficial, auxiliaram no
entendimento de fenômenos triboquímicos que ocorrem no desgaste de metais.
Análises relevantes acerca da quantificação do desgaste foram promovidos por
Archard (1953) e Bayer (1991). Aquele quantificou a perda de volume por unidade de
distância de deslizamento relacionando o coeficiente de desgaste, o esforço na direção normal
ao contato e a dureza do material. Este relacionou a profundidade do desgaste a partir da
carga, da distância acumulada no deslizamento e de um fator que depende dos materiais e
lubrificantes.
No que lhe concerne, Fein (1975) contribuiu para a equação de Archard, eoncontrando
o coeficiente de desgaste (K) de aços rolamento 52100, aço doce, aço carbonetado e bronze ao
alumínio em diferentes meios e tipos de óleos lubrificantes, como descrito na tabela 5. Tais
equações podem ser vistas no Quadro 1.
37
Tabela 5 – Coeficiente de desgaste K para diferentes meios (FEIN, 1975)
Fonte: Matamoros (2004).
Quadro 1 – Equações do desgaste (ARCHARD, 1953; BAYER, 1991)
W= Perda de volume por unidade de distância de

deslizamento.
K= Coeficiente de desgaste.
Archard, Q= Esforço na direção de contato.
1953 H= Dureza do material, expressa em N/m².
h= Profundidade do desgaste.
Q= Carga.
S= Distância acumulada no deslizamento.
Bayer, 1991 m e n = Expressão obtidas por vários experimentos,
para equação de Archard, ambos valem 1 (Matamoros,
2004).
Pantaleon (2004) sobrelevou que todos esses estudos favoreceram para o entendimento
dos processos tribológicos, bem como de novos campos de pesquisa e estudo de combinações
de processos, sobretudo tribológico-oxidativo.
2.4 Análise multivariada
A análise multivariada refere-se a técnicas de conjuntos de métodos estatísticos que

tornam possível a análise simultânea de medidas múltiplas para cada indivíduo, objeto ou
fenômeno observado. Essa verificação pode ser definida como um conjunto de métodos que
permitem o reconhecimento simultâneo dos dados recolhidos para um ou mais conjuntos de
indivíduos, populações ou amostras, caracterizados por mais de duas variáveis
correlacionadas entre si, sendo estas quantitativas ou qualitativas (CORRAR et al., 2014).
38
A análise multivariada configura-se, então, como qualquer abordagem que considere o

comportamento de duas ou mais variáveis simultaneamente, utilizando conhecimentos nos
campos da estatística e matemática (PEREIRA, 1999).
Demétrio (2002) asseverou que as técnicas multivariadas possibilitam a avaliação
concomitante de um conjunto de características que consideram as correlações entre elas.
Essas técnicas permitem inferências sobre conjuntos de dados em nível de significância
conhecido, concedendo ampla faixa de compreensão da distribuição geral dos resultados.
O interesse sobre o uso de técnicas de análise multivariada tem se apresentado
bastante atrativa, estatisticamente, devido à insuficiência de métodos tradicionais capazes de
extrair informações de problemas de ordem mais complexa e à evolução da tecnologia da
informação, o que tem tornado mais fácil coletar informações e mensurar novas variáveis de
um determinado indivíduo (CARROLL; GREEN; LATTIN, 2011).
Nessa lógica, Johnson e Wichern (1998) assinalaram que os objetivos gerais das
técnicas de análise multivariadas são:
• diminuição de dados ou simplificação estrutural;
• distribuição e agrupamento;
• averiguação da dependência entre variáveis;
• predição;
• teste de hipóteses, entre outros objetivos.
Chaves Neto (1997) mencionou que as técnicas de análise multivariadas são utilizadas
para a resolução de problemas relacionados com inferências sobre vetores médios, análise da
estrutura de covariância de um vetor aleatório, técnicas de agrupamentos e reconhecimento de
padrões e classificação.
A finalidade das técnicas de análise multivariada consiste na otimização e
interpretação de grandes conjuntos de dados (Big Data), examinando múltiplas medições
efetuadas em uma ou em diversas amostras de indivíduos (FERREIRA; SOUZA, 1997).
Dentre as diversas técnicas de análise multivariadas, algumas se destacam quanto à
maior aplicação e disponibilidade na literatura acadêmica, a exemplo de: regressão múltipla;
análise discriminante; regressão logística; análise fatorial; análise de conglomerados (Clusters
Analysis); escalonamento multidimensional; redes neurais; e lógica nebulosa. Nessa tese,
serão exploradas as redes neurais e a análise de conglomerados (clusterização).
A técnica de regressão múltipla oportuniza a avaliação da relação de uma variável
dependente e duas ou mais variáveis independentes, criando condições necessárias para
39
estipular matematicamente uma função que correlata a variável dependente quantitativa com
as variáveis independentes quantitativas ou qualitativas (variáveis dummies). Basicamente, os
objetivos dessa técnica equivalem a encontrar a relação causal entre as variáveis e obter os
valores da variável dependente a partir dos valores conhecidos ou fixados das variáveis
independentes (CORRAR, 2014).
A análise discriminante é uma técnica multivariada empregada quando uma única
variável dependente é qualitativa do tipo dicotômica ou multidicotômica, e as variáveis
independentes são do tipo qualitativas ou quantitativas. Seu escopo principal é identificar as
variáveis que discriminam os grupos e, assim, criar previsões a respeito de uma nova
observação, apontando o grupo mais adequado ao qual ela deverá pertencer, em função de
suas características. Para alcançar esse objetivo, a análise discriminante gera funções
discriminantes (combinações lineares das variáveis) que ampliam a distinção dos grupos
descritos pelas variáves dependentes (FÁVERO et al., 2009).
A regressão logística consiste em uma ferramenta analítica, baseada nos princípios de
regressão múltipla, que busca predizer a relação entre uma ou mais variáveis conhecidas, a
fim de explicar determinado evento e sua interdependência entre as variáveis (BATISTA,
2010).
Na acepção de Corrar, Paulo e Dias filho (2007),
a regressão logística caracteriza-se como uma técnica estatística que nos permite
estimar a probabilidade de ocorrência de determinado evento em face de um
conjunto de variáveis explanatórias, além de auxiliar na classificação de objetos ou
casos. É particularmente recomendada para as situações em que a variável
dependente é de natureza dicotômica ou binária. Quanto às independentes, podem
ser categóricas como métricas.
A análise fatorial corresponde a uma técnica multivariada que anui muitas variáveis se
correlacionarem entre si e sejam agrupadas em fatores não correlacionados. Nesse tipo de
análise, as variáveis não são divididas em dependentes e independentes, pois essa técnica
trabalha com a interdependência, onde as variáveis são avaliadas como um único conjunto
(HAIR, 2005). O objetivo dessa técnica é encontrar um meio de condensar a informação
contida nas variáveis em um conjunto menor, sem que haja perda significativa da informação
(CORRAR et al., 2014).
Goldschmidt (2005) descreveu que a clusterização de dados, também chamada de
agrupamento ou análise de conglomerados, tem a função de criar partições dos registros em
subconjuntos ou clusters. A clusterização precisa identificar grupos automaticamente, daí
40
porque também é denominada indução não supervisionada, sendo definida como uma das
tarefas básicas da mineração de dados.
O escalonamento multidimensional (MDS) é comumente utilizado em duas
abordagens de diferentes significados, em que a primeira se refere ao MDS como um método
de técnicas dirigidas à representação de medidas de proximidade entre objetos em um espaço
com baixa dimensão. A segunda abordagem abrage técnicas que geram representações
gráficas de objetos (BORG; GROENEN, 2005; COX; COX, 2000; GROENEN; VELDEN,
2004; LEEUW; HEISER, 1982 apud NAUD, 2001, p. 40).
Estudos de Mcculloch e Pitts (1943) interpretam uma rede neural como uma máquina
adaptativa capaz de funcionar como um processador paralelo distribuído que tem a
propriedade de armazenar conhecimento experimental e disponibilizá-lo para uso,
assemelhando-se ao modo neural biológico quanto ao conhecimento adquirido, por meio do
processo de aprendizagem e dos pesos sinápticos, os quais são usados para armazenar o
conhecimento.
A lógica nebulosa, também conhecida como lógica fuzzy, foi introduzida em 1965, por
Lofti A. Zadeh, em um artigo no qual entabulou uma teoria onde os objetos – conjuntos
nebulosos (fuzzy sets) – são conjuntos com limites não precisos. Dito isso, a lógica nebulosa
corresponde a uma ferramenta capaz de capturar informações vagas, em geral descritas em
uma linguagem natural, e as converte para um formato numérico, de fácil manipulação
(FERREIRA, 2008).
Para Corrar et al. (2014), a lógica nebulosa suscita que sejam abordados de maneira
mais eficaz problemas de representação da imprecisão ou incerteza em informações.
2.4.1 Redes Neurais Artificiais (RNA)
Segundo Braga et al. (2000), as RNAs são técnicas computacionais criadas a partir de
modelos matemáticos inspirados na estrutura neural de organismos inteligentes e daqueles que
adquirem conhecimento a partir da experiência. Uma grande rede neural artificial pode ter
centenas de unidades de processamento, enquanto o cérebro de um mamífero pode conter
muitos bilhões de neurônios.
Tatibana e Kaetsu (2006) salientaram que o sistema nervoso é formado por um
conjunto extremamente complexo de neurônios cuja comunicação entre si é dada por
impulsos. Quando recebido o impulso pelo dendrito, há o processamento neural e, logo mais,
41
é emitido um segundo impulso, que produz uma substância neurotransmissora que flui para o
axônio.
O sistema nervoso de um mamífero (Figura 7), no caso, de um ser humano, configura-
se como um sistema de alta complexidade, formado por um amontoado de células,
denominadas de neurônios. Estes são compostos por dendritos e axônios – respectivamente,
os terminais de entrada e saída das sinapses –, além do corpo do neurônio, que é responsável
por coletar e combinar informações advindas de outros neurônios. As sinapses são
responsáveis pela comunicação entre neurônios, por onde há a transmissão de impulsos
nervosos. Estima-se que o cérebro humano possui cerca de 10¹¹ neurônios e sinapses na
ordem de 10^14 (BRAGA et al., 2000).
Figura 7 – Esquema dos constituintes da célula neural
Fonte: Kaetsu; Tatibana (2006).
Aamodt e Wang (2009) abonaram que os neurônios estão organizados sob diferentes
estruturas no cérebro humano e variam quanto ao tamanho, à forma, à função e à relação entre
eles. Estimam-se cerca de cem bilhões de neurônios e uma quantidade ainda maior de células
gliais.
Ainda em Aamodt e Wang (2009), tem-se que o envio de sinais entre neurônios é
estabelecido de forma eletroquímica, a partir de abertura de canais que permitem o fluxo
iônico gerando, consequentemente, corrente que transmite sinal elétrico pela membrana,
podendo estabeler conexões tanto com outros neurônios quanto com músculos e órgãos
sensoriais.
As comunicações entre os neurônios dependem de substâncias químicas denominadas
neurotransmissores. Quando há atividade elétrica sendo propagada entre os neurônios, células
42
neurotransmissoras são sintetizadas, preenchendo espaços sinápticos que são recebidos nos
dendritos como dados de entrada.
Na RNA, utiliza-se uma série de algoritmos de aprendizagem, cuja função é modificar
os pesos sinápticos da rede para minimizar ao máximo o erro e garantir um desempenho
efetivo para a solução de um problema proposto.
Pereira et al. (2002), explanaram as RNAs como uma constituição de métodos de
solução para problemas de inteligência artificial, mediante a construção de um sistema com
circuitos que simulam o cérebro humano, capaz de aprender, errar e descobrir.
Já Brondino (1999) indicou que as RNAs são baseadas em modelos abstratos de
funcionamento do cérebro humano, tentando reproduzir sistemas biológicos reais.
Eduardo (2003) descreveu que redes neurais são concepções em hardware/software
baseadas em paradigmas de codificação de processamento de informações do cérebro
humano, tendo como objetivo básico simular o funcionamento do sistema nervoso biológico.
Já Demuth e Beale (1998) ostentaram que as RNAs são modelos computacionais
inspirados no cérebro humano e que possuem a capacidade de aquisição e manutenção do
conhecimento. Podem ser treinadas para atender à certa necessidade de um problema por
intermédio de ajustes de valores de conexão entre os neurônios.
As RNAs têm sido preparadas para desempenharem muitas funções complexas em
vários campos de aplicação, tais como: reconhecimento de padrões, estimação, categorização
e aproximação de funções (ANGELICO, 2005).
Estudos iniciais sobre o tema RNAs foram realizados em 1943, a partir do trabalho de
McCulloch e Pitts (1943), que desenvolveram um estudo sobre o comportamento do neurônio
biológico, com o fito de modelá-lo matematicamente. Concluíram que a atividade do neurônio
é tudo ou nada, e a atividade de qualquer sinapse inibitória previne a excitação do neurônio
naquele instante (EBERHART, 1990).
Outro estudioso salutar para a temática em tela foi Donald O. Hebb que, em 1949,
escreveu o livro The Organization of Behavior, cujo estudo foi contributivo para entender a
rede neural artificial no sentido de que a informação é armazenada nos pesos e que quando
ocorre o aprendizado, eles são alterados.
Barreto (2002) indicou como evento importante para a cronologia do tema o encontro
no Darthmouth College, em 1956, com a presença de importantes pesquisadores, a exemplo
de John McCarthy, Marvin Minsky, Hebert Simon e Allen Newell.
A cronologia histórica dos estudos sobre RNAs pode ser vista na Tabela 6.
43
Tabela 6 – Cronologia histórica das RNA

Primeiro modelo artificial de um neurônio bológico (EBERHART, 1990).
1943 McCulloch e Pitts
Criação do livro The Organization of Behavior, que definiria o conceito de

1949 pesos sinápticos (ANGELICO, 2005). Donald O. Hebb
Publicação do primeiro livro que tratava de RNAs como um paradigma da

arquitetura computacional, intitulado Automata Studies (CORRÊA, 2008).
1956 John McCarthy et al.
Primeiro modelo de RNAs implantado, nominado Perceptron.

1958 Frank Rosenblatt
Desenvolvimento de um modelo linear conhecido como Adaline, que

posteriormente foi generalizado para um modelo multicamadas, chamado de
1960 Madaline. Modelo conhecido como Regra de Delta (KOVÁCS, 1997). Widrow-Hoff
Estudos mostraram a limitação da rede Perceptron na resolução de alguns

1969 problemas complexos. Minsky e Papert
1974 Estudos na área de memórias associativas e autoorganizadas. Kohonen, T.

1975 Criação das redes Cognitron e Neocognitron. Fukushima, K.
1976 Criação de sistemas autoadaptativos. Grossberg, S.
Utilização de redes simétricas para otimização, a p artir de um algoritmo de
aprendizagem que estabilizava uma rede binária simétrica com
1982 John Hopfield
realimentação (CORRÊA, 2008).
Descrição do algoritmo de treinamento Back Propagation. Rumelhart, D. E. et

1986
al.
Aplicação de RNAs no reconhecimento de padrões.
1988 Widrow et al.
Aplicação para sistemas de controle e identificação de sistemas. Narendra e

1990
Parthasarathy
Aplicação para processamento de imagens e robótica Lin et al.; Smagt e
1991
Krose
Consoante Raia Jr. (2000), o trabalho de McCulloch, A logical of the Ideas Immanent
in Nervous Activity, faz uma analogia entre as células biológicas e o processamento
eletrônico, simulando o comportamento do neurônio natural, onde este possui apenas uma
saída, que é a função threshold da soma do valor de suas diversas entradas, ilustrada na Figura
8.
44
Figura 8 – Neurônio artificial projetado por McCulloch
Fonte: Finocchio (2010).
Rosenblatt (1958) apresentou a rede Perceptron, onde os neurônios eram organizados

em camadas de entrada e saída, e os pesos das conexões eram adaptados a fim de atingir a
eficiência sináptica, conforme disposto na Figura 9.
Figura 9 – Rede de perceptrons proposta por Rosenblatt
Ademais, Widrow e Hoff (1960) criaram a rede Adaline/Madaline, na qual utilizaram

saídas analógicas em uma arquitetura de três camadas, como visto na Figura 10.
Figura 10 – Redes Adaline e Madaline

45
Autores como o Rumelhart (1986) descreveram o algoritmo de aprendizagem

chamado de regra delta generalizada para aprendizado de retropropagação ou
backpropagation, conforme ilustrado na Figura 11.
Figura 11 – Estrutura do método backpropagation
Essa regra fornece um método de treinamento efetivo para máquinas de múltiplas

camadas e demonstra que Minsky e Pappert (1969) foram excessivamente pessimistas com
relação à rede Perceptron, já que as redes com várias camadas poderiam ser capazes de
solucionar problemas considerados de difícil aprendizado (CORRÊA, 2008).
2.4.1.1 Característica geral da RNA
Uma RNA é composta por várias unidades de processamento, conectadas por canais
de comunicação denominado pesos. Essas unidades realizam operações sobre os dados de
entrada e seus respectivos pesos, a fim de transformar esses dados ponderados em uma
determinada resposta de saída. O comportamento inteligente de uma RNA vem de interações
entre as unidades de processamento da rede (BRAGA, 2000).
McCulloch e Pitts (1943) resumiram a operação de uma unidade de processamento em
cinco etapas, conforme demonstrado na Figura 12.
46
Figura 12 – Esquema da unidade McCulloch e Pitts
Fonte: Oliveira (2009).
Onde:
• x1,x2,...xn representam as entradas;
• w1,w2,...,wn indicam os pesos ou conexões sinápticas;
• combinador linear;
• função de ativação;
• y sinal de saída do neurônio.
Os sinais de entrada xi são ponderados pelos respectivos pesos wi; em seguida, o valor
da polarização e os sinais de entrada ponderados são somados, e o resultado forma uma saída
do combinador linear que é aplicado a uma função de ativação, com vistas a limitar o valor do
sinal de saída y do neurônio (FINOCCHIO, 2010).
O sinal de entrada ao entrar no neurônio logo é multiplicado pelo peso sináptico onde
ocorre uma junção de todas as entradas já ponderadas, em uma função denominada somatório.
Esta simula a captação do estímulo presente nos dendritos e pode ser modelada a partir da
equação 2:
Após obter o valor proveniente da função somatório, é necessário definir a função de

ativação, reputada como um dado importante para definir a saída de uma RNA. Geralmente, o
estado de ativação dos neurônios comporta-se como binário (0 e 1), bipolar (-1 e 1) ou real.
As funções de ativação mais utilizadas são: função degrau, função linear, função degrau
bipolar, função rampa, função sigmoide e função tangente hiperbólica. Suas principais
características podem ser vistas na Tabela 2.
47
Quadro 2 – Principais funções de ativação usada em RNA
Função de ativação Função matemática Gráfico

Função degrau
Função linear
Função degrau bipolar
Função rampa
Função sigmoide
Função tangente
hiperbólica
Quanto à função de aprendizado, essas funções servem para realizar a alteração dos
valores dos pesos da rede, possibilitando o aprendizado de determinado padrão (KOHONEN,
1990).
48
Oliveira (2009) aduziu que os modelos de RNAs possuem regras de treinamento, onde
há ajustes dos pesos das conexões de acordo com os padrões apresentados, ou seja, aprende-se
a partir de exemplos. O supracitado autor ratificou, ainda, que a propriedade mais importante
das RNAs é a habilidade de aprender com o ambiente e com isso melhorar seu desempenho,
por intermédio de ajustes dos pesos sinápticos.
Por seu turno, Aguiar e Oliveira (2007) patentearam que o aprendizado de uma rede
consiste no ajuste de seus parâmetros, dada uma apresentação de conjuntos de padrões
específicos. Os padrões de treinamento contêm as informações desejáveis para que uma rede
aprenda. Os parâmetros a ajustar são os pesos das conexões que interligam os neurônios.
Os modelos de RNAs são tipicamente organizados em camadas. Para os susoditos
autores, os principais fatores que devem ser considerados para a criação de uma RNA podem
assim especificados:
• número de camadas de rede;
• quantidade de neurônios por camada;
• tipo de conexão;
• grau de conexão entre os neurônios.
As camadas de uma rede neural podem ser classificadas em: camada de entrada,
camadas intermediárias ou escondidas e camadas de saída.
Figura 13 – Organização em camadas
Fonte: Oliveira (2009).
A Figura 13 demonstra as três camadas de organização de uma rede neural, sendo: a

camada de entrada a região onde os dados são apresentados à rede; a intermediária ou
escondida é a responsável pela maior parte do processamento; a camada de saída é onde o
resultado é impresso.
49
Outra maneira de classificar as RNAs é pela arquitetura, podendo ser classificada

como redes feedforward de única camada, redes feedforward de multicamadas e redes
recorrentes.
As redes de camada única, como exposto na própria denominação, são compostas por
apenas uma camada (Figura 14). Suas principais aplicações são em memória associativa e no
reconhecimento de padrões (WIDROW et al., 1988). As redes Perceptron e Adaline são seus
principais modelos.
Figura 14 – Exemplo de rede feedforward camada única
As redes multicamadas (Figura 15) são singularizadas por possuírem camadas ocultas,
onde o vetor de entrada é multiplicado pelos pesos da camada de entrada e, posteriormente, o
vetor resultante multiplica-se por pesos das camadas ocultas subsequentes. Suas aplicações
dão-se em reconhecimento de padrões (JORGE, 1999), aproximador universal de funções e
em controle (NETO et al., 1999; NARENDRA E PARTHASARATHY, 1990). Madaline,
perceptron multicamadas e função base radial (RBF) são suas principais redes.
Figura 15 – Exemplo de rede feedforward multicamadas
Em consonância com Alexandre (2005), as redes multicamadas não incrementam o

poder computacional em relação às redes de camada única, a não ser que haja uma função de
ativação de aspecto não linear entre as camadas.
As redes recorrentes, dispostas na Figura 16, são aquelas que contam com
realimentação entre os neurônios de camadas diferentes. São aplicadas em sistemas
50
dinâmicos, memória associativa, previsão e estimação, otimização, e em controle. Como

principais redes, há o modelo de Hopfield e o Perceptron com realimentação.
Figura 16 – Exemplo de rede recorrente
Quanto ao processo de aprendizado e treinamento de RNAs, Haykin (1994) esclareceu

que para que uma rede neural aprenda a partir de exemplos, é imprescindível que ocorra o seu
treinamento. Um dos objetivos da pesquisa no âmbito das redes neurais é justamente
desenvolver morfologias neurais utilizando modelos matemáticos capazes de realizar funções
diversas.
Nesse sentido, Haykin (1994) levantou os principais paradigmas de aprendizagem, a
saber: aprendizado supervisionado e não supervisionado (auto-organização).
O aprendizado supervisionado é caracterizado pelo fornecimento de um agente externo
dos dados de entrada e saída da rede, com o objetivo de ajustar os parâmetros da rede, de
forma a encontrar uma ligação entre os dados de entrada e saída. Esse processo direciona o
treinamento, indicando o comportamento dicotômico da rede. Para a medida de desempenho
da rede, é utilizada a soma dos erros quadráticos de todas as saídas.
Já para o aprendizado não supervisionado, como o próprio nome diz, não há um
supervisor para acompanhar o processo de aprendizagem, estando somente os dados de
entrada disponíveis para a rede. Dentre os modelos de redes auto-organizáveis, os mais
conhecidos são os mapas auto-organizáveis de Kohonen e a família de redes ART de
Grossberg e Carpenter.
Em uma abordagem de aprendizado não-supervisionado, como o nome pressupõe, não
existe um supervisor para avaliar o desempenho da rede em relação aos dados de entrada,
sendo a rede capaz de adaptar-se sozinha às não conformidades destes, desenvolvendo uma
habilidade de criar representações internas que codificam as características dos dados de
entrada, gerando, automaticamente, novas classes (CASTRO, 2006).
51
Outro aspecto pertinente é quanto à correção dos pesos em um ciclo, que pode ser
executado de dois modos: modo padrão e modo batch.
No modo padrão, a correção dos pesos baseia-se somente no erro do exemplar
apresentado naquela interação. Assim, em cada ciclo, ocorrem N correções. Já no modo batch
a correção é realizada por ciclo, calculando o erro médio de um conjunto de exemplares, e a
partir desses erros, faz-se a correção dos pesos.
Alguns passos devem ser seguidos para a adequada aplicação da abordagem neural,
em conformidade com Haykin (1994), quais sejam:
1. coleta de dados;
2. separação em subconjuntos;
3. configuração da rede;
4. treinamento;
5. teste.
Quanto aos critérios para a escolha do número de neurônios nas camadas escondidas,
Adamowicz (2000) ratificou que o maior desafio no dimensionamento de uma rede neural é a
correta escolha do número de neurônios na camada oculta, que tende a combinar os neurônios
de entrada e de saída.
Dentre alguns métodos para escolha do numero de neurônios, os mais usuais são o
método de Komogorov e o método de Fletcher-Gloss, que estimam o número de neurônios a
partir do quantitativo de entradas, equação 2 e 3, respectivamente; o método de Lippman, que
faz uma relação entre o número de entrada e saída; equação 4 e Kudricky, que faz uma
relação de proporção de 3:1 entre o número de neurônios da primeira e segunda camadas
ocultas.
(equação 3)
(equação 4)
(equação 5),
onde que i é o número de dados de entrada e s representa o número dos dados de saída.
52
2.4.1.2 Mapas auto-organizáveis e a rede de Kohonen
Um mapa auto-organizável (Self-Organizing Map – SOM) é um tipo de RNA treinada

por aprendizagem competitiva não-supervisionada que se baseia em princípios de auto-
organização de dados, oportunizando a representação de dados multidimensionais em
clusters. Com isso, é possível o agrupamento de padrões similares e identificação de padrões
de características comuns (KOHONEN, 2001).
Haykin (2001) descreveu a Self-Organizing Map (SOM) como uma rede que captura
as características essenciais dos mapas computacionais do cérebro e ainda se mantém tratável
do ponto de vista computacional. Essa rede pertence a um grupo de RNAs chamadas de redes
competitivas (FAUSETT, 1994).
As redes SOM têm a capacidade de transformar um sinal de entrada de dimensão
randômica em um mapa discreto uni ou bidimensional, realizando transformações de forma
topologicamente organizada, baseadas na detecção de similaridades de padrões, organizando-
os em forma de clusters (HAYKIN, 2001).
Corroborando Guimarães (2006), as redes SOM, de modo a simular o comportamento
cognitivo do cérebro humano, executam os ajustes dos pesos em um processo onde o neurônio
vencedor prende a maior parte do conhecimento adquirido acerca de determinados padrões
apresentados.
O objetivo de aprendizagem em um mapa auto-organizável, em conformidade com
Kohonen (2001), é fazer com que diferentes partes da rede se comportem de forma similar a
determinados padrões de entrada, de maneira análoga ao funcionamento dos sentidos
sensoriais controladas em diferentes partes do córtex cerebral no cérebro humano.
Kelso (1995) apud Barbosa (2005) enumerou os conceitos fundamentais para que haja
a condição de auto-organização. São eles:
• os padrões são espontâneos em detrimento do grande número de interações de
componentes;
• o sistema deve estar distante de seu estado de equilíbrio;
• o sistema deve ter um ou mais parâmetros que influencia(m) o sistema como um todo;
• identificações de parâmetros são mais fáceis em momentos de transação do estado do
sistema;
• a perturbação do sistema é a melhor maneira de determinar a relação funcional entre
seus parâmetros;
53
• os parâmetros de controle são responsáveis por guiar o sistema para novos estados;
• a dinâmica dos parâmetros pode ser simples ou complexa.
Na aprendizagem competitiva, os neurônios da camada de saída “competem” pelo
direito de permanecerem ativos para um determinado estímulo de entrada (CASTRO, 2006).
Com isso, ao final, apenas uma unidade permanecerá ativa para aquele dado de entrada, sendo
esse algoritmo muito útil para classificar um conjunto de padrões de entrada, de acordo com a
Figura 17.
Figura 17 – Neurônios organizados em um mapa de Kohonen bidimensional
Fonte: Valles-Pérez (2015).
O supracitado autor acrescentou que para um neurônio ser vencedor, a distância entre
os vetores de peso e o dado de entrada deve ser a menor medida que, geralmente, é aferida a
partir da distância euclidiana.
Para Tafner (1996), a melhor auto-organização acontece quando o conjunto de
vizinhos começa extenso e tende a diminuir no decorrer de determinado gradiente de tempo,
conforme Figura 18.
Figura 18 – Atualização do neurônio vencedor e seus vizinhos
Fonte: Versato et al. (2000).

54
Para que seja visualizada a distância das estruturas de dados de entrada em um mapa
auto-organizado utiliza-se a ferramenta canônica Matriz-U. Conforme Ultsch (2003), essa
matriz tem sido empregada amplamente para o agrupamento de conjuntos de dados de alta
dimensão, apresentando-se como uma “paisagem” das relações das distâncias dos dados de
entrada no espaço dos dados, como demonstrado nas Figuras 19 e 20.
Figura 19 – (a) Exemplo de matriz-U com representação por superfície topológica e (b) Matriz-U bidimensional
com tons de cinza
(A) (B)
Fonte: Boscarioli (2008).
Figura 20 – Análise de dados a partir da SOM
Fonte: Boscarioli (2008).
Referindo-se à vantagem de utilizar a Rede SOM, Kohonen (1998) contou que usá-la
para estudar processos de aprendizagem reside não somente em seus princípios
organizacionais, como também em sua visualização e das propriedades de abstração.
O algoritmo responsável pela criação do Self-Organizing Map surge primeiramente
iniciando os pesos sinápticos W, de todos os neurônios da rede, definidos como
, inicialmente atribuídos a valores aleatórios. A partir da iniciação da
55
grade, são realizados três passos para a formação do Self-Organizing Map: a competição,
cooperação e adaptação sináptica.
Para modelar o processo competitivo, considere um vetor de entrada
em que m represente a dimensão do espaço de entrada de dados. O vetor
peso sináptico do neurônio j seja representado por j = 1, 2, ... l, onde l
é o número total de neurônios na grade. Lembrando que, o vetor sináptico de cada neurônio
deve possuir a mesma dimensão vetorial que o espaço de entrada. Após isso, compare os
produtos internos para j = 1, 2, ..., l para cada neurônio e selecione o maior. Com isso
teremos a localização onde a vizinhança topológica dos neurônios excitados deve ser
centrada.
A maximização do produto interno é matematicamente equivalente a
minimização da distância euclidiana entre os vetores x e encontrando o índice i(x), dado
pela equação
. O neurônio i que melhor satisfaz a condição é

denominado neurônio vencedor, ou Best Matching Unit (BMU), para o vetor de entrada x.
Dependendo da aplicação, a resposta da grade pode ser tanto o índice do neurônio vencedor
quanto o vetor de peso sináptico mais próximo do vetor de entrada.
Ao se tratar da modelagem do processo cooperativo é necessário ter
conhecimento que o neurônio vencedor se localiza no centro de uma vizinhança topológica de
neurônios cooperativos e que a excitação do neurônio vencedor altera fortemente os neurônios
posicionados em sua vizinhança imediata, fazendo com que a distância lateral dos neurônios
em torno do neurônio vencedor decaia suavemente. A vizinhança topológica entre o
neurônio vencedor i e o conjunto de neurônios excitados j pode ser modelada a partir da
função gaussiana:
Em que representa a distância lateral e é uma função unimodal da

distância , desde que a vizinhança seja simétrica em relação ao ponto máximo definido
por , e a amplitude a vizinhança topológica decresça monotonamente com o
aumento da distância lateral . A distância lateral para uma grade unidimensional pode
ser dada a partir de um inteiro igual a |j – i|, já para uma grade bidimensional a distância
56
lateral é definida como , em que representa o vetor discreto do neurônio

excitado e do neurônio vencedor .
Uma característica importante da SOM é que o tamanho da vizinhança topológica
diminui com o tempo, se considerarmos que a largura efetiva tenha como parâmetro
dependente o tempo discreto, temos um decaimento exponencial expresso por:
Com isso a modelagem da vizinhança topológica diminui de maneira
correspondente ao aumento do tempo e com o decréscimo exponencial da largura efetiva .

Como visto na equação.
Por fim temos o processo adaptativo sináptico na formação de um Self-Organizing

Map e suas características. É necessário lembrar que para que a grade seja auto-organizável, é
preciso que o vetor de peso sináptico do neurônio da grade se modifique em relação ao

vetor de entrada x. Para que seja satisfeita a condição da hipótese Hebbiana para
aprendizagem não-supervisionada é necessário incluir um termo de esquecimento - ,
em que é uma função escalar positiva de e que se o peso sináptico do neurônio .
Sendo exigido que .
Com isso, é possível expressar a modificação do vetor peso do neurônio da grade a
partir do termo Hibbiano e o termo de esquecimento , como visto na

equação:
Em que é o parâmetro da taxa de aprendizagem do algoritmo. Considerando
e , temos que:
Com isso, temos que o vetor de peso atualizado é definido pela equação:
57
O qual é aplicado em todos os neurônios da vizinhança topológica do neurônio

vencedor. Conforme observado na equação do peso atualizado, o parâmetro da taxa de
aprendizagem é variável no tempo e corresponde a uma aproximação estocástica, satisfação
essa que pode ser atendida utilizando um decaimento exponencial para , como consta na
equação:
2.4.1.3 RNAs aplicadas em motores a combustão interna
Celik e Arcaklioglu (2004) adotaram uma rede neural para determinar curvas
constantes de consumo específico de combustível para motores Diesel, além de predizer a
taxa de equivalência ar-combustível e temperatura de escape por meio de mapas de
desempenho, utilizando o algoritmo de aprendizagem backpropagation, função de ativação
sigmoide e erros do tipo médio quadrado, coeficiente de determinação e erro médio absoluto
percentual na construção da rede neural. Foram empregados como dados de entrada:
temperatura da água resfriada, rotação do motor e potência do motor; com duas camadas
intermediárias de três e cinco neurônios, e três neurônios de saída: temperatura de escape,
consumo específico de combustível e taxa de equivalência ar-combustível.
Kesgin (2004) manipulou um modelo de rede neural multicamadas com algoritmo de
aprendizagem backpropagation para a otimização da eficiência em motores e emissões de
NOx, tendo como dados de entrada: razão da equivalência, pressão da carga, temperatura da
carga, duração da combustão, inicio da combustão e fator de forma. Aplicando oito neurônios
na camada intermediária e duas saídas: eficiência do motor e emissões de NOx. Como função
de ativação, foram operados a sigmoide e o erro médio quadrático como avaliação do erro
para determinação dos pesos. Comparando o modelo da rede neural com o método de
algoritmos genéricos, constatou-se uma pequena diferença de 0,05% para a eficiência e 0,38%
para emissões de NOx.
Parlak et al. (2006) manuseou uma rede neural com modelo de aprendizagem
backpropagation, função de ativação sigmoide e erro médio quadrático para previsão do
consumo específico de combustível e da temperatura dos gases de escapamento em motores
Diesel. Sua rede neural foi constituída de três dados de entrada: rotação do motor, pressão
58
média efetiva e tempo de injeção; na camada intermediária, foram usados sete neurônios e
dois na saída: consumo específico de combustível e temperatura dos gases de escapamento.
Serdar et al. (2006) desenvolveram uma rede neural para estudo comparativo do
desempenho de motores ciclo Otto usando misturas etanol-gasolina. Foi empregado o
algoritmo de aprendizagem backpropagation, função de ativação tipo sigmoide e erro do tipo
raiz da média quadrática, coeficiente de determinação e erro médio absoluto porcentual. Sua
estrutura foi formada por quatro parâmetros de entrada (massa específica, tempo de ignição,
razão ar-combustível e razão de compressão), cinco neurônios de camadas intermediárias e
dois neurônios na camada de saída: torque do motor e consumo específico de combustível.
Wu et al. (2007) medraram um método para diagnóstico de falhas em motores a
combustão interna por meio da aplicação de algoritmos de aprendizagem do tipo
backpropagation, probabilística e função radial básica, no qual foi identificado um padrão de
reconhecimento médio de maior eficiência na rede probabilística – cerca de 95,73%.
Sayin et al. (2007) utilizaram uma rede neural de algoritmo de aprendizagem
backpropagation, função de ativação tipo sigmoide e erros do tipo médio relativo, coeficiente
de correlação e raiz do erro quadrático médio para aferir o desempenho e as emissões dos
gases de escapamento de um motor a gasolina. Para tanto, aplicaram uma RNA munida de
quatro parâmetros de entrada, quinze neurônios de camada intermediária e nove neurônios de
camada de saída.
Gholamhassan et al. (2007) aplicaram uma rede neural para análise de combustão em
um motor a combustão interna abastecido por biodiesel à base de óleo vegetal de cozinha,
operando uma rede neural para mapeamento não-linear entre parâmetros de entrada e saída.
Constataram uma ótima previsão do desempenho do motor e de emissões de gases de escape.
Já Najafi et al. (2009) potencializaram um estudo para avaliar o desempenho e as
emissões dos gases de escapamento de um motor ciclo Otto com diferentes percentuais de
mistura gasolina-etanol, a partir de um sistema de RNAs com algoritmo de aprendizagem
backpropagation, função de ativação sigmoide e erro médio relativo, coeficiente de correlação
e raiz do erro quadrático médio para a construção de uma rede neural cujos dados de entrada
são: potência do motor e percentual de mistura de etal-gasolina; vinte neurônios na camada
intermediária e nove neurônios na camada de saída: potência, torque, consumo específico de
combustível, eficiência térmica, eficiência volumétrica, emissões de CO, HC, CO2 e NOx.
Nos estudos de Obodeh e Ajuwa (2009), foi adotada uma RNA como ferramenta
preditiva em motores Diesel estacionário no referente às emissões de NOx, mostrando-se um
excelente instrumento para previsão.
59
No caso de Ghobadian et al. (2009), modelaram uma rede neural para diagnosticar a
potência de frenagem, torque, consumo específico de combustível e emissões no motor Diesel
abastecido com biodiesel transesterificado com óleo de cozinha usado. A rede neural forneceu
precisão e simplicidade na análise de desempenho do motor.
Malaczynsk et al. (2010) estudaram a praticidade de proceder análises por redes
neurais, quanto à eficiência volumétrica de um motor em tempo real. Por seu turno,
Manjunatha et al. (2010) utilizaram uma rede neural perceptron de camadas múltiplas para
mapeamento não linear de dados de entrada e saída, para predizer a emissão de gases de um
motor Diesel monocilíndrico em diferentes condições de cargas e abastecido com biodiesel.
O estudo de Reyes et al. (2012) mostrou-se expressivo para a presente tese, tendo em
vista o uso de uma rede neural auto-associativa com treinamento robusto e de teste sequencial
da razão probabilística para monitoramento e auto-correção on-line, além de detecção de
anomalias, garantindo a capacidade de mapear e corrigir erros aos sensores que apresentarem
falhas.
Embora os sensores não sejam o foco central dessa tese, o método de mapeamento e
correção de erros proposto nesse estudo são dignos de atenção, pois lida diretamente com a
redução de custos de manutenção e aumento de confiabilidade. Para Kramer (2012), o
treinamento robusto é adotado para solucionar problemas com erros súbitos e ruído nas
medidas. Reyes et al. (2012) complementaram afirmando que o algoritmo de aprendizagem
visa a sintonizar a rede para valores desejados quando os sinais de entrada apresentam ruídos
ou erros súbitos.
Na construção da rede neural auto-associativa, inicialmente usou-se a correlação dos
sensores, separando-os em subgrupos que contam com maior similaridade; logo após, o pré-
processamento dos dados, empregando a função de ativação sigmoide e estimativa dos
neurônios, aplicando o erro médio quadrático, valor médio do erro percentual e a raiz
quadrada do erro médio quadrático.
2.4.2 Clusterização de dados
A análise de clusters ou análise de conglomerados, ou análise de agrupamentos, ou

até mesmo clusterização, qualifica-se como uma técnica de análise multivariada cuja função
principal é reunir objetos se baseando em suas características, classificando-os a partir de
60
padrões de similaridades, exibindo um alto grau de homogeneidade interna e uma elevada

heterogeneidade externa (CORRAR, 2014).
Ainda segundo o referido autor, a clusterização é feita com base em padrões de
similaridades ou distâncias, sendo seu principal objetivo a possibilidade de reduzir o número
de objetos agrupando-os em clusters, de tal modo que estes sejam constituídos por variáveis
que possuem maior grau de similaridade.
Assim, a análise de agrupamentos ou clusterização baseia-se em um conjunto de
técnicas e algoritmos cujo objetivo é identificar e agrupar objetos segundo as suas
similaridades acerca de um atributo ou uma característica particular (ALENCAR, 2009).
Para Hair et al. (2005), a análise de agrupamentos trata-se de uma técnica analítica
capaz de criar grupos de indivíduos com o escopo de classificar uma amostra de objetos em
um pequeno número de grupos excludentes entre si, porém similares entre as variáveis que
compõem o cluster.
Cassiano (2014) assinalou a clusterização como uma técnica de análise multivariada
de mineração de dados que utiliza métodos numéricos e, a partir das informações das
variáveis, agrupa automaticamente por aprendizado não-supervisionado os n casos de base de
dados em k grupos divididos chamado clusters. O autor também afirmou que os primeiros
registros de uso dessa técnica ocorreram em meados de 1948, com o trabalho de Sorensen
(1948), que tratava do método hierárquico de ligação completa.
Em sua dissertação, Primo (2008) citou que a clusterização se apresenta como uma
técnica comumente utilizada para análise estatística dos dados e usada em diversas áreas,
mormemte quando se trata de learing machine, data minning, reconhecimento de padrões,
análise de imagens e bioinformática.
Han e Kamber (2000) mencionaram a importância do uso da técnica como uma grande
ferramenta quando se trata de formação de grupos de objetos semelhantes. Para mais,
aludiram à sua importância como técnica de learning machine, devido ao seu aprendizado ser
de caráter não-supervisionado.
Segundo Bailey (1975), o surgimento da clusterização deu-se a partir dos estudos de
Driver e Kroeber (1932) na área de antropologia, bem como nos trabalhos de Zubin (1938) e
Tryon (1939), na psicologia. Não obstante, foi com Sorensen (1948) que a clusterização
passou a ser reputada como um método de análise estatística e matemática, a partir da
definição do Método Hierárquico aglomerativo de ligação completa, que contribuiu com o
desenvolvimento da técnica mais usual de clusterização, o k-means, publicado por Steinhaus
(1956).
61
Em sua tese, Cassiano (2014) montou uma tabela delineando toda a cronologia dos
estudos sobre as técnicas de clusterização, desde 1948, com Sorensen, até 2013, com Tran et
al., cujos dados seguem na Tabela 7.
62
Tabela 7 – Cronologia dos estudos das técnicas de clusterização

1948 Método Hierárquico Ligação Completa - Forma aglomerativa Sorensen (1948)
1956 Método K-means - Realocação iterativa baseada no erro quadrático Steinhaus (1956)
1957 Método Hierárquico de Ligação Simples - Formação aglomerativa Sneath (1957)
1963 Método WARD - Minimiza o total de variância intra-clusters Ward (1963)
1965 Método FORGY - Variante do K-means Forgy (1965)
1965 Método ISODATA - Variante do K-means Ball e Hall (1965)
1972 Método Hartigan - Clusterização bidimensional Hartingan (1972)
Método Nuvens Dinâmicas - Define as formas fortes e tipologias de um
1972 conjunto de curvas Diday (1972)
1973 Método SSN baseado em compartilhamento do vizinho mais próximo Jarvis e Patrick (1973)
1973 Método Fuzzy C-means Dunn (1973)
1978 Método Backer Backer (1978)
1980 K-means usando distância Itakura-Saito Linde et al. (1980)
1981 Método Fuzzy C-means melhorado Bezdek (1981)
1983 Método S.A - Baseado em pesquisa combinatória Kirkpatrick et al. (1983)
1987 Método Cobweb - Organiza os dados em uma árvore de forma incremental Fisher (1987)
1988 Método Jain - Baseado em Densidade Jain (1988)
Método ART baseado em Redes Neurais Artificiais - Teoria ressonante
1988 adaptativa Carpenter et al.(1988)
1989 Método SOM - Mapa de Kohonen - Mapas auto-organizáveis Kohonen (1989)
1989 Método TS cluster - Baseado em pesquisa combinatória Glover (1989)
1989 Método PAM - Particional em torno de medoides, com realocação iterativa
1989 Método Clara - PAM melhorado
Kauffman e Rousseeuw
1989 Método Diana - Formação divisiva (1989)
1989 Método Mona - Análise monotética
1989 Método Agnes - Aglomerative Nesting
1989 Método Classit - Extensão do método Cobweb para dados contínuos Fisher et al. (1989)
1992 Método RatioCut - Baseado em teoria de Grafos Hagen e Kahng (1992)
1993 Método FCS - Fuzzy C-Sheels Yang (1993)
Krishnapuram e Keller
1993 Método PCM - Probabilístico C-Means (1993)
Método Clarans - Clustering Large Applications Based on Randomized
1994 Search Han e Ng (1994)
1994 Método clusterização de montanha - Estima centro dos clusters Yager e Filev (1994)
1994 Método EJCluster - Formação divisiva Garcia et al. (1994)
Chinrungrug e Sequin
1995 Método OPT K-means - Variante do K-means (1995)
1995 Método R-Tree Ester et al. (1995)
1996 Método DBSCAN Ester et al. (1996)
1996 Método K-means com distância Mahalanobis
Mao e Jain (1996)
1996 Método HEC - Gaussian Mixture Densities Decomposition
1996 Gridfile - Hierárquico baseado em grades Schikuta (1996)
1996 BIRCH- Formação aglomerativa otimizada Zhuang et al. (1996)
1996 GMDD - Gaussian Mixture Densities Decomposition Zhuang et al. (1996)
1996 AUTOCLASS - Usa estatística Bayesiana para estimar o número de clusters Cheeseman & Stutz (1996)
63
1997 GDBSCAN - Baseado em densidade Ester et al. (1997)

1997 STING - Statistical Information Grid Clusterização Otimizada Wang et al. (1997)
EM - expectation maximization: Generalização do K-means e do Fuzzy c-
1997 means Mclachlan et al (1997)
1997 HMM - Hidden Markov Model Mozer et al. (1997)
1998 K-modes: Usa a medida do coeficiente de semelhança
Huang (1998)
1998 K-prothotypes: Integra K-means e K-modes
1998 Denclue - Detecta clusters de formato arbitrário Hinneburg & Keim (1998)
1998 Clique - Baseados em densidade e grades Agrawal et al. (1998)
1998 DBCLASD - Usa a base teórica do teste qui quadrado Xu et al. (1998)
1998 Wave Cluster - Baseado em Wavelet, densidade e grade Sheikholesla et al. (1998)
1998 K-means Kernel: detecta cluster de formato arbitrário Sholkopf et al. (1998)
1998 CURE - Formação algomerativa Guha et al. (1998)
1998 DBSCAN Incremental - Baseado em densidade Ester et al. (1998)
Fast K-means: Versão incremental, rápida e escalável de uma única
1998 passagem de K-means Bradley et al. (1998)
1999 GGA - Genetical Guided Algorithm Hall et al. (1999)
1999 GKA - Genetic K-means Algorithm Krishna & Murtyg (1999)
1999 OPTICS - Ordering Points To Identify the Clustering Structure Ankerst et al. (1999)
1999 Chamaleon - Formação aglomerativa Karypis et al. (1999)
1999 FDC - Fast Density Clustering Bo Zhou et al. (1999)
1999 PDBSCAN - Pararel DBSCAN Xu et al. (1999)
1999 MAFIA - Merging Adaptative Finite Intervals Harasha et al. (1999)
1999 K-means kd-tree
Pelleg & Moore
2000 X-means: Variante do K-means
2000 K-means Divisivo: Abrodagem Dvisiva Steinbach et al. (2000)
2000 HCS - Highly Connected Subgraphs Hartuv et al. (2000)
2000 ROCK - Clusterização Robusta Usando Ligações Guha et al. (2000)
2000 Normalized Cut Shi & Malik (2000)
2000 Divide and Conquer Steinbach et al. (2000)
2000 SB-DBSCAN: Baseado em densidade
Zhou et al. (2000)
2000 S-DBSCAN: Baseado em densidade e amostragem
2001 COD - Clusterização com Distâncias Obstruídas Tung et al. (2001)
2001 Método da entropia mínima Roberts et al. (2001)
2001 SVC - Clusterização de suporte vetor Bem Hur et al. (2001)
Hansen & Mladenoviae
2001 J-means: Variante do K-means (2001)
2001 MNCut - Modified Normalized Cut Meila & Shi (2001)
2002 GRIN - Baseado na teoria da gravidade Chien-yu et al. (2002)
2002 Laplacian Eingenmap - Baseados nos autovetores do grafo laplaciano Belkin & Niyogi (2002)
2002 ORCLUS - arbitrarily Oriented projected CLUSter generation Aggarwal & Yu (2002)
2002 SART - Simplificado ART
2002 SFART - ART simétrico difuso Baraldi & Alpaydin (2002)
2002 FOSART - SART com redes totalmente autoorganizáveis
2002 CLINDEX - clusterização para esquema de indexação Li et al. (2002)
2003 K*-means: variante da K-means Cheung (2003)
2003 K-means global: variante da K-means Likas et al. (2003)
2003 ROCK - Novo SNN Ertoz et al. (2003)
64
2003 LDA - Latent Dirichlet Allocation Blei et al. (2003)

2003 MSVC - Multi-Sphere Support Vector Clustering Chiang & Hao (2003)
2004 K-means com distâncias de Bregman Banerjee et al. (2004)
Har-Peled & Mazumdar
2004 CORESET K-means: Particional baseado em resumo de dados (2004)
2004 STR-DBSCAN: Streaming DBSCAN Wang (2004)
Borah & Bhattacharyy
2004 I-DBSCAN: Improved DBSCAN (2004)
2005 Multi Way Clustering Bekkerman et al. (2005)
Kaufman & Rousseeu
2005 K-medoids (2005)
2005 UGM - Undirected Graphical Model Osindero et al. (2005)
2005 C-means com GA - Baseado em lógica Fuzzy e algoritmos genéricos Mota & Gomide (2005)
2005 NKM - Novel Kernel Method Camastra & Verri (2005)
2006 Pachinko Allocation Model Li & Mccallum (2006)
Viswanath & Pinkesh
2006 I-DBSCAN (2006)
2006 Fast DBSCAN Liu (2006)
2006 EBABS - Encoded Bitmap Approach Based Yin et al. (2006)
2007 ST-DBSCAN: DBSCAN para dados temporais Birant & Cut (2007)
2007 VDBSCAN - DBSCAN variado Liu et al. (2007)
2007 C-DBSCAN: DBSCAN para restrições Ruiz et al. (2007)
2007 LSH DBSCAN - Diminui o tempo de execução do DBSCAN Zhang et al. (2007)
2007 PrPr-DBSCAN Liu et al. (2007)
Hinneburg & Gabriel
2007 Denclue 2.0 (2007)
Arthur & Vassilvitskii
2007 K-means ++ (2007)
2007 EDACluster - Algoritmo evolutivo EDA Oliveira (2007)
2007 MWRD-Multi Way: Multi Way in Relation Graphs Banerjee et al. (2007)
2007 Boostcluster - Boosting Framework para Clusterização de Dados Liu et al. (2007)
2008 FPW-DBSCAN: Fast Parzem-Window DBSCAN Babu & Viswanath (2008)
2008 NUDBSCAN - Non Uniform DBSCAN Sang & Yi (2008)
Borah & Bhattacharyy
2008 DDSC - Density Differenciated Spatial Clustering (2008)
2008 Redes complexas e computação bioinspirada Oliveira (2008)
2009 Grid-DBSCAN Mahran & Mahar (2009)
2010 DVBSCAN Ram et al. (2010)
2010 Denclue Neuro Fuzzy He & Pan (2010)
2010 GA Híbrido Ferreira et al. (2010)
SCAHIPAT - Sparial Clustering Algorithm Based on Hierarchical-Partition
2010 Treee Li & Wang (2010)
2010 TODA - Topological Data Analysis Pasccuci et al. (2010)
2010 Suavização Hiperbólica Xavier (2010)
Mimaroglu & Aksehirli
2011 DBSCAN Hamming - DBSCAN usando distância de Hamming (2011)
HyCARCE - Hyperellipsoidal Clustering Algorithm for Resource-
2011 Constrained Environments Moshtaghi et al. (2011)
SHMSVC - Statistical Histogram Based Multi-Sphere Support Vector
2011 Clustering Jia et al. (2011)
2012 SBDC - Schelling Based Distributed Clustering Tsugawa et al. (2012)
65
DBSCAN Revisado - Resolve problemas de detecção de objetos de fronteira

2013 de cluster Tran et al. (2013)
Fonte: Adapatado de Cassiano (2014).
Bassab et al. (1990) propuseram uma estrutura dividida em etapas para a aplicação das
técnicas de clusterização, sendo decomposta em:
• definição, critérios, escolhas de variáveis e objetos;
• aquisição dos dados;
• tratamento dos dados;
• critérios de similaridades ou dissimilaridades;
• execução do algoritmo para o agrupamento;
• resultados;
• avaliação e interpretação.
2.4.2.1 Classificação dos algoritmos de clusterização
Han (2000) classificou a clusterização em cinco métodos básicos de algoritmos, quais

sejam: por particionamento; baseados em grades; baseados em modelos; baseados em
densidade; e hierárquicos.
Os métodos por particionamento, em conformidade com Da Silva (2006), levam em
consideração o número de grupos/clusters a serem identificados como um parâmetro de
entrada de algoritmo, tendo como função a otimização, uma função-objetivo que envolve
cálculos de distâncias entre objetos e seus centros. Entre os métodos partitivos mais comuns,
tem-se o K-Means e o K-Medoids. Berkhin (2006) trata o método como uma técnica que
consiste em dividir o objeto em K clusters distintos, seguindo uma definição de similaridade.
A diferença básica entre o K-means e o K-Medoids centra-se no fato de o primeiro
método utilizar a centroide como ponto de referência do cluster e o segundo buscar o objeto
mais central como ponto de referência (PRIMO, 2008).
O paradigma baseado em grades adota uma estrutura de dados em grade de
multirresolução, discretizando os objetos em um número finito de células, que formam uma
estrutura de grade na qual as operações de clusterização são efetuadas (DICARLANTONIO
apud PRIMO, 2008). Seu principal método representante é o STING.
66
O método baseado em modelo segue uma abordagem tanto estatística quanto por rede
neural. Aquela é dada a partir do uso das técnicas de Cobweb e K-means, enquanto esta
utiliza o mapa de Kohonen. Dicarlantonio (2001) descreveu esse método como uma
ferramenta que se fundamenta na suposição de que os dados são gerados a partir de uma
mistura de distribuições de probabilidades.
O método baseado na densidade tem a função de identificar regiões entre os objetos
que serão clusterizados, aqueles que apresentam maior número de pontos com maior
vizinhança (maior densidade) (KURNIAWAN et al., 1999). Dicarlantonio (2001) ressalta que
esse método é adequado para descobrir clusters com forma arbitrária, tais como elípticas,
cilíndricas, entre outras.
Primo (2008) esclareceu os quatro passos gerais para o uso e a interpretação do
método por meio da Figura 21, onde é possível identificar um retângulo dividido em quatro
partes iguais. O retângulo 1 apresenta as variáveis a serem clusterizadas; o segundo, um raio
de alcance hipotético de cada clusters traçados ao redor do objeto; os retângulos 3 e 4
mostram a formação dos clusters, sendo perceptível a formação de três clusters e as três
variáveis que se encontraram de fora, ou seja, não possuem grau de similaridade com nenhum
dos clusters formados.
Os métodos mais populares quando se trata de densidade são DB-SCAN e OPTICS.
Figura 21 – Passo a passo da formação de clusters baseados em densidade
Fonte: Primo (2008).
Xu e Wunsch (2005) relataram que os métodos hierárquicos atuam na formação de

uma sequência aninhada de partições, tendo um único cluster no topo, seguido de várias
ramificações de clusters, de diferentes níveis, terminando em um ponto único e específico.
67
Cada nível intermediário corresponde a uma combinação de dois clusters do nível inferior. A
Figura 22 ilustra um exemplo de dendograma hipotético com cinco objetos dispostos em
clusters.
Figura 22 – Exemplo de dendograma com cinco objetos
Conforme Da Silva (2006), os algoritmos hierárquicos podem ser subdivididos em

divisivos (top-down) e aglomerativos (bottom-up). Estes iniciam-se transformando cada
objeto em um cluster, para então unir os clusters até que reste apenas um deles com todos os
objetos, ou até satisfazer a uma determinada condição. Já o primeiro é basicamente o
contrário: começa com todos os elementos em um cluster e subdivide os clusters até que cada
objeto tenha seu cluster ou certa condição se satisfaça (PRIMO, 2008). A Figura 23 mostra os
processos divisivo e aglomerativo.
Figura 23 – Ilustração do processo divisivo e aglomerativo
2.4.2.2 Métodos hierárquicos aglomerativos
No método aglomerativo, cada variável se inicia representando um grupo, e a cada

passo, de acordo com a sua similaridade, unem-se até se formar um único agrupamento
dotado de todos os elementos (DONI, 2004). A Figura 24 mostra um exemplo desse método.
68
Figura 24 - (a) Sequência de agrupamento e (b) Representação em dendograma
Fonte: Doni (2004).
Para Corrar (2014), os métodos aglomerativos mais popularmente aplicados são: os

métodos de ligação simples (Single linkage); ligação completa (Complete linkage); centroide
(Centroid method); média das ligações; média dos grupos de ligações; e método Ward’s. A
Tabela 8 identifica as principais características para cada método.
Tabela 8 – Principais características dos métodos de distância entre grupos
Características principais
Ligação simples
1. No geral, grupos muito próximos não podem ser identificados;
2. Permite identificar grupos de formas não-elípticas;
3. Apresentam pouca tolerância a ruído;
4. Apresenta bons resultados tanto para distâncias euclidianas quanto para outras
distâncias;
5. Tendência a formar cadeias longas;
Ligação completa 1. Apresenta bons resultados tanto para distâncias euclidianas quanto para outras
distâncias;
2. Tendência a formar grupos densos;
3. Os ruídos demoram a serem incluído no grupo.
Centróide 1. Não é recomendado o uso de outras distâncias que não sejam a distância
euclidiana;
2. Robustez à presença de ruídos.
Média das ligações 1. Menor sensibilidade a ruídos quando comparados com os métodos simples e
ligação completa;
2. Apresenta bons resultados tanto para distâncias euclidianas quanto para outras
distâncias;
3. Tendência a formar grupos com número de elementos parecidos.
Média do grupo de 1. As dissimilaridades entre os agrupamentos são estatisticamente consistentes;
ligações 2. Oferece resultados satisfatórios na prática;
3. Podem ser aplicados em dados que não estão restritos à distância euclidiana.
Ward 1. Apresenta bons resultados tanto para distâncias euclidianas quanto para outras
distâncias;
2. Podem apresentar resultados não satisfatórios quando o número de elementos
em cada grupo é praticamente igual;
3. Tendência à combinação de grupos com poucos elementos;
4. Sensíveis a outliers.
Fonte: Doni (2004); Everitt (2001); Kaufman (1990); Vale (2005); Viana (2004).
69
A propósito, Marinho et al. (2012) utilizaram a clusterização com algoritmo

aglomerativo do tipo Ward’s para encontrar padrões de similaridades entre os elementos
químicos obtidos da análise do óleo lubrificante de um motor Diesel ferroviário bi-
combustível (Diesel-GNL), a fim de qualificar os elementos de máquina desgastados, dado o
depósito de perda do material no Carter, a partir da formação dos clusters.
2.5 Transdutores de vibração e nível de pressão sonora
Bush-Vishniac (1998) apud Cardoso (2005) interpretou um transdutor como sendo um

dispositivo que transforma energia não elétrica em elétrica, ou seja, converte um tipo de
domínio para outro tipo de domínio – ou o mesmo – podendo este ser mecânico, elétrico,
térmico, químico, entre outros.
Wendling (2010) discorreu que o transdutor é a denominação que um dispositivo, que
contém um sensor, recebe quando usado para transformar uma grandeza qualquer em outra
utilizada para dispositivos de controle.
O transdutor deve ser sensível à presença, magnitude e variação de um dado
mensurado, bem como proporcionar a saída de um sinal elétrico a ser lido por um leitor. Além
disso, os transdutores podem ser classificados, principalmente, pelo tipo de aplicação, pelo
método de conversão de energia, pela natureza do sinal de saída.
Quanto à seleção dos transdutores, alguns fatores são de fato notáveis, tais como: faixa
de funcionamento; sensibilidade; frequência de resposta; frequência de ressonância;
compatibilidade ambiental; sensibilidade mínima; eficácia; robustez; e características
funcionais elétricas quanto ao ruído do sinal.
Em se tratando dos tipos de transdutores, em termos genéricos, os principais tipos
encontrados são:
• transdutores resistivos;
• transdutores piezoresistivos;
• transdutores capacitivos;
• transdutor transformador diferencial linear variável;
• transdutores indutivos;
• conversores de sinal;
• transdutores potenciométricos e termopares;
70
• termistores ou autogenerativos, entre eles: piezoelectros, autotransformadores e

fotoeléctros (células solares);
Corroborando Cabral (2017), os transdutores condensadores (capacitivos) são os mais
adequados para utilização em instrumentação, pois a resposta em frequência também é
superior, permitindo seu uso em frequências mais altas. Outrossim, apresenta maior precisão
na resposta a um menor desvio de fase.
Como dispositivo de aquisição de dados acústicos para posterior análise, comumente
empregam-se os microfones. De acordo com Spada (2016), o microfone é um transdutor
eletroacústico que, por meio de uma membrana, transforma a energia acústica decorrente de
ondas mecânicas sonoras em energia elétrica. A Figura 25 ilustra o principio de
funcionamento básico de um microfone capacitivo.
Figura 25 – Esquema ilustrativo do princípio de funcionamento de um microfone capacitivo
Fonte: Disponível em: <https://www.somaovivo.org/artigos/quem-tem-medo-de-phantom-power/>. Acesso em:

13 jun. 2018.
Cabral (2017) classificou os tipos de transdutores de nível de pressão sonora a partir

do princípio de operação e dos tipos de tecnologia aplicados em sua fabricação, como sendo:
• piezoresistivos (carbono);
• piezoelétrico (cerâmica ou cristal);
• eletromagnético (imã móvel);
• eletrodinâmico (bobina móvel – princípio eletromagnético);
• eletrostático (condensador ou eletreto).
Ainda Cabral (2017) explanou a necessidade de uso de amplificadores em sinergia
com o sensor acústico devido à sua alta impedância, à sensibilidade e aos estímulos em
direções específicas.
71
Para medidas de vibração, adota-se um transdutor do tipo acelerômetro. Segundo

Thomazini e Albuquerque (2009), os acelerômetros são instrumentos a serem utilizados no
monitoramento de mudanças de velocidade, aceleração devido ao choque, vibração ou
impacto, e são empregados para diversas aplicações, seja na indústria náutica, aeronáutica ou
aeroespacial.
Os principais acelerômetros podem ser classificados em: piezoelétrico, capacitivos,
indutivos, potenciométricos e piezoresistivos. A Tabela 9 elenca os tipos de acelerômetros e
as principais considerações acerca deles.
72
Tabela 9 – Classificação dos acelerômetros

Classificação dos acelerômetros
Piezoelétricos O deslocamento da massa sísmica é detectada por cristais piezoelétricos. São

compactos e permitem uma ampla faixa de frequência, mas apresentam falsa resposta
em corrente contínua e alta impedância de saída.
Capacitivos É construído a partir de um microdiafragma acoplado à massa sísmica, o qual se

baseia na alteração da capacitância por meio da variação do deslocamento da placa
mável do capacitor.
Indutivos A massa sísmica é constituída de um material ferromagnético enrolado por uma

bobina. Acelerômetro de uso amplo e seu melhor desempenho é obtido na medição de
choques e vibrações de baixa frequência.
Potenciométicos
Aconselhado para medições de baixo custo e onde não há necessidade de grande
precisão. Esses acelerômetros possuem um potenciômetro acoplado à massa sísmica,
onde a variação da resistência é modificada por meio da oscilação da massa.
Piezoresistivos
São formados a partir de quatro Strain Gauges que se deformam de acordo com o
deslocamento da massa sísmica.
Fonte: Modificado de Monteiro (2013).
2.6 Análise acústica no diagnóstico de falhas
A acústica como ciência pode ser abalizado como ondas vibratórias em um corpo,
determinadas a partir da geração, transmissão e recepção de energia. Assim, quando
moléculas em um fluido ou sólido são deslocadas de sua posição de repouso, energias
vibratórias são envolvidas, gerando e transmitindo ondas acústicas (VIDAL, 2014).
Nesse diapasão, Fahy (2001) inferiu que atualmente, existem diferentes técnicas de
detecção do ruído (Nível de pressão sonora - NPS) onde é possível prever fenômenos obtidos
a partir dos resultados do nível de pressão sonora em equipamentos.
O método mais popularmente utilizado para a detecção de falhas preditivas em
motores é a análise de vibração, realizada a partir da aquisição do sinal de aceleração por
meio de um transdutor acelerômetro em contato com a peça.
Contudo, segundo Lu et al. (2012) indicaram que em alguns casos, o uso dessa
ferramenta pode apresentar alguns problemas, tendo em vista, por exemplo: a superfície
irregular; a localização do transdutor no equipamento; a condição da superfície quanto à
contaminação; condições de difícil acesso; excesso de umidade e altas temperaturas. Todos
esses fatoresdificultam a coleta da vibração, promovendo uma vantagem quanto ao uso de
sensores de nível de pressão sonora, que não necessita do contato.
73
Concorde com Vidal (2014), o atrito é o responsável pela geração de ruídos em

máquinas e corpos em movimento. A autor referiu autores como Jakobsen (1986), Matsuhisa
e Sato (1986), e Houjoh e Umezawa (1986) como os principais colaboradores do tema.
Medeiros et al. (2000, 2002a, 2002b apud MEDEIROS, 2002) utilizaram a
quantificação do Nível de Pressão Sonora (NPS) em decibéis (dB), correlacionado com a
distância de rolamento e a tensão residual, com o intuito de determinar a influência desses
parâmetros na mecânica do dado e do contato, e mecanismos de desgaste entre discos
metálicos, onde foram constatadas evoluções da fadiga de contato.
Germen et al. (2014) estudaram a influência do NPS no diagnóstico de falhas em
motores de indução, mediante a técnica de processamento de sinal Wavelet e correlação dos
dados aliado ao uso de mapas auto-organizáveis (SOM). Determinaram que o uso da
inteligência artificial SOM é um método eficiente para discriminar falhas no motor,
nomeadamente danos causados por desalinhamento e defeitos nas esferas dos rolamentos.
Adaileh (2013) empregou a técnica de análise do nível de pressão sonora para detectar
falhas em motores a combustão interna ciclo otto, em um carro modelo Mitsubishi 2006
quatro cilindros, submetidos a condições normais de operação e avarias em diferentes
rotações.
Já Deptuła et al. (2016) aplicaram técnicas de diagnóstico acústico no estudo da
condição técnica de motores a combustão interna ciclo Diesel com sistema common-rail, com
o propósito de determinar os picos de amplitude máxima e mínima da onda acústica e a
média, utilizando um microfone tipo 4189 seguindo os requisitos estabelecidos no
regulamento da comissão tripartite Polonesa, enquanto o motor se encontra em regime de
carga 80 Nm e rotações de 1000 e 2000 rpm.
2.7 Análise de vibração no diagnóstico de falhas
As vibrações são definidas como oscilações de uma determinada massa em função de

um ponto fixo (GRANDJEAN; KROEMER, 2005). Para Vendrame (2006), um corpo está em
vibração somente quando descreve um movimento oscilatório em torno de um ponto fixo,
ondre o número de vezes em que há repetição do ciclo completo durante um período se
denomina frequência, que é medido em Hertz [Hz]. Ademais, o supracitado autor denotou que
o modelo vibratório é caracterizado pelo deslocamento ao longo do tempo, com variações da
energia potencial e/ou cinética.
74
Em conformidade com Rao (2008), a vibração ou oscilação define-se como qualquer

movimento que se repita após um dado intervalo de tempo, e em geral, este possui um meio
de armazenamento de energia cinética, potencial e um meio de perda gradual de energia.
Classificaou a vibração como sendo de caráter livre, forçada, amortecida, não-amortecida,
linear, não-linear, determinística ou aleatória.
Santana (2010) lindou vibração como a resposta repetitiva, periódica ou oscilatória de
determinado sistema mecânico. Ressalta-se que as vibrações podem ser originadas tanto
naturalmente quanto por excitações. A vibração natural consiste em uma frequência particular
onde todo o corpo vibra, e é chamada frequência natural. As vibrações por excitações podem
ser geradas internamente do sistema mecânico, assim como externamente, a partir de uma
fonte de excitação externa. Vale frisar que caso a frequência de excitação seja a mesma que a
natural do corpo, ocorre o fenômeno da ressonância.
Quando se trata de vibrações em motores a combustão interna, Geres (2005) validou
que as maiores fontes de vibração em um motor a combustão interna são devidas à combustão
e às forças mecânicas.
As vibrações de combustão são suscitadas pela reação de explosão da mistura entre ar
combustível sob altas temperaturas e pressão no interior da câmara de combustão
(MONTEIRO, 2013).
Para Geres (2005), as vibrações em função das forças mecânicas são provenientes,
precipuamente, de pistões e válvulas. As vibrações decorrentes dos pistões derivam,
essencialmente, do contato dos anéis de segmento com o cilindro, bem como dos impactos
dos pistões nas paredes do cilindro. Quanto às vibrações geradas pelas válvulas, emergem do
contato metálico entre os conjuntos em proximidade com o sistema de acionamento de
válvula (sede de válvula, guia de válvula, balancim, entre outros) e a dinâmica de abertura e
fechamento dela.
Marinho (2016) utilizou a correlação de Pearson para relacionar os valores RMS das
oitavas de frequência dos espectros de frequência dos dados de vibração em motores a
combustão interna bicombustível (Diesel – GNL) com os dados dos elementos metálicos
presentes no óleo lubrificante, constatando correlações do desgaste de componentes do motor,
identificado por meio dos valores dos elementos metálicos, com bandas de oitavas de
frequência das análises espectrais no domínio frequência, determinadas a partir da
Transformada Rápida de Fourier (FFT).
Chandroth et al. (1999) adotaram a aquisição dos sinais de vibração e pressão para a
detecção de falhas em motores a combustão interna. O trabalho consistiu em inserir
75
determinadas falhas no motor, coletar as assinaturas dos sinais de vibração e pressão na

câmara de combustão, e inserir os dados em uma RNA do tipo backpropagation, com a
intenção de predizer falhas no sistema mecânico, alçançando uma taxa de sucesso de 90%.
Wang et al. (2013) empregaram a análise de vibração com métodos de processamento
baseado nas técnicas de Wavelet, Adaptive Wavelet Threshold (AWT), Ensemble Empirical
Mode Decomposition (EEMD) e correlação de dados, Correlation Dimension (CD), em
conjunto com a dimensão fractal, visando à detecção de falhas em motores a combustão
interna Diesel, onde os resultados atestando que a metodologia de análise proposta é capaz de
extrair os sinais de impacto induzidos por vibrações, além de determinar seus tipos de falhas
com precisão.
76
3 METODOLOGIA DA PESQUISA
Esse capítulo descreve todo o percurso metodológico utilizado nessa tese, com o intuito de
responder aos objetivos propostos pela pesquisa, onde serão apresentados: caracterização da
pesquisa, bancada de ensaios tribológicos em motores a combustão interna, instrumentos de
coleta de dados, preparação dos corpos-de-prova, procedimentos experimentais e metodologia
de análise de dados.
3.1 Caracterização da pesquisa
Quando se trata de buscar um significado sobre o que vem a ser pesquisa, de muitas
formas ela pode ser definida, como sob um caráter filosófico, como definido por Minayo
(1993), que a concebe como uma atividade básica das ciências na indagação e/ou descoberta
da própria realidade, que nunca se esgota em buscar a aproximação sucessiva da realidade por
meio de uma combinação entre teoria e dados.
Pode-se considerá-la também em uma visão mais cotidiana, como abordada por Demo
(1996), que delimita a pesquisa como um questionamento sistemático crítico e criativo. Em
Gil (1999) nota-se o seu caráter cotidiano, a partir de um processo formal e sistemático de
método científico, cujo objetivo fundamental é adquirir respostas para problemas a partir de
procedimentos científicos.
Por fim, conta-se com a representação de Silva e Menezes (2001), que demarcaram a
pesquisa como um conjunto de ações orientadas para encontrar solução para determinados
problemas, por meio de procedimentos racionais e sistemáticos.
Quanto à classificação da pesquisa, Silva e Menezes (2001) dividiram-na em quatro
temas principais:
• natureza da pesquisa;
• abordagem do problema;
• objetivos da pesquisa;
• procedimentos técnicos.
Do ponto de vista da natureza da pesquisa, Silva e Menezes (2001) expuseram dois
pontos de vista: a pesquisa básica, cujo objetivo é gerar conhecimentos novos sem aplicação
77
prática prevista; e a pesquisa aplicada, que visa a uma aplicação prática direcionada à
resolução de problemas específicos.
Relacionando o subtema de abordagem do problema, Silva e Menezes (2001)

identificaram a pesquisa quantitativa e a pesquisa qualitativa. A primeira refere-se à tradução
de opiniões em números, a fim de classificá-los e analisá-los com o uso de ferramentas
matemáticas e estatísticas. No caso da pesquisa qualitativa, considera-se que há um vínculo
entre o mundo objetivo e subjetivo que não pode se traduzir em números.
Gil (1991) citou os principais objetivos da pesquisa, a saber:
• Pesquisa exploratória: envolve levantamento bibliográfico, entrevistas com pessoas,
análise de exemplos. Seu propósito é proporcionar maior familiaridade com os
problemas, tornando-os mais explícitos, ou com a construção de hipóteses.
• Pesquisa descritiva: aborda técnicas de aquisição de dados, questionamentos e
observações. De modo geral, é uma pesquisa focada no levantamento de
características de determinada população ou fenômeno.
• Pesquisa explicativa: assume, em geral, formas de uma pesquisa experimental e
pesquisa expost-facto, explicando o porque, com vistas a identificar os fatores que
determinam ou contribuem para a ocorrência de fenômenos.
Quanto aos tipos de procedimentos técnicos, Gil (1991) dividiu-os em seis categorias,
sendo elas: pesquisa bibliográfica, pesquisa documental, pesquisa experimental,
levantamento, estudo de caso, pesquisa expost-facto, pesquisa-ação e pesquisa participante. A
Tabela 10 define os oito tipos de procedimentos técnicos.
Tabela 10 - Principais procedimentos técnicos

PRINCIPAIS PROCEDIMENTOS TÉCNICOS
Pesquisa bibliográfica Elaborada a partir de material publicado, seja livro, artigos científicos, entre
outros.
Pesquisa documental
Elaborado a partir de materiais que não receberam tratamento analítico.
Pesquisa experimental Definem-se as formas de controle e de observação dos efeitos que as variáveis
produzem em um dado objeto.
Levantamento Pesquisa que envolve interrogação direta das pessoas cujo comportamento está
sendo estudado.
Estudo de caso Quando se tem detalhado estudo e conhecimento acerca de um caso.
Pesquisa expost-facto Quando o experimento se realiza depois dos fatos.
Pesquisa-ação Quando há envolvimento cooperativo ou participativo entre o pesquisador e os

participantes.
78
Pesquisa participante Quando se desenvolve a partir de uma interação entre o pesquisador e os

investigados.
Fonte: Gil (1991); Menezes; Silva (2001).
Quanto à metodologia de pesquisa, esse estudo tem caráter básico e aplicado, com
abordagem quantitativa, do tipo explicativa e cujos procedimentos técnicos são caracterizados
como de uma pesquisa bibliográfica e pesquisa experimental.
No que tange à revisão da literatura, Silva e Menezes (2001) reconheceram que ela
resulta do processo de levantamento e análise daquilo que já foi publicado sobre o tema
proposto, oportunizando o mapeamento de todos os autores e das publicações da área de
estudo. Com isso, a revisão da literatura contribui para a obtenção de informações acerca do
cenário atual do tema sob análise, de publicações existentes e de opiniões similares e/ou
diferentes acerca dele.
Para Luna (1997), a revisão da literatura pode ser realizada com os seguintes
objetivos: determinação do estado da arte, revisão teórica, revisão empírica e revisão
histórica.
No caso dessa tese, é possível identificar três dos quatro tipos (determinação do
“estado da arte”, revisão teórica e revisão histórica) em diversos momentos da fundamentação
teórica, pois dentre as estratégias para elaboração do tópico, ora o pesquisador procura
mostrar, a partir da literatura, o que sabe sobre o tema; ora insere o problema da pesquisa em
um contexto de referencial teórico para melhor explicar o tema central; ora busca recuperar a
evolução de conceitos.
Quanto à organização do projeto da pesquisa, a tese está organizada segundo
elementos pré-textuais: capa, folha de rosto, folha de aprovação, dedicatória, agradecimentos,
resumo na língua vernácula e estrangeira, lista de figuras, tabelas, quadros, abreviaturas e
siglas, sumário. Além deles, há também elementos textuais: introdução, revisão da literatura,
metodologia, resultados (análise e discussão) e conclusão. Finalmente, os elementos pós-
textuais: referências e anexos.
3.2 Bancada de ensaios tribológicos em motores a combustão interna
A bancada de ensaios, ilustrada na Figura 26, consistiu no uso de um motor a

combustão interna (NMG 65) acoplado a um gerador elétrico (Motor gerador FG-2500),
ligados a uma carga resistiva disposta de dez tomadas elétricas para acionamento de dez
79
refletores incandescentes de 250W, totalizando uma carga resistiva máxima de 2,5 KVA. Para
a análise de falhas e coleta de dados em diferentes cargas, foram utilizados apenas seis
refletores, com carga máxima utilizada de 1,5 KVA. As cargas resistivas foram responsáveis
pela geração de carga ao gerador e consequente fornecimento de potência mecânica ao eixo
do virabrequim.
Como instrumentos de aquisição dos dados foram utilizados: sensor de vibração,
sensor de nível de pressão sonora, sensor de temperatura, sensor de corrente e tensão. Para
melhor compreensão do percurso metodológico os instrumentos de coleta de dados foram
então divididos em: instrumentação principal, instrumentação secundária e instrumentação
interface homem-máquina (IHM).
A bancada de análise de falhas tribológicas em motores a combustão interna do
presente estudo foi desenvolvida e instalada no Laboratório de Energia (LAEN), integrante do
Núcleo de Tecnologia (NTI) da UFRN.
80
Figura 26 - Bancada de ensaios triblógicos em motores a combustão interna
Fonte: Arquivo pessoal do autor (2018).
3.2.1 Motor gerador NMG65
A fim de diminuir dificuldades referentes à logística, à disponibilidade comercial, ao

custo, ao espaço ao qual o equipamento é destinado, à montagem e desmontagem do
equipamento e à sua manutenção, foi selecionado um sistema eletromecânico acoplado,
modelo NG3100, composto de um motor a combustão interna quatro tempos, ciclo
termodinâmico Otto, estacionário, de marca NMG65 Nagano e um gerador FG-2500 de dois
polos, com as especificações descritas nas Tabelas 11 e 12, respectivamente. Tais
equipamentos foram ilustrados nas Figuras 27 e 28.
81
Tabela 11 - Características do motor a combustão interna NMG65 Nagano
Partida Manual
Combustível Gasolina
Diametro (mm) 68
Curso (mm) 54
Cilindrada (cm³) 196cc
Taxa de compressão 8.5:1
Potência máxima (cv a 3600 rpm) 6.5
Torque (N.m a 2500 rpm) 13.2
Consumo 1.3 L/h
Fonte: Disponível em: <https://produto.mercadolivre.com.br/MLB-691851350-gerador-gasolina-3kva-mono-
part-manual-bivolt-nagano-_JM>. Acesso em: 13 jun. 2018.
:
Figura 27 - Motor NMG65 Nagano
Fonte: Disponível em:

<http://www.naganoprodutos.com.br/novosite/canais/produtos/vitrine.asp?codProduto=192>. Acesso em: 13 jun.
2018.
Tabela 12 - Características do Gerador FG-2500
Tensão de saída CA 110/220 VCA

Tipo: Monofásico
Frequência 60 Hz
Potência Nominal 2,4 KVA
Potência Máxima 3 KVA
Corrente nominal 11ª
Regulador de tensão AVR
Fator de potência do gerador 0,8
<http://www.naganoprodutos.com.br/novosite/canais/produtos/vitrine.asp?codProduto=192 >.
Acesso em: 13 jun. 2018.
82
Figura 28 - Gerador NG3100

<http://www.naganoprodutos.com.br/novosite/canais/produtos/vitrine.asp?codProduto=456>. Acesso em: 13 jun.
2018.
3.2.2 Instrumentos de coleta de dados
Os métodos para instrumentação da bancada consistiram no uso de equipamentos e

condicionadores de sinais tanto para a aquisição de sinais com alta taxa de amostragem,
quanto para adquirição daqueles com baixa taxa, e para interface homem-máquina. Com isso,
o método de instrumentação e aquisição de sinais foi dividido em três etapas para melhor
entendimento do projeto: instrumentação principal, instrumentação secundária e
instrumentação IHM.
3.2.2.1 Instrumentação principal
A instrumentação principal consistiu em um sistema de coleta de sinais de alta taxa de

amostragem, na ordem de oito mil pontos por segundo (8KS/s), necessário para o registro da
assinatura de frequência e detecção de fenômenos de falhas tribológicas no motor a
83
combustão interna, durante os ensaios sem carga e com carga, a qual está demonstrada ponto
a ponto na Figura 29.
Figura 29 - Desenho esquemático da instrumentação principal
O sistema coletou dados de vibração e nível de pressão sonora no motor a combustão

interna, durante ensaios sem carga e com carga, por intermédio da utilização de transdutores
do tipo acelerômetro da marca B&K, com sensibilidade de 9,931 mv/g e decibelímetro
SKDEC-02, como especificado na Tabela 13.
Para o condicionamento dos sinais dos transdutores, foram empregados os módulos de
vibração NI 9233 com conversor analógico de 24 bits, e o módulo de tensão NI 9205, ambos
da empresa National Instruments, cujas especificações básicas são ilustradas na Figura 30.
Acoplado aos módulos foi utilizado o chassi NI cDAQ-9178, capaz de converter o sinal
analógico em digital.
A interface digital responsável pela leitura e aquisição dos dados foi o software Signal
express 2013, da National Instruments.
Tabela 13 – Especificação do decibelímetro SKDEC-02
Escala de frequência: 31,5HZ a 8kHz

Escala dinâmica: 50dB
Indicação de sobre-escala
Indicação de sub-escala
Indicação de valor máximo MAX e mínimo MIN
Ponderação de tempo: Rápida (FAST): 125mS Lenta (SLOW): 1s
Ponderação A e C
DataLogger com capacidade para armazenar 32.600 registros
Saída USB
Níveis de alarme ajustáveis
84
Microfone: Microfone condensador de eletreto de ½ polegada

Resolução: 0,1dB
Atualização do visor: 2 vezes por segundo
Saída analógica: AC / DC,AC = 1V rms; DC = 10mV/dB.8
Dimensões: 278mm x 76mm x 50mm
Peso: 350g
Temperatura e umidade de operação: 0 a 40ºC e 10% a 90% UR
<http://www.skill-tec.com/seguranca-do-trabalho/skdec-02-decibelimetro-digital-com-datalogger-32000leituras-
skill-tec>. Acesso em: 13 jun. 2018.
Figura 30 - Especificações básicas dos módulos NI 9205 e NI9233 da National Instruments
Fonte: Datasheet National Instruments (2017).
Sobre as condições de instalação dos transdutores, foi acomodado ao parafuso do

cabeçote do motor o sensor de vibração magnético, próximo aos sistemas de acionamento das
válvulas e das aletas do cilindro (em orientação axial ao movimento do pistão do motor a
combustão interna), como ilustrado na Figura 31 (a). O decibelímetro foi fixado próximo à
região do cilindro do motor, igualmente com o intuito de coletar a tensão de nível de pressão
sonora da região do conjunto de força e do conjunto de válvulas, evidenciado na figura 31 (b).
85
Figura 31 - (a) sensor de vibração acoplado ao motor, (b) decibelímetro instalado próximo ao motor
(a) (b)
3.2.2.2 Sistema de aquisição secundária
O sistema de aquisição secundária tem a função de monitorar as condições de

desempenho do motor, tais como: temperatura de escape (°C); temperatura do óleo
lubrificante (°C); corrente elétrica (A); potência aparente (VA); potência útil (W); potência do
motor (W); torque (N.m); trabalho/ciclo (J); pressão média efetiva (N/cm²); e tensão elétrica
(V). Trata-se de elementos norteadores no diagnóstico do desempenho do motor quando
inseridas as falhas.
Para aquisição e monitoramento desses sinais, foram utilizados sensores e módulos de
baixo custo e baixa taxa de aquisição, na ordem de uma amostra a cada dois segundos. Para a
obtenção dos dados de temperatura de escape e temperatura do óleo lubrificante, foram
empregados termopares tipo K acoplados a um conversor digital de compensação de junta fria
para termopares tipo K MAX 6675, com saída digital para um módulo Arduino Mega. Tais
dispositivos foram instalados na saída do escapamento e em contato direto com o óleo
lubrificante, por meio da inserção no taps do cárter do motor, conforme mostrado na Figura
32.
86
Figura 32 - (a) sensor de temperatura instalado no carter do motor, (b) sensor de temperatura instalado
no escapamento
(A) (B)
Para aquisição dos sinais de tensão e corrente, foram manuseados um sensor de tensão
da GBK Robotics e um sensor de corrente não evasivo SCT-013, repectivamente. Foram
plugados cada um em uma entrada analógica do Arduino Mega e instalados, em série com a
tomada do gerador, o sensor de corrente e em paralelo, o sensor tensão, a fim de obter dados
de corrente elétrica e tensão de saída do gerador. A Figura 33 mostra a disposição do sistema
de aquisição secundário.
Figura 33 - Sistema de aquisição secundário
A partir dos dados de tensão e corrente elétrica do gerador, foi possível determinar os
sinais de: (a) potência aparente; (b) potência útil; (c) potência do motor; (d) torque; (e)
87
trabalho/ciclo; e (f) pressão média efetiva. Para o cálculo das condições de desempenho
mencionadas, foram operadas as seguintes fórmulas:
Potência aparente (VA)

(4)
Onde:
Potência aparente (PA) é dada em VA;
Corrente (I) é dada em Amperes;
Tensão elétrica (U) é dada em Volts.
Potência útil (W)

(5)
Onde:
Potência útil (P) é dada em Watts;
Potência aparente (PA), em VA;
Fator de potência (fp) é igual a 1, tendo em vista o uso apenas de cargas resistivas no gerador.
Potência do motor (W)

(6)
Onde:
Potência do motor (PM) é dada em Watts;
Potência útil (P), em Watts;
E o rendimento (n) é dado pelo fator de potência do gerador 0,8 (80%).
Torque (N.m)
(7)
Onde:
Torque (T) é dado em N.m;
Potência do motor (PM), em Watts;
Rotação (rot) em Rotação por Minuto (RPM).
Trabalho/ciclo (J)
(8)
88
Onde:
Trabalho/ciclo (wc) é dado em Joule;
Rotação (rot), em RPM.
Pressão média efetiva (N/cm²)

(9)
Onde:
Pressão média efetiva (PME) é dada em N/cm²;
Cilindrada unitária (Vu) é igual a 196 cm³;
Rotação (rot), em RPM.
Para efeito de cálculos, foi adotada a rotação constante em 3600 RPM, devido ao
sistema proporcional instalado no motor a combustão interna, cuja comunicação analógica
com o gerador garante uma faixa de rotação constante, quando relacionado com a frequência
elétrica, que oscila em frequências próximas à da rede elétrica do Brasil, na ordem de 60 Hz.
Para a aquisição do sinal de forma contínua entre todos os sensores acoplados ao
Arduino mega, construiu-se um sistema eletrônico no qual todos os sensores e o Arduino
foram reunidos e soldados com o intuito de se tornarem um único módulo eletrônico plug in,
como especificado na Figura 34.
89
Figura 34 - Módulo eletrônico de aquisição dos parâmetros de desempenho do motor
3.2.2.3 Instrumentação interface homem-máquina
O sistema de interface homem-máquina tem a função de mostrar ao operador as

condições de temperatura do óleo lubrificante, temperatura de escapamento e corrente
elétrica.
Para monitoramento desses sinais, foram utilizados sensores e módulos de baixo custo
e baixa taxa de aquisição, uma amostra/segundo, onde para a obtenção dos dados de
temperatura foram utilizados termopares tipo K acoplados a conversores digitais de
compensação de junta fria para termopares tipo K MAX 6675, com saída digital para um
microcontrolador ATMEGA 328p Standalone.
Ademais, foram empregados sensores integrados instalados no cárter e na saída do
escapamento. Na aquisição da corrente elétrica (CA), adotou-se um sensor de corrente não
evasivo SCT-013, instalado em série na tomada do gerador. A Figura 35 ilustra a disposição
do sistema de interface homem-máquina.
90
Figura 35 - Sistema de interface homem-máquina
3.3 Preparação dos corpos-de-prova
Nessa etapa da metodologia, serão descritos os procedimentos para a elaboração dos

corpos-de-prova que simulam o desgaste nos anéis de segmento e válvulas de admissão e
escape, a partir da simulação do desgaste radial dos anéis de segmento, da simulação de folga
entre o guia e a haste da válvula, e o desgaste da haste da válvula.
3.3.1 Anéis de segmento
Para a análise de modos de falhas tribológicas nos anéis de segmento, foi introduzida
falha no anel de compressão corta-fogo, a fim de captar as assinaturas de falhas para
aprendizagem e reconhecimento da rede neural. Dessa forma, simulou-se uma das principais
falhas apresentadas: o desgaste radial.
Segundo Penido (1945), os anéis de segmento são elementos alojados nas canaletas do
pistão cuja função é vedar a passagem dos gases de combustão, bem como impedir a
passagem do fluido lubrificante para o interior da câmara de combustão, por meio de esforços
radiais decorrentes destas para com as paredes do cilindro. Os anéis de segmento são
elementos essenciais para o bom funcionamento dos motores a combustão interna, em
especial, para o sistema de força pistão – biela – virabrequim.
A operação de conjuntos de anel de segmento no pistão influencia o desempenho, a
eficiência, a durabilidade e as emissões de motores em termos de atrito, desgaste, consumo de
91
óleo e gás blow-by. Por essas razões, o desempenho de anéis de pistão em motores de
combustão tem sido um tema de pesquisa por muitos anos (LI; WANYOU et al., 2015).
No entendimento de Martins (2013), há dois tipos de anéis de segmento: os anéis
superiores, que são denominados anéis corta-fogo (compressão), com a função de
estanqueidade da câmara de combustão para com o cárter; e os anéis raspadores de óleo, com
que tem a função de promover o controle da passagem de óleo e a espessura deste nas paredes
do cilindro.
O anel localizado na canaleta superior, também chamado de anel corta-fogo,
geralmente corresponde a um anel retangular ou de face inclinada. A superfície de contato
com o cilindro é geralmente abaulada. Em anéis de ferro fundido, a superfície de contato
utiliza um revestimento de cromo ou molibdênio para evitar o desgaste (VOLCI, 2007).
O segundo anel, também chamado de anel de estanqueidade, é projetado
frequentemente como anel de face inclinada, com uma ação pronunciada de remoção de óleo.
Assim, age não somente como segundo estágio da vedação dos gases e equilíbrio de pressão
no segundo cordão do pistão, mas também contribui com a redução do consumo de óleo
(VOLCI, 2007).
Os anéis de segmento sofrem igualmente alterações estruturais devido às temperaturas
na câmara de combustão. De acordo com Volci (2007), a energia térmica gerada na
combustão é transferida durante esse processo para o pistão, os anéis de segmento e as
paredes do cilindro. Na sequência, o calor vai da parede do cilindro para o fluido de
arrefecimento que circula dentro das galerias de resfriamento do bloco do motor ou para o ar
exterior. Como os anéis estão em permanente contato com o pistão, constantemente estão
recebendo calor e transferindo-o para a parede do cilindro.
Além de alterações ocasionadas por efeitos térmicos, o contato entre os elementos
possibilita alterações na condição estrutural das superfícies em caráter tribológico,
promovendo deformações de cunho tanto elástico quanto plástico. A deformação elástica do
pistão e do cilindro pode afetar a geometria efetiva da face do anel e, com isso, o contato com
o revestimento do cilindro, o que provoca uma distribuição não uniforme da pressão de
contato entre a superfície radial do anel e as paredes do cilindro, contribuindo para a
passagem dos gases de combustão (blow-by) e o consumo do óleo lubrificante.
O deslizamento entre os anéis do pistão e o cilindro está sujeito a diferentes
mecanismos de atrito durante um ciclo térmico de trabalho do motor. Em virtude das
variações de carga, velocidade e estado da superfície de contato do cilindro, as condições de
lubrificação entre o anel e o cilindro são extremamente transientes, refleteindo na variação do
92
coeficiente de atrito e no comportamento em relação ao desgaste. O atrito do anel é causado

pela carga aplicada sobre ele. As propriedades da superfície de contato e as condições de
lubrificação são determinadas por aspectos como a velocidade de deslizamento, a viscosidade
do óleo e a quantidade de lubrificante presente na interface de contato. A carga sobre o anel é
gerada pela pré-tensão do anel (força tangencial) e pela força exercida pelo gás de combustão
na parte traseira dele (dentro da canaleta do pistão) (VOLCI, 2007).
Os anéis de um pistão estão sujeitos a complexas e severas condições tribológicas que
envolvem velocidades médias de até 20 m/s, pressões de até 200bar, rugosidades de cilindros
em condições variáveis durante a vida útil, e parede do cilindro à temperatura de cerca de 100
ºC (ARAÚJO, 2011).
Conforme Guibet (2000), a pressão dos gases na câmara de combustão aumenta o
contato radial e axial com o canaleta do pistão. Tal contato alterna entre a superfície superior
e inferior da canaleta por força das influências da massa do anel, da pressão de combustão e
do atrito com o cilindro.
Para Anderson (2002), os movimentos secundários do anel de pistão podem ser
divididos em movimento do anel de pistão na direção transversal, rotação do anel do pistão,
elevação do anel e torção do anel. Tais movimentos resultam de cargas diferentes agindo
sobre o anel. As cargas desse tipo são inerciais, resultantes de aceleração e desaceleração do
pistão, cargas de amortecimento da película de óleo, cargas devido à diferença de pressão por
meio do anel e cargas de fricção do contato deslizante entre o anel e o revestimento do
cilindro.
Corroborando LI et al. (2015), o movimento do anel de pistão dentro da canaleta do
pistão pode ser descrito pela rotação axial (torção toroidal) e movimentos radiais nos três
respectivos graus de liberdade. Ainda para os autores, a posição axial do anel e a torção
influenciam a passagem de fluxo do gás e as forças na interface do sulco do anel. A torção do
anel também afeta o perfil efetivo da superfície radial do anel ao furo do cilindro e assim a
espessura do filme de óleo e o atrito do anel.
Dowson (1993) ratificou que as pressões de gás acima (axial), abaixo (axial) e atrás
(radialmente) do anel exercem forças normais na seção de anel, enquanto forças normais
(radiais) e tangenciais (axiais) são aplicadas sobre a superfície do anel, na película lubrificante
e/ou no contato entre o anel e as paredes do cilindro. Se as partes da superfície do anel forem
expostas às pressões de gás acima e abaixo do anel, as forças normais associadas (radiais)
aliviam a força responsável pela estanqueidade.
93
Por sua vez, Araujo (2011) referiu que o anel está sujeito aos esforços como
consequência do contato com o pistão, a exemplo do esforço superior e inferior da canaleta, e
a pressão exercida pelos gases entre o anel e o fundo desta. Esforços de atrito também estão
presentes, como aquele verificado entre o anel e a parede do cilindro. Dada a sua massa em
movimento, o anel também está sujeito aos esforços de inércia e a um momento em torno de
seu eixo. Além de todos esses componentes, existe a força de mola do anel, como resultado do
próprio processo de fabricação do anel que lhe oportuniza um efeito de mola contra as paredes
do cilindro, quando montado em posição de funcionamento.
Bhushan (1991) aduziu que o mecanismo principal do desgaste no sistema tribológico
anel de segmento e cilindro é o desgaste abrasivo, que se torna proveniente graças às
propriedades e à espessura do filme lubrificante na interface, assim como à pressão de
contato, à compatibilidade do material, à degradação do lubrificante, aos depósitos de carbono
acomodados nas canaletas e nos anéis de segmento, além de debris provocados pelo desgaste
de outros componentes e partículas de poeira.
Com o funcionamento e a dinâmica dos motores a combustão interna, o par tribológico
anel de segmento- cilindro, com o passar do tempo e sob determinadas condições de
temperatura, carga, velocidade e lubrificação, tendem a perder material, progressivamente.
Nos anéis de segmento, especificamente, essa perda progressiva ocorrre
particularmente na região radial do anel de segmento, ou seja, na área de contato do anel de
segmento no cilindro. Por conseguinte, uma das medidas para acompanhar e/ou diagnosticar
esse tipo de desgaste é por meio da quantificação da abertura dos anéis de segmento.
Marinho (2016) adotou a quantificação da abertura dos anéis de segmento dos motores
Diesel 7 FDL-16 EFI da General Motors para acompanhar e relacionar o desgaste radial dos
anéis de segmento com outros tipos de desgastes, sinais de fenômenos físicos do motor
(temperatura, pressão, vibração) e análise de óleo. Averiguou que o fato de existir maior
abertura do anel no motor Diesel pode estar relacionado a uma presença maior de cromo em
sua análise de óleo.
Para simular o desgaste radial do anel de segmento de compressão tipo corta-fogo, foi
produzido um corpo-de-prova, desgastado na região de abertura do anel de segmento, na
dimensão aproximada à dimensão do limite de uso do dispositivo, segundo a especificação do
manual de serviços.
Posteriormente ao desbaste, foi mensurada a abertura do anel de segmento com o uso
de um calibrador de folga 0.05 - 1 mm da Vonder, com o anel inserido a 5 mm no interior do
94
cilindro. A Figura 36 mostra o método de análise para a medição da abertura do anel de

segmento.
Figura 36 - Técnica de medição da abertura radial do anel de segmento utilizando calibrador de folga
Consoante o Manual de serviços de padrões de manutenção, a folga das extremidades

dos anéis de compressão deve possuir um padrão de até 0,4mm, e seu limite de uso, de 1mm.
O Quadro 3 evidencia as medidas de dimensões nominais dos anéis de segmento, dimensões
do desgaste e a medida contida no manual tomado por referência.
Quadro 3 - Dimensão do corpo-de-prova, relacionando as dimensões nominais, dimensões de desgaste,

dimensões da abertura radial do anel de segmento e os dados do Manual Honda.
Anel de compressão corta-fogo
Dimensão da abertura Dimensão da abertura

Dimensão nominal Dimensão desgaste Limite de uso
padrão com desgaste
7.00mm 0.25mm 7.85 ± 0.03mm 0.85mm 1.00mm

3.3.2 Válvulas de admissão e escape
O sistema de acionamento das válvulas em motores é constituído de peças cuja função

é transmitir a sequência de acionamento do eixo de comando de válvula, a partir da disposição
95
dos cames, para as válvulas de admissão e exaustão, e tem como principais elementos: eixo de
comando de válvulas, cames, tuchos, balancins, molas, guias de válvulas e válvulas.
As válvulas têm como principal atividade o controle de entrada e saída de gases na
câmara de combustão, ora a entrada do ar ou ar-combustível, ora a saída de gases residuais de
queima, a partir das válvulas de admissão e escape. Martins (2013) dividiu a válvula em duas
partes, sendo elas: a cabeça na forma de tulipa, com a função principal de vedação com a sede
de válvula; e a haste, com a incumbência de guiar a válvula e servir como um transmissor de
calor e impulsor.
Penido Filho (1945) definiu as válvulas como o elemento do motor responsável por
interromper ou não o fluxo de gases de aspiração e descargas no tempo de ciclo do motor. No
que se refere a fatores térmicos, as válvulas de escape sofrem maior atuação que a de
admissão, verificando, ainda segundo o referido autor, uma temperatura de 100°C na região
da haste e 550°C na cabeça da válvula de admissão; 260°C na região da haste e 760°C na
cabeça da válvula de escape. Como efeito da minimização da temperatura, pode ser utilizada
uma mistura rica ou válvulas de sódio.
No sistema de acionamento de válvula, o desgaste e o atrito mais considerável se
manifestam no contato cames - tucho, onde o desgaste se configura como tipo abrasivo,
adesivo, scuffing e pitting (BHUSHAN; GUPTA, 1991).
Para Bhushan (1949), o desgaste da válvula com a sede de válvula é dado
especialmente devido ao seu movimento relativo quando encaixada com a sede de válvula,
devido à pressão do cilindro, resultando em deformações em ambos os componentes. Com
isso, a pressão no cilindro, os materiais das válvulas e sede de válvula são as principais
variáveis na determinação do desgaste. Vale ressaltar, ainda, o ângulo da válvula e da sede de
válvula, que podem reduzir a carga de contato e, consequentemente, o atrito e o desgaste.
Em consonância com Bhushan (1949), o desgaste entre a válvula e o guia de válvula é
dado a partir do deslizamento desses dois componentes, os quais promovem o desgaste
abrasivo, adesivo e oxidativo. Esse desgaste é bastante sensível a mudanças de velocidades,
em função da espessura do filme.
Na concepção de Penido Filho (1945), a folga entre o guia de válvula e a haste da
válvula não poderá ser pequena nem grande. Se pequena, pode acarretar o engripamento da
válvula, e se grande, o óleo lubrificante poderá entrar na câmara de combustão, elevando o
consumo de óleo. Ademais, o autor relatou que a folga entre a haste e a guia, na maioria dos
motores, é menor na válvula de admissão que na de escape. Nos motores pequenos de ciclo
96
Otto, a folga para a válvula de admissão é de 0.02 – 0.05mm, e para a válvula de escape, de
0.05 – 0.07mm.
Fatores contribuintes para o desgaste entre a válvula e o guia desta, segundo Bhushan
(1949), podem ser assim descritos:
1. quantidade de óleo lubrificante na interface válvula guia de válvula, pressão no
turbo e ciclo de trabalho;
2. retenção de óleo lubrificante inadequado no guia da válvula;
3. cargas não uniformes e laterais na haste da válvula, geralmente devido a forças de
desalinhamento ou desgaste em outros componentes;
4. temperaturas excessivas no contato tribológico;
5. deslocamentos devido ao suporte mecânico inadequado da guia de válvula;
6. levantamento da válvula, uma vez que a taxa de desgaste deve ser proporcional à
distância de deslizamento;
7. folga entre o guia de válvula e a haste da válvula. Pouca folga pode promover
deformações quando a haste se dilata termicamente; já uma grande folga pode resultar em
desgaste excessivo nas regiões periféricas do guia de válvula;
8. desgaste da haste com a guia, devido ao aumento da pressão no cilindro,
provocando cargas laterais e desalinhamento, erros de fabricação, de usinagem e conicidade
do guia de válvula;
9. deformações térmicas na haste e guia, devido a gradientes de temperatura na
válvula;
10. deformação mecânica da guia de válvula devido a ajuste inadequado;
11. cargas laterais devido à má concentricidade da sede de válvula e guia;
12. desgaste devido ao encaixe irregular da válvula na sede de válvula;
13. haste excessiva e temperatura no guia de válvula, levando à redução da haste e
guia, ao desgaste corrosivo, a depósitos de óleo excessivo, à perda da película de óleo, entre
outros;
14. rotação excessiva da válvula;
15. desgaste abrasivo na haste de válvula de admissão, causado pela oxidação do
sistema de admissão, seja pelo uso da válvula de recirculação de gases, filtragem inadequada
do ar ou instalação incorreta do sistema de admissão;
16. desgaste oxidativo na haste de válvula de escapamento e guia de válvula, devido
ao alto teor de impurezas e compostos de enxofre.
97
A presente tese tem como uma de suas metas estudar a influência do desgaste no par
tribológico guia de válvula – haste da válvula, por meio da folga entre os contatos desses
elementos e a perda diametral da haste das válvulas de admissão e escape.
Para simular a folga entre o guia de válvula e a haste da válvula, foram desenvolvidos
dois corpos-de-prova: um para a válvula de admissão e outro para a válvula de escape, tendo
por base o Manual de Serviços, que especifica o limite de uso de folga da haste, sendo
0.10mm e 0.12mm para as válvulas de admissão e escape, respectivamente. O método usado
para simular o efeito da folga foi estabelecido a partir do desgaste da haste da válvula, por
meio de lixamento.
Já para simulação da perda diametral externa da haste, foram preparados dois corpos-
de-prova: um para a válvula de admissão e outro para a válvula de escape, adotando como
base o Manual de Serviços, que tipifica o limite de uso do diâmetro externo da haste da
válvula como sendo, 5.318mm e 5.275mm para a válvula de admissão e escape,
respectivamente. A introdução da falha ocorreu por meio de lixamento da região da haste das
válvulas.
A Figura 37 ilustra as válvulas de admissão e escape manuseadas como corpos-de-
prova.
Figura 37 - Válvulas de admissão e escape
O Quadro 4 desmonstra os valores quantitativos das dimensões nominais de projeto,

dimensão dos corpos-de prova e limites de uso das válvulas de admissão e escape segundo o
Manual Honda.
98
Quadro 4 - Dimensões dos corpos-de-prova, relacionando as dimensões nominais, dimensões com

desgaste, dimensões de folga e os dados de limite de uso do Manual Honda
Válvulas
Folga da Haste/guia de válvula
Válvula de admissão
Diametro nominal da Diametro da haste com Dimensão da folga
haste desgaste haste/guia com desgaste Limite de uso
5.48mm 5.40 ± 0.01mm 0.08 ± 0.01mm 0.10mm
Válvula de escape
Diametro nominal da Diametro da haste com Dimensão da folga
haste desgaste haste/guia com desgaste Limite de uso
5.44mm 5.39 ± 0.01mm 0.09 ± 0.01mm 0.12mm
Diâmetro Externo
Válvula de admissão
Diametro nominal da Diametro da haste com
haste desgaste Dimensão da folga Limite de uso
5.48mm 5.28 ± 0.01mm - 5.318mm
Válvula de escape
Diametro nominal da Diametro da haste com
haste desgaste Dimensão da folga Limite de uso
5.44mm 5.25 ± 0.01mm - 5.275mm
Para determinação da dimensão desgaste dos corpos-de-prova, empregou-se um

micrometro analógico de resolução 0.01mm, 0 – 25mm, de marca MITUTOYO, mensurando
cinco vezes no mesmo ponto e posteriormente retirando a média e o desvio-padrão.
3.4 Procedimento experimental
Todos os procedimentos utilizados para a coleta dos dados, tanto das condições de não
conformidade quanto de condições originais do motor a combustão interna foram
determinados sob condições particulares, a saber:
• regime dinâmico em carga resistiva de 0 kW, 0.5kW, 1kW e 1.5kW;
• duração de 120 segundos;
• taxa de aquisição de 8 KHz para os instrumentos principais;
• taxa de aquisição de um dado a cada dois segundos, para os instrumentos secundários.
No que concerne às condições iniciais de cada ensaio, para efeitos metodológicos e
para a padronização das coletas de dados e condições de termodinâmicas do motor a
99
combustão interna, desenvolveu-se um protocolo experimental, de forma a garantir padrões de

repetibilidade e reprodutibilidade de coleta. O protocolo experimental pode ser representado
segundo a figura 38, abaixo:
Figura 38 - Protocolo de procedimento de ensaio
A primeira etapa do protocolo consistiu em acionar o motor em regime sem carga, por
um período de três minutos. Em seguida, o motor foi resfiado, com o uso de um ventilador
ilustrado na Figura 39, durante dez minutos.
100
Figura 39 - Sistema de resfriamento do motor a combustão interna
Após essa etapa, a bancada foi novamente acionada durante três minutos, sendo um
minuto dado apenas para atuação em regime (sem coleta do sinal) e dois para a coleta de
dados. Em seguida, mais dez minutos de resfriamento do motor e a repetição dos processos
mencionados para uma nova coleta de dados.
Os ensaios foram envidados com o equipamento em operação normal e em cinco
condições de falhas (folga entre o guia e a haste da válvula de escape e admissão, desgaste da
haste da válvula de escape, e de admissão e desgaste radial do anel de segmento compressão),
variando sua carga em 0kW, 0.5kW, 1kW e 1.5kW, totalizando 24 experimentos, descritos na
Tabela 14, cada um com 1.024.000 milhões amostras de coleta de vibração, 1.024.000
milhões amostras de coleta de nível de pressão sonora, e 60 amostras da temperatura de
escape (°C), temperatura do óleo lubrificante (°C), corrente elétrica (A), potência aparente
(VA), potência útil (W), potência do motor (W), torque (N.m), trabalho/ciclo (J), pressão
média efetiva (N/cm²) e tensão elétrica (V).
101
Tabela 14 - Descrição dos experimentos

Experimento 01 Condição sem falhas e sem carga
Experimento 02 Condição sem falhas e carga de 0.5kW
Experimento 03 Condição sem falhas e carga de 1kW
Experimento 04 Condição sem falhas e carga de 1.5kW
Condição de falha tipo folga entre a válvula de escape - guia de válvula e sem
Experimento 05 carga
Condição de falha tipo folga entre a válvula de escape - guia de válvula e com
Experimento 06 carga de 0.5kW
Condição de falha tipo folga entre a válvula de escape - guia de válvula e carga de
Experimento 07 1kW
Condição de falha tipo folga entre a válvula de escape - guia de válvula e carga de
Experimento 08 1.5kW
Condição de falha tipo folga entre a válvula de admissão - guia de válvula e sem
Condição de falha tipo folga entre a válvula de admissão - guia de válvula e carga
Experimento 10 de 0.5kW
Experimento 11 de 1kW
Experimento 13 Condição de falhas tipo desgaste na haste da válvula de escape e sem carga
Experimento 14 Condição de falhas tipo desgaste na haste da válvula de escape e carga de 0.5 kW
Experimento 15 Condição de falhas tipo desgaste na haste da válvula de escape e carga de 1 kW
Experimento 16 Condição de falhas tipo desgaste na haste da válvula de escape e carga de 1.5 kW
Experimento 17 Condição de falhas tipo desgaste na haste da válvula de admissão e sem carga
Condição de falhas tipo desgaste na haste da válvula de admissão e carga de 0.5
Experimento 18 kW
Experimento 19 Condição de falhas tipo desgaste na haste da válvula de admissão e carga de 1kW
Condição de falhas tipo desgaste na haste da válvula de admissão e carga de 1.5
Experimento 20 kW
Condição de falha tipo desgaste radial do anel de segmento compressão e sem
Condição de falha tipo desgaste radial do anel de segmento compressão e carga
Experimento 23 de 1 kW
Experimento 24 de 1.5 kW
102
Os experimentos com a falhas na válvula de admissão foram invalidados, tendo em

vista a impossibilidade de funcionamento do motor (em nenhuma condição de carga) ao ser
inserida a falha (folga da guia com a haste de válvula e desgaste na haste de válvula). Os
demais exeperimentos foram validados com sucesso.
3.5 Técnicas de análise de dados
As técnicas de análise de dados foram divididas em sete etapas: aquisição de sinal,

domínio frequência, densidade de frequência, rede neural divindade em análise das falhas por
carga e análise global, clusterização, associação e classificação/validação, conforme a Figura
40.
Figura 40 - Fluxograma das técnicas de análise de dados
Na etapa de aquisição do sinal, foram coletados os sinais de vibração, o nível de

pressão sonora e de desempenho do motor, sendo esses: temperatura do óleo lubrificante,
temperatura do escapamento, potência aparente, potência útil do gerador, potência mecânica,
torque, pressão média efetiva na câmara de combustão e tensão elétrica.
103
Os sinais de vibração e nível de pressão sonora foram apurados em uma taxa de

amostragem de oito mil pontos por segundo (8kHz) enquanto os dados de desempenho do
motor, de um ponto a cada dois segundos. O tempo de aquisição total foi de 120 segundos
(1.024.000 amostras por sensor), com início da coleta após sessenta segundos do
funcionamento do motor em regime (com carga ou sem carga).
Seguido à etapa de aquisição dos sinais, estabeleceu-se o domínio frequência, onde as
amostras coletadas (vibração e nível de pressão sonora) foram tratadas sob o domínio
frequência, com a realização da Transformada Rápida de Fourier (FFT) a cada dois segundos
de aquisição, totalizando sessenta espectros de frequência para cada ensaio. Os dados de
desempenho foram auferidos nos 120 segundos, totalizando 60 pontos por ensaio. A Figura 41
ilustra a FFT de um sinal coletado.
Figura 41 - Transformada Rápida de Fourier de um sinal de aceleração dos dados coletados
O eixo x representa dos dados de frequência, e o y, a amplitude de cada frequência. A

figura 42 mostra um exemplo das sessentas assinaturas de espectros de Fourier de um sinal de
vibração coletado, disposta em plotagem cachoeira (waterfall).
104
Figura 42 - Representação em cachoeira (waterfall) dos sessenta espectros de frequência do sinal de vibração
O eixo x representa os valores de frequência; o y, a amplitude de frequência; e o z, o

número de transformadas.
Na etapa de densidade de frequência, cada espectro de vibração e nível de pressão
sonora foram submetidos a janelamentos de frequência baseados nas dez primeiras bandas de
oitavas de frequência do sinal, são elas: 3-6, 6-12, 12-24, 24-48, 48-96, 96-192, 192-384, 384-
768, 768-1536, 1536-3072Hz. Depois de separadas, foram extraídos os valores da energia de
cada janela de frequência, por meio do valor Root Mean Square (RMS). Totalizaram uma
matriz de 60x20 (bandas de oitavas de frequência dos sinais de vibração e nível de pressão
sonora) para cada ensaio.
A fórmula utilizada para o cálculo do valor da energia do sinal discreto RMS foi:
(10)
A Figura 43 denota um exemplo dos valores RMS das dez oitavas de bandas de
frequência dos dados de nível de pressão sonora (1-10) e aceleração (11-20), dispostas em
sessenta barras por falha na condição sem carga.
105
Figura 43 - Gráfico de barras dos valores RMS das bandas de oitavas de frequência de nível de pressão sonora
(1-10) e aceleração (11-20) para as condições de falhas a uma carga de 0 kW
Fonte: Elaborado peo autor (2018).
No eixo das abssiças, estão os valores RMS das dez bandas de oitavas de frequência
de nível de pressão sonora (1-10) e os valores RMS das dez bandas de oitavas de frequência
de aceleração (11-20). Cada grupo de sessenta barras constitui uma condição de falha, e na
figura 43 estão ilustradas as quatro condições de falhas dispostas em quatro barras por bandas
de oitavas.
Visando a facilitar as análises e trazer maiores relevâncias quanto ao uso e à resposta
da ferramenta, a etapa da rede neural foi dividida em outras duas: análise das falhas por
carga e análise global (todas as falhas e todas as cargas). A etapa da rede neural consistiu no
uso de uma rede neural não-supersionada de Kohonen, conhecida como Self-Organizing Map
(SOM), que desenvolve um mapa a partir do grau de similaridade dos neurônios, baseado no
vizinho mais próximo e no neurônio vencedor. O software utilizado para tratamento dos sinais
e aplicação da rede neural foi o MatLab 2016.
Empregaram-se 66.6% dos dados coletados para treinamento da rede neural e 33.3%
para certificação e confiabilidade do mapa de Kohonen. A matriz U foi composta de uma
matriz de 15x15 neurônios hexagonais, utilizando sistema linear para inicialização dos pesos e
método gaussiano para o cálculo de vizinhança.
106
Na subetapa de análise das falhas por carga, desenvolveram-se mapas de Kohonen

para a identificação das regiões de falhas para cada carga aplicada na bancada de ensaio. A
partir daí, foram extraídos para cada ensaio e a matriz U bidimensional e tridimensional das
falhas por carga (0, 0.5, 1, 1.5kW). A Figura 44 evidencia um exemplo de matriz U
bidimensional e tridimensional dos dados de falhas em uma condição de carga.
Figura 44 - Exemplo de Matriz U (a) bidimensional e (b) tridimensional dos dados coletados das falhas em uma
condição de carga
(a) (b)
As figuras (a) e (b) mostram a distribuição de neurônios de matriz 15x15, onde quanto
maior os tons de azul, mais similaridade os neurônios possuem. Diferentemente, quanto mais
a cor do neurônio tende ao vermelho, mais o seu comportamento diverge dos demais.
A matriz U tridimensional traz consigo uma melhor form de entendimento quanto às
fronteiras de subconjuntos originados pelos neurônios, por sua ssemelhança com um mapa
topográgico, sendo possível identificar as zonas de grupos, bem como a relação de
semelhança por meio da topografia de fronteira, indicando que quanto maior a topografia de
fronteira, mais as cores do neurônio se aproximam do vermelho e, em consequência, maior o
grau de dissimilaridade entre os grupos vizinhos.
Cada ensaio obteve matriz de banda de frequência de 240x20, gerando uma matriz
treinamento de 160x20, em que cada grupo de quarenta linhas corresponde a uma condição
específica.
Na subetapa de análise global, geraou-se um mapa de Kohonen que relacionava todas
as falhas em todas as cargas, para as matrizes de oitavas de vibração e nível de pressão
sonora, mediante matriz treinamento geral de 640x20 dados.
107
A etapa de clusterização consistiu na mineração dos dados dos neurônios da matriz U

para cada condição de carga e condição geral utilizando o método de Ward’s, com o objetivo
de criar subconjuntos de neurônios baseados na decodificação de padrões por tipos de falhas.
A etapa de associação foi marcada pela nomeação dos agrupamentos encontrado pela
clusterização, com as condições de falhas inseridas no ensaio. Essa fase tratou de um
procedimento supervisionado, gerado a partir de uma matriz confusão entre os dados reais de
treinamento das condições de falhas, rotulados em 160 pontos dividos pelos números de
condições de falhas, com os dados preditivos originados a partir da normalização dos dados
da rede neural.
Com os dados da matriz confusão, gerou-se uma tabela de relação entre os
subconjuntos dos neurônios e as condições de falha do motor. Posteriormente, foi plotada a
Matriz U, identificando os subconjuntos de neurônios por cores, sendo cada condição de falha
associada a diferentes regiões no mapa, denominado clusters de neurônios.
Na etapa de classificação/validação, os dados de validação corresponderam a 33.3%
dos dados coletados, sendo uma matriz de validação 80x20 para cada validação das falhas por
carga e uma 320x20 para validação global. Foram classificados e validados a partir do teste
baseado em matriz confusão, gerando uma matriz de validação onde as linhas representam a
condição de falha e as colunas, os clusters de neurônios.
A matriz confusão consistiu em relacionar os dados reais de teste de condições de
falhas, rotulados em 160 pontos dividos em quatro grupos, com os dados preditivos
originados a partir da normalização dos dados da rede neural Kohonen.
108
4 RESULTADOS E DISCUSSÕES
4.1 Condições de falhas do motor a combustão interna sem carga
No que concerne à etapa de resultados das condições de falhas no motor a combustão

interna na formatação sem carga, foram analisadas as quatro condições de falhas, a saber:
condição sem falha; condição folga entre a guia e haste da válvula de escape; desgaste na
haste da válvula de escape; e desgaste radial do anel de segmento de compressão.
Os dados de condições de falhas não submetidos a carga (0 kW) foram perscrutados a
partir das etapas de domínio frequência, etapa de densidade de frequência, etapa de rede
neural: análise das falhas por carga, etapa de clusterização, etapa de associação e etapa de
classificação/validação.
Seus resultados foram extraídos a partir da análise da matriz U bidimensional, matriz
U tridimensional, etapa de associação com uso da matriz pelo método de clusterização
Ward’s e da matriz U de associação, associada ao tipo de condição por meio de legenda e
cores, e à matriz de validação.
A figura 45 revela a matriz U bidimensional da rede SOM, onde é possível visualisar
quatro subconjuntos bem delimitados, em consonância com a quantidade de condições de
falhas padronizadas nessa etapa dos resultados.
Figura 45 - Matriz U bidimensional da rede SOM, das quatro condições de falhas para a condição sem carga (0
kW)
109
A matriz U tridimensional, figura 46, exprime um entendimento mais acurado quanto

à disposição dos neurônios, pois a partir da visualização em terceira dimensão (3D), é
possivel compreender as relações de similaridades entre os quatro subconjuntos encontrados
na matriz U bidimensional.
Figura 46 - Matriz U tridimensional da rede SOM, das quatro condições de falhas para a condição sem carga (0
kW)
A etapa de associação entre as condições de falhas relaciona as condições de falhas

com os subconjuntos da matriz de neurônio (matriz U) a partir da matriz de associação
realizada pelo método de clusterização Ward’s, utilizando a matriz de treinamento, conforme
verificado no quadro 5.
Quadro 5 - Matriz de associação dos subconjuntos de neurônios da Matriz U com as condições de falhas,
utilizando a clusterização pelo método Ward’s na condição sem carga
Cluster/Reais Cluster 01 Cluster 02 Cluster 03 Cluster 04
Sem falha* 0 0 40 0
Desgaste válvula** 0 40 0 0
Folga guia-válvula*** 0 0 0 40
Desgaste segmento**** 40 0 0 0
Nota: *Sem falha – condição sem falha
110
**Desgaste válvula – condição de desgaste na haste da válvula de escape.

***Folga guia-válvula – condição de folga entre a guia de válvula e a haste da válvula de escape.
****Desgaste segmento – condição de desgaste radial no anel de segmento de compressão.
Os números reveladores na matriz correspondem a 66.6% dos dados utilizados na
matriz de treinamento, cuja matriz possui dimensão de 160x20, sendo uma matriz 40x20 por
condição de falha.
A partir da matriz U de associação foi possível identificar as condições de falhas por
subconjuntos na matriz U, como observado na Figura 47.
Figura 47 - Matriz U de associação da rede SOM, das quatro condições de falhas para a condição sem carga (0
kW)
Conforme o quadro 5 e Figura 47, pode-se associar os subconjuntos da matriz U às

condições de falhas. O subconjunto em vermelho (cluster 4) representa a condição de folga
entra a guia de válvula e haste de válvula de escape; o subconjunto em azul escuro (cluster 1)
ilustra a condição de desgaste radial de anel de segmento de compressão; o subconjunto em
amarelo (cluster 3) indica a região de condição sem falha; e o subconjunto em azul claro
(cluster 2) denota a condição de falha de desgaste da haste de válvula de escape.
Como etapa final, o quadro 6 destaca a matriz de validação da rede, com uso de 33.3%
dos dados totais, dispostos em uma matriz 80x20.
111
Quadro 6 - Matriz validação da rede neural, na condição sem carga (0 kW)

Cluster 01: Cluster 02:
Cluster 03: Sem Cluster 04: Folga
Preditivos/Reais Desgaste Desgaste
falha guia-valvula
segmento válvula
Sem falha* 0 0 20 0
A partir do quadro 6 de validação da rede neural para a condição sem carga, pode-se
afirmar que a rede neural utilizada para identificação das condições de falhas teve uma
eficiência de 100% nos quatro cenários de condição de falhas para a condição de carga a 0
kW.
É oportuno sobrelevar, dada a análise da matriz U de associação e a matriz U
tridimensional que, devido à disposição dos neurônios de fronteira, em nível de criticidade
para essa condição de carga, quando comparada pelos neurônios de fronteira do subconjunto
sem falha, a falha mais crítica vislumbrada aponta a a falha de folga da guia de válvula com a
haste de válvula de escape, ao tempo que a menos crítica aponta a condição de desgaste radial
do anel de segmento de compressão.
4.2 Condições de falhas do motor a combustão interna com a carga de 0.5kW
No que concerne à etapa de resultados das condições de falhas no motor a combustão

interna na formatação de imposição de carga a 0.5kW, foram analisadas as quatro condições
de falhas, a saber: condição sem falha; condição folga entre a guia e haste da válvula de
escape; desgaste na haste da válvula de escape; e desgaste radial do anel de segmento de
compressão.
Os dados de condições de falhas submetidos à carga de 0.5kW foram examinados a
partir das etapas de domínio frequência, etapa de densidade de frequência, etapa de rede
neural: análise das falhas por carga, etapa de clusterização, etapa de associação e etapa de
classificação/validação.
112
Ward’s e da matriz U de associação, associada ao tipo de condição por meio de legenda e

A figura 48 mostra a matriz U bidimensional da rede SOM, onde é possível visualisar
Figura 48 - Matriz U bidimensional da rede SOM, das quatro condições de falhas para a condição de carga de
0.5 kW
A matriz U tridimensional, conforme a figura 49, demonstra a matriz U em 3D para

condição de 0.5kW de carga, sobressaindo de forma mais clara a condição de fronteira entre
os subconjuntos.
113
Figura 49 - Matriz U tridimensional da rede SOM, das quatro condições de falhas para a condição de carga de
0.5kW
A etapa de associação entre as condições de falhas relaciona as condições de falhas

realizada pelo método de clusterização Ward’s, utilizando a matriz de treinamento, como
demonstra o quadro 7.
utilizando a clusterização pelo método Ward’s na condição de 0.5kW de carga
Cluster/Condição Cluster 01 Cluster 02 Cluster 03 Cluster 04

Sem falha* 0 40 0 0
114
Os números apresentados na matriz correspondem a 66.6% dos dados utilizados na

matriz de treinamento, com dimensão de 160x20, sendo uma matriz 40x20 por condição de
falha.
A partir da matriz U de associação identificaram-se as condições de falhas por
subconjuntos na matriz U, coomo demonstrado na Figura 50.
Figura 50 - Matriz U de associação da rede SOM, das quatro condições de falhas para a condição de carga de
0.5kW
Conforme o quadro 7 e Figura 50, podem-se associar os subconjuntos da matriz U às

condições de falhas. O subconjunto em vermelho (Cluster 4) representa a condição de folga
entre a guia de válvula de a haste de válvula de escape; o subconjunto em azul escuro (cluster
1) denota a condição de desgaste da haste da válvula de escape; o subconjunto em amarelo
(cluster 3) indica a região de condição de falha de desgaste radial do anel de segmento de
compressão; e o subconjunto em azul claro (cluster 2) revela a condição sem falha.
Como etapa final, o quadro 8 indica a matriz de validação da rede, com uso de 33.3%
de dados totais, dispostos em uma matriz 80x20.
115
Quadro 8 - Matriz de validação da rede neural para condição de carga a 0.5kW

Cluster 02: Sem Cluster 04: Folga
Cluster/Condição Desgaste Desgaste
falha guia-válvula
válvula segmento
Sem falha* 0 20 0 0
A partir do quadro 8 de validação da rede neural para a condição de carga a 0.5kW,

pode-se ratificar que a rede neural utilizada para identificação das condições de falhas teve
eficiência de 100% nos quatro cenários de condição de falhas para a condição de carga
examinada.
É oportuno validar, segundo a análise da matriz U de associação e a matriz U
sem falha, a falha mais crítica aponta a condição de folga da guia de válvula com a haste da
válvula de escape, e a menos crítica indica o desgaste da haste da válvula de escape.
4.3 Condições de falhas do motor a combustão interna com a carga de 1kW
Quanto à etapa de resultados das condições de falhas no motor a combustão interna na

formatação de imposição de carga a 1kW, examinaram-se as quatro condições de falhas, a
saber: condição sem falha; condição folga entre a guia e haste da válvula de escape; desgaste
na haste da válvula de escape; e desgaste radial do anel de segmento de compressão.
Os dados de condições de falhas submetidos à carga de 1kW foram analisados a partir
das etapas de domínio frequência, densidade de frequência, rede neural: análise das falhas
por carga, clusterização, associação e classificação/validação.
Ward’s, da matriz U de associação, associada ao tipo de condição por meio de legenda e
116
A figura 51 ilustra a matriz U bidimensional da rede SOM, onde é possível visualisar

Figura 51 - Matriz U bidimensional da rede SOM das quatro condições de falhas para a condição de carga 1kW
A matriz U tridimensional, figura 52, mostra a matriz U em 3D para condição de 1 kW

de carga, aclarando a condição de fronteira entre os subconjuntos.
117
Figura 52 - Matriz U tridimensional da rede SOM das quatro condições de falhas para a condição de carga de
1kW

A etapa de associação entre as condições de falhas, conecta as condições de falhas
realizada pelo método de clusterização Ward’s, empregando a matriz de treinamento, como
mostra o quadro 9.
utilizando a clusterização pelo método Ward’s na condição de 1kW de carga

Sem falha* 40 0 0 0
Fonte: Elabordo pelo autor (2018).
Os números indicados na matriz correspondem a 66.6% dos dados utilizados na matriz

de treinamento, cuja matriz possui dimensão de 160x20, sendo uma matriz 40x20 por
condição de falha.
118
A partir da matriz U de associação identificaram-se as condições de falhas por

subconjuntos na matriz U, como disposto na Figura 53.
Figura 53 - Matriz U de associação da rede SOM das quatro condições de falhas para a condição de carga de
1kW
Conforme o quadro 9 e Figura 53, pode-se atrelar os subconjuntos da matriz U às

condições de falhas. O subconjunto em vermelho (cluster 4) representa a condição desgaste
radial do anel de segmento de compressão; o subconjunto em azul escuro (cluster 1) denota a
condição sem falha; o subconjunto em amarelo (cluster 3) indica a região de condição de
folga entre a guia de válvula e a haste da válvula de escape; e o subconjunto em azul claro
(cluster 2) revela o desgaste da haste da válvula de escape.
Como etapa final, o quadro 10 designa a matriz de validação da rede, com uso de
33.3% dos dados totais, dispostos em uma matriz 80x20.
Quadro 10 - Matriz de validação da rede neural para condição de carga à 1 kW

Cluster 02: Cluster 03: Cluster 04:
Cluster 01:
Cluster/Condição Desgaste Folga guia- Desgaste
Sem falha
válvula valvula segmento
Sem falha* 20 0 0 0
119

A partir do quadro 10 de validação da rede neural para a condição de carga a 1kW,

pode-se validar que a rede neural utilizada para identificação das condições de falhas teve
eficiência de 100% nos quatro cenários de condição de falhas para a condição de carga em
tela.
É apropriado destacar, segundo a análise da matriz U de associação e a matriz U
sem falha, a falha mais crítica aponta a de desgaste radial do anel de segmento de compressão,
enquanto e a menos crítica, falha de desgaste da haste de válvula de escape.
4.4 Condições de falhas do motor a combustão interna com a carga de 1.5kW
No que se trata da etapa de resultados das condições de falhas no motor a combustão

interna na formatação de imposição de carga a 1.5kW, perscrutaram-se quatro condições de
falhas, a saber: condição sem falha; condição folga entre a guia e haste da válvula de escape;
desgaste na haste da válvula de escape; e desgaste radial do anel de segmento de compressão.
Os dados de condições de falhas submetidos à carga de 1.5kW foram analisados a
partir das etapas de domínio frequência, densidade de frequência, rede neural: análise das
falhas por carga, clusterização, associação e classificação/validação.
Seus resultados auferidos a partir da análise da matriz U bidimensional, matriz U
tridimensional, etapa de associação com uso da matriz pelo método de clusterização Ward’s,
da matriz U de associação, ligada ao tipo de condição por meio de legenda e cores, e à matriz
de validação.
A Figura 54 coprova a matriz U bidimensional da rede SOM, onde se pode visualisar
120
1.5kW
Fonte: elaborado pelo autor (2018).
A matriz U tridimensional, figura 55, exibe a matriz U em 3D para a condição de

1.5kW de carga, expressando de forma mais clara a condição de fronteira entre os
subconjuntos.
121
1.5kW
A etapa de associação entre as condições de falhas correlaciona as condições de falhas

realizada pelo método de clusterização Ward’s, adotando a matriz de treinamento, como
ostenta o quadro 11.
utilizando a clusterização pelo método Ward’s. condição de 1.5 kW de carga

Sem falha* 0 0 40 0
Folga guia-vávula*** 40 0 0 0
122
Os números apresentados na matriz correspondem a 66.6% de dados utilizados na

falha.
A partir da matriz U de associação foi possível identificar as condições de falhas por
subconjuntos na matriz U, como demonstrado na Figura 56.
Figura 56 - Matriz U de associação da rede SOM, das quatro condições de falhas para a condição de carga de
1.5kW
Conforme o quadro 11 e Figura 56, é possivel associar os subconjuntos da matriz U às

condições de falhas. O subconjunto em vermelho (cluster 4) representa a condição desgaste
radial do anel de segmento de compressão; o subconjunto em azul escuro (cluster 1) indica a
condição de folga entre a guia de válvula e a haste da válvula de escape; o subconjunto em
amarelo (cluster 3) mostra a região de condição sem falha; e o subconjunto em azul claro
(cluster 2) ilustra de desgaste da haste da válvula de escape.
Como etapa final, o quadro 12 exibe a matriz de validação da rede, com uso dos
33.3% dos dados totais, dispostos em uma matriz 80x20.
123

Cluster 02: Cluster 03: Sem
Cluster/Condição Folga guia- Desgaste
Desgaste válvula falha
valvula segmento
Sem falha* 0 0 20 0
***Folga guia-vaálvula – condição de folga entre a guia de válvula e a haste da válvula de escape.
A partir do quadro 12 de validação da rede neural para a condição de carga a 1.5kW,

pode-se asseverar que a rede neural utilizada para a identificação das condições de falhas, teve
eficiência de 100% nos quatro cenários de condição de falhas para a condição de carga a 1.5
kW.
Cabe ressair, segundo a análise da matriz U de associação e a matriz U tridimensional
que, devido à disposição dos neurônios de fronteira, em nível de criticidade para essa
condição de carga, quando comparada pelos neurônios de fronteira do subconjunto sem falha,
a falha mais crítica aponta falha de desgaste radial do anel de segmento de compressão, já a
menos crítica, a condição de folga da guia de válvula com a haste de válvula de escape.
4.5 Resumo geral dos resultados das análises por carga
Esse tópico foi construido com o intuito de apresentar um apanhado geral de todos os
cenários de mapa neural obtidos com a análise por condição de carga de ensaio.
A Figura 57 manifesta, de forma resumida, as matrizes U de associação por cada
condição de carga analisada nesse trabalho.
124
Figura 57 - Resumo geral dos resultados das matrizes U de associação por carga (a) condição sem carga, (b)
condição com carga de 0.5kW, (c) condição com carga de 1kW e (d) condição com carga de 1.5kW
Nota: SF – condição sem falha

DV – condição de desgaste na haste da válvula de escape.
FV – condição de folga entre a guia de válvula e a haste da válvula de escape.
DA – condição de desgaste radial no anel de segmento de compressão.
Quanto aos níveis de criticidade para cada condição de carga: na condição sem carga e
com 0.5 kW de carga, o maior nível de criticidade relacionava-se com a folga entre o guia de
válvula de a haste da válvula de escape. Não obstante, nas condições de carga de 1kW e
1.5kW, o nível de criticidade dizia respeito ao desgaste radial do anel de segmento de
compressão.
4.6 Operação do motor a combustão interna na condição global de falha e de carga
Quanto à etapa de resultados das condições de falhas no motor a combustão interna na

formatação de imposição global de carga, foram verificadas quatro condições de falhas, a
saber: condição sem falha; condição folga entre a guia e haste da válvula de escape; desgaste
na haste da válvula de escape; e desgaste radial do anel de segmento de compressão, nas
quatro condições de carga: sem carga (0 kW), 0.5kW, 1kW e 1.5kW.
Os dados de condições de falhas submetidos à condição global de carga foram
analisados a partir das etapas de domínio frequência, densidade de frequência, rede neural:
análise das falhas por carga, clusterização, associação e classificação/validação.
125
Seus resultados foram deduzidos a partir da análise da matriz U bidimensional, matriz

Ward’s, da matriz U de associação, que relaciona o tipo de condição por intermédio de
legenda e cores da matriz U e à matriz de validação.
A figura 58 ostenta a matriz U bidimensional da rede SOM, onde é possível visualisar
dezesseis subconjuntos bem delimitados, em consonância com a quantidade de condições de
falhas e condições de carga padronizadas nessa etapa dos resultados.
Figura 58 - Matriz U bidimensional da rede SOM na condição de análise global
A matriz U tridimensional, figura 59, indica a matriz U em 3D para a condição global

de carga, patenteando de forma mais clara a condição de fronteira entre os subconjuntos.
126
Figura 59 - Matriz U tridimensional da rede SOM na condição de análise global

A etapa de associação entre as condições de falhas relaciona as condições de falhas e
de cargas com os subconjuntos da matriz de neurônio (matriz U), a partir da matriz de
associação realizada pelo método de clusterização Ward’s, utilizando a matriz de treinamento,
como desenhado no quadro 13.
utilizando a clusterização pelo método Ward’s na condição de análise global
Cx/Co C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16

SF00 0 0 0 0 0 0 0 0 0 0 0 0 0 40 0 0
SF05 0 0 0 0 40 0 0 0 0 0 0 0 0 0 0 0
SF10 0 0 0 0 0 0 40 0 0 0 0 0 0 0 0 0
SF15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 40 0
DV00 0 0 0 0 0 0 0 40 0 0 0 0 0 0 0 0
DV05 0 0 0 0 0 0 0 40 0 0 0 0 0 0 0 0
DV10 0 0 0 0 0 0 0 0 0 0 40 0 0 0 0 0
DV15 0 0 0 0 0 0 0 0 0 40 0 0 0 0 0 0
FV00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 40
FV05 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 40
FV10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 40
FV15 0 0 0 0 0 0 0 0 40 0 0 0 0 0 0 0
DA00 0 40 0 0 0 0 0 0 0 0 0 0 0 0 0 0
DA05 40 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
127
DA10 0 0 0 40 0 0 0 0 0 0 0 0 0 0 0 0
DA15 0 0 0 0 0 0 0 0 0 0 0 0 40 0 0 0
Nota: Cx – Cluster
Co – Condição
SF00 – Sem falha e sem carga
SF05 – Sem falha e com carga de 0.5kW
SF10 – Sem falha e com carga de 1kW
DE00 – Desgaste na haste da válvula de escape e sem carga
DE05 – Desgaste na haste da válvula de escape e com carga de 0.5kW
DE10 – Desgaste na haste da válvula de escape e com carga de 1kW
FE00 – Folga entre a guia e haste da válvula de escape e sem carga
FE05 – Folga entre a guia e haste da válvula de escape e com carga de 0.5kW
FE10 – Folga entre a guia e haste da válvula de escape e com carga de 1kW
FE15 – Folga entre a guia e haste da válvula de escape carga de 1.5kW
DA00 – Desgaste radial do anel de segmento compressão e sem carga
DA05 – Desgaste radial do anel de segmento compressão e com carga de 0.5kW
DA10 – Desgaste radial do anel de segmento compressão e com carga de 1kW
Os números apresentados na matriz correspondem a 66.6% de dados utilizados na

falha.
A partir da matriz U de associação foi possível identificar as condições de falhas e
condições de carga por subconjuntos na matriz U, como demonstrado na figura 60.
Figura 60 - Matriz U de associação da rede SOM da análise global
Nota: SF00 – Sem falha e sem carga

128

A partir da matriz U de associação, pode-se inferir que condições de carga e falhas tão
similares entre si constituíram um mesmo cluster. É o caso da condição de folga na guia de
válvula e haste de válvula de escape nas condições de carga a 0kW, 0.5kW e 1kW, assim
como na condição desgaste da haste sob carga 0kW e 0.5kW. Com isso, denota-se que a
dinâmica do comportamento da falha é a mesma para esse cluster, independentemente da
carga inserida no motor a combustão interna, desde que as cargas sejam as mencionadas para
os dados cluters.
As condições de falhas submetidas à carga de 1.5kW foram todas dispostas na região
inferior do mapa, contituindo um supercluster, ressaltando que a máquina térmica submetida
a essas condições possui um comportamento totalmente atípico quando relacionado com as
demais cargas. De maneira ainda mais insólita que os demais, o desgaste do anel de segmento
de compressão na condição de carga de 1.5kW pode ser entendido como o pior cenário de
criticidade, tendo em vista o maior distanciamento dos neurônios de fronteira, previsto na
matriz U tridimensional.
Como etapa final, o quadro 14 indica a matriz de validação da rede, com uso de 33.3%
dos dados totais, dispostos em uma matriz 320x20.
129
Cx/Co C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16

SF00 0 0 0 0 0 0 0 0 0 0 0 0 0 20 0 0
SF05 0 0 0 0 20 0 0 0 0 0 0 0 0 0 0 0
SF10 0 0 0 0 0 0 20 0 0 0 0 0 0 0 0 0
SF15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20 0
DV00 0 0 0 0 0 0 0 20 0 0 0 0 0 0 0 0
DV05 0 0 0 0 0 0 0 20 0 0 0 0 0 0 0 0
DV10 0 0 0 0 0 0 0 0 0 0 20 0 0 0 0 0
DV15 0 0 0 0 0 0 0 0 0 20 0 0 0 0 0 0
FV00 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20
FV05 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20
FV10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20
FV15 0 0 0 0 0 0 0 0 20 0 0 0 0 0 0 0
DA00 0 20 0 0 0 0 0 0 0 0 0 0 0 0 0 0
DA05 20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
DA10 0 0 0 20 0 0 0 0 0 0 0 0 0 0 0 0
DA15 0 0 0 0 0 0 0 0 0 0 0 0 20 0 0 0
Nota: Cx – Cluster
Co – Condição
SF00 – Sem falha e sem carga
A partir do quadro 14 de validação da rede neural para análise global, pode-se

confirmar que a rede neural utilizada para a identificação das condições de falhas teve
eficiência de 100%.
4.7 Considerações finais
Em todas as etapas de análise dos resultados, o mapa neural de falhas por condição se
mostrou altamente eficaz na categorização de falha e falha por carga, configurando um
método eficiente na previsão e no diagnóstico inteligente de falha em tempo real.
130
Ao se tratar dos níveis de criticidade para cada condição de carga, pode-se relatar que
quanto maior a carga imposta ao motor a combustão interna, mais o nível de criticidade de
falha está associado a condições tribológicas referentes ao par anel de segmento – cilindro.
Quanto ao nível de criticidade referente ao cenário global de carga e falha, a condição
de falha e carga em que mais se percebeu significativa mudança, do ponto de vista de
criticidade, quando relacionada com as cargas na condição sem falha, foi o desgaste radial do
anel de segmento tipo compressão submetido à carga de 1.5kW. Esse fato torna essa condição
de falha a mais danosa, quando relacionada às demais.
131
5 CONCLUSÃO
O presente estudo propõe uma nova abordagem para detecção e classificação de falhas
tribológicas em motores térmicos a partir do uso combinado de técnicas de aprendizagem de
máquinas, Big Data e ferramentas de análises multivariadas baseadas em análise de
agrupamento (clusters) e redes neurais artificiais não supervisionadas.
Para atingir os objetivos propostos, uma bancada dinamométrica de motores térmicos
foi estrategicamente instrumentada com sistema de aquisição de dados do tipo plug-in para
simulação e análise de falhas tribológicas em componentes do conjunto pistão-biela-cilindro e
de mecanismos de distribuição do motor.
Os sensores dinâmicos de vibração e do nível de pressão sonora instalados
estrategicamente no motor de teste foram capazes de captar sinais que, após o processamento
utilizando técnicas de mineração de dados e RNA, possibilitaram a impressão digital de cada
tipo de falha tribológica.
Uma rede autogerenciável para detecção de falhas em motores a combustão foi
desenvolvida e validada através da bancada dinamométrica em diferentes cargas do motor
(marcha lenta e cargas parciais de 0.5kW, 1kW e 1.5kW) e nas condições de operação normal
ou com falhas tribológicas, que foram introduzidas propositadamente em componentes vitais
do motor.
A rede neural artificial que foi desenvolvida nesta pesquisa funcionou de forma
bastante satisfatória uma vez que possibilitou detectar e classificar falhas tribológicas
inseridas em diferentes componentes do motor de combustão interna: (1) desgaste radial do
anel de segmento, (2) folga entre a guia de válvula e haste da válvula de escape e (3) desgaste
da haste da válvula de escape.
O diagnóstico de falhas tribológicas do motor de teste somente foi possível mediante a
sinérgia das diferentes técnicas de processamento de sinais (transformada rápida de Fourier,
janelamento por banda de frequência e valor da energia do sinal em RMS), técnicas de
Learning Machine do tipo não supervisionadas (RNAa do tipo SOM), Big Data, Data Mining
e Data Analysis (clusterização pelo método de Ward’s e modelos de predição baseados na
Confusion Matrix) que resultaram na função densidade de frequência dos sinais de aceleração
e nível de pressão sonora.
132
Finalmente, pode-se inferir a hipótese que é plenamente exequível a realização de

diagnóstico e monitoramento de falhas tribológicas em motores térmicos por meio da
utilização combinado das ferramentas de aprendizagem de máquina e Big Data, reunindo
técnicas de clusterização, inteligência artificial e processamento de sinais.
Complementando os resultados do estudo apresentado, sugerimos as seguintes

possibilidades de pesquisa:
1. Estudo da rede neural utilizando os sinais tribológicos e termodinâmicos para
diagnóstico e predição de falhas.
2. Diagnóstico de falha do motor em regime por meio da rede neural determinada
na presente tese.
3. Análise dos dados e desenvolvimento do mapa de Kohonen para os dados de
desempenho coletados.
4. Implementação de vela instrumentada na bancada dinamométrica
possibilitando correcionar em tempo real, o diagrama indicado com o grau de
degradação do motor térmico;
5. Desenvolver interface IHM para PC de modo a permitir em tempo real o
monitoramento gráfico dos parâmetros de desempenho do motor de teste;
133
REFERÊNCIAS
AAMODT, S.; WANG, S. Bem-vindo ao seu cérebro. São Paulo: Cultrix, 2009.
ABBOTT, E. J.;FIRESTONE, F. A. Specifying surface quality. Mechanical Engineering,

1933. p. 55 e 569.
ADAILEH, W. M. Engine fault diagnosis using acoustic signals. Applied mechanics and
materials, [s.l.], v. 295-298, p. 2013-2020, fev. 2013. Trans Tech Publications. Disponível
em: <http://dx.doi.org/10.4028/www.scientific.net/amm.295-298.2013>. Acesso em maio 20,
2018.
ADAMS, O. Motores diesel. Barcelona, Espanha: Editorial Gustavo Gili, 1959. 605p.
ADOLFATO, R. P.; CAMACHO, J. S.; BRITO, G. A. Extensometria básica. Ilha Solterira:

Universidade Estadual Paulista Julio de Mesquita Filho, 2004. 45 p. Apostila.
AGGARWAL, C. HAN, J., WANG, J. & YU, P. A framework for clustering evolving data
streams. Proceedings of the 29th International Conference on Very Large Data Bases. p.
81-92, 2003.
AGRAWAL, R. et al. Automatic subspace clustering of high dimensional data for data
mining applications. IBM Almaden Research Center, 1998.
AGUIAR, H.; OLIVEIRA, J. Inteligência computacional aplicada à administração,

economia e engenharia em matlab. São Paulo: Thomson Learning Edições Ltda, 2007.
ALENCAR, B. J. A Análise multivariada no tratamento da informação espacial: uma

abordagem matemático-computacional em análise de agrupamentos e análise de componentes
principais. 2009. 201 f. Tese (Doutorado) – Curso de Geografia, Universidade Católica de
Minas Gerais, Belo Horizonte, 2009.
ALEXANDRE, R. P. Redes neurais – aplicação no monitoramento da vida de ferramenta

de corte. Dissertação (Mestrado) – UNESP – Universidade Estadual Paulista Julio de
Mesquita Filho – Campus de Ilha Solteira, Ilha Solteira, 2005.
134
ANDERSSON, P.; TAMMINEN, J.; SANDSTÖM, C. E. Piston ring tribology: a literature

survey. Espoo 2002. VTT Tiedotteita – Research Noter 2178. Finlândia: Helsinki University
of Technology, 2002.
ANGELICO, J. C. Desempenho das redes neurais artificiais na estimativa das variáveis

físicas e químicas do solo. 2005. 172 f. Tese (Doutorado) – Curso de Ciências Agronômicas,
UNESP, Botucatu, 2005.
ANKERST, M.; BREUNIG, M.; M., KRIEGEL, H. P. Optics: ordering points to identify the
clustering structure. In: Proceedings of the ACM Sigmod Conference on Management of
Data, Philadelphia, USA, p. 49-60, 1999.
ARAUJO, J. P. D. A aplicação de planejamento estatístico multivariado no
desenvolvimento de componentes do motor Diesel. 2011. 85 f. Dissertação (Mestrado) –
Curso de Engenharia Mecânica, Universidade Estadual de Campinas, Campinas, 2011.
ARCHARD, J. F. “Contact and Rubbing of Flat Surfaces” Journal of Applied Physics, v. 24,
p. 981-986, 1953.
ARTHUR, D.; VASSILVITSKII, S. K-means++: The advantages of careful seeding.

Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms. p.
1027-1035, 2007.
ASHTON, K. That ‘internet of things’ thing. RFiD Journal, v. 22, n. 7, p. 97-114, 2009. In:
<http://www.rfidjournal.com/articles/view?4986>. Acesso em outubro 16, 2016.
ASTM, Standard terminology related to erosion and wear; Annual Book of Standards, v.
302, Philadelphia, PA, 1993.
ATAÍDE, R. W. R. Projeto e implementação de um nodo sensor para aquisição de sinais

de extensômetros em redes de sensores sem fio aplicado ao monitoramento de
deformações em estruturas. 2012. 86 f. Dissertação (Mestrado) – Curso de Engenharia
Elétrica, Universidade Federal do Pará, Belém, 2012.
AZEVEDO, M. T. Transformação digital na indústria: indústria 4.0 e a rede de água

inteligente no Brasil. 2017. 177 f. Tese (Doutorado) – Curso de Ciências, Universidade de
São Paulo, São Paulo, 2017.
BABU, V.S & P. VISWANATH, P. An efficient and fast parzen-window density based
clustering method for large data sets. First International Conference on Emerging Trends
in Engineering and Technology, p. 531- 536, 2008.
BACKER, E. Cluster analysis by optimal decomposition of induced fuzzysets. Delft

University Press, 1978.
BAILEY, K. D. Cluster analysis. Sociological methodology, v. 6, p. 59-128, 1975.
BALBINOT, A.; BRUSAMARELO, V. J. Instrumentação e fundamentos de medidas. 2.

ed. Rio de Janeiro: LTC. 2013a. 385 p. v. 1.
135
_______. Instrumentação e fundamentos de medidas. 2. ed. Rio de Janeiro: LTC. 2013b.

492 p. v. 2.
BALL, G.; HALL, D. ISODATA, a novel method of data analysis and pattern
classification. Tech. rept. NTIS AD 699616. Stanford Research Institute, Stanford, CA, 1965.
BANERJEE, A. et al.Clustering with Bregman divergences. Journal of Machine Learning

Research, p. 234–245, 2004.
BANERJEE, A.; BASU, S.; MERUGU, S. Multi-way clustering on relation graphs. In:
Proceedings of the 7th SIAM International Conference on Data Mining, 2007.
BARALDI, A. & ALPAYDIN, E. Constructive feed forward ART clustering networks.
IEEE transactions on Neural networks, Vol. 13, No3, May 2002.
BARRETO, J. M. Introdução às Redes Neurais Artificiais, UFSC – Departamento de

Informática e de Estadística, 2002.
BATISTA, A. A. S. Análise da qualidade de vida no trabalho utilizando um modelo de

regressão logística. 2010. 91 f. Dissertação (Mestrado) – Curso de Engenharia de Produção,
Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2010.
BASSAB, W. O.; MIAZAKI, É. S.; ANDRADE, D. F. Introdução à análise de

agrupamentos. In: 9º Simpósio Nacional de Probabilidade e Estatística. São Paulo:
Associação Brasileira de Estatística – ABE, jul. 1990.
BAYER, R. G. “Comments on Engineering Needs and Wear Models”. In: Tribological

Modeling for Mechanical Designers, ASTM STP 1105 ASTM, Philadelphia, 1991.
BEKKERMAN, R.; EL-YANIV, R.; MCCALLUM, A. Multi-way distributional clustering

via pairwise interactions. Proceedings of the 22nd International Conference on Machine
learning (ICML), New York, NY, USA: ACM, 2005. p. 41- 48
BELKIN, M.; P. NIYOGI. Laplacian eigenmaps and spectral techniques for embedding and
clustering. Adv. Neural Inform. Process. Syst., v. 14, p. 485- 491, 2002.
BENTALL, R.H.; JOHNSON, K. L. Slip in the rolling contact of two dissimilar elastic
rollers. International Journal of Mechanical Sciences, v. 9, p. 389-404, 1967.
BERKHIN, P. A survey of clustering data mining techniques, San Jose, USA, Grouping
Multidimensional Data. v. 12, p. 25-71, 2006.
BETTAZZI, G. C. Análise da força longitudinal devida à frenagem considerada pela

NBR7187 (2003) através de estudo de caso. 165 f. il. 2013. Dissertação – Escola
Politécnica, Universidade Federal da Bahia, Salvador, 2013.
BEZDEK, J. C. Pattern recognition with fuzzy objective function Algoritms, New York:
Plenum Press, 1981.
BHUSHA, B.; GUPTA, K. Handbook of tribology, McGraw-Hill, p. 10-16,1991.

136
BIRANT, D.; KUT, A. ST-DBSCAN: an algorithm for clustering spatial temporal data. Data
and knowledge engineering, v. 60, 2007.
BLAU, P. J. Friction and wear transitions of materials; noyes publications, park ridge,
New Jersey, 1989.
_______. Fifty years of research on the wear of metals. Tribology International,v. 30, n. 5,
p. 321-331, 1997.
BLEI, D. M.; NG, A. Y.; JORDAN, M. I. Latent dirichlet allocation. Journal of machine
learning research, v. 3, p. 993-1022, 2003.
BORAH, B.; BHATTACHARYYA, D. K. An improved sampling-based DBSCAN for large
spatial databases. Intelligent Sensing and Information Processing. Proceedings of
International Conference on, p. 92-96, 2004.
_______. DDSC: A density differentiated spatial clustering technique. Journal Of

Computers, v. 3, n. 2, 2008.
BORG, I.; GROENEN, P. Modern Multidimensional Scaling: theory and applications.

Second Edition. Springer Press, 2005.
BOSCARIOLI, C. Análise de agrupamentos baseada na topologia dos dados e em mapas

auto-organizáveis. Tese (Doutorado) - Escola Politécnica da Universidade de São Paulo, São
Paulo, 2008.
BOSCH, R. Manual de tecnologia automotiva. 25. ed. São Paulo: Edgard Blucher, 2005.
1232p.
BO ZHOU, D.; WAI-LOK, C.; BEN, K. A fast algorithm for density based clustering in large
database. PAKDD, p. 338-349, 1999.
BRADLEY, P. S.; FAYYAD, U.; REINA, C. Scaling clusteringalgorithms to large databases.

In: Fourth International Conference on Knowledge Discovery and Data Mining, 1998.
BRAGA, A.; CARVALHO, A.; LUDEMIV, T. Redes Neurais Artificiais: teoria e

aplicações. Rio de Janeiro: LTC, 2000.
BRONDINO, N. C. M. Estudo da influência da acessibilidade no valor de lotes urbanos

através de Redes Neurais. Tese (Doutorado) – EESC/USP, São Carlos, 1999.
BRUNETTI, F. Motores de combustão interna. São Paulo: Blucher, 2012. v. 1.
_______. Motores de combustão interna. São Paulo: Blucher, 2012b. v. 2.
BULSARA, M. A.; BHATT, D. V.; MISTRY, K. N. Measurement of oil film thickness

between piston ring and liner using strain gauge. Industrial Lubrication And
Tribology, [s.l.], v. 65, n. 5, p. 297-304, ago. 2013. Emerald. In: http://dx.doi.org/10.1108/ilt-
02-2011-0013.
137
BURTON. R. A. Thermal deformation in frictionally-heated systems, Elsevier, Lausanne,

1980.
BUSH-VISHNIAC, I. J. Electromechanical sensors and actuators. Berlin: Springer, 1998.
CABRAL, M. A. L. Classificação automatizada de falhas tribológicas de sistemas

alternativos com o uso de redes neurais artificiais não supervisionadas. 2017. 143 f. Tese
(Doutorado) – Curso de Engenharia Mecânica, Universidade Federal do Rio Grande do Norte,
Natal, 2017.
CAMASTRA, F.; VERRI, A. A novel kernel method for clustering. IEEE Transactions on
Pattern Analysis and Machine Intelligence, p. 801-804, 2005.
CARDOSO, E. L. Otimização topológica de transdutores piezoelétricos considerando não
linearidade geométrica. 2005. Tese (Doutorado em Engenharia Mecânica), Universidade
Federal do Rio Grande do Sul, Porto Alegre/RS, 2005.
CARPENTER, G. A.; GROSSBERG, S. The ART of adaptive pattern recognition by a

self-organizing neural network. Computer Special Issue on Artificial Neural Systems, v. 21,
p. 77-88, 1988.
CASTRO, L. N. Fundamentals on Neurocomputing. Basic concepts, algorithms, and

applications. Taylor e Francis Group, 2006.
CELIK, V.; ARCAKLIOGLU, E. Performance maps of a diesel engine. Applied Energy, p.

247–259, 2004.
CHAVES NETO, A. Análise multivariada aplicada à pesquisa: notas de aula. Curitiba:

Departamento de Estatística, Universidade Federal do Paraná, 1997.
CHANDROTH, G. O.; SHARKEY, A. J. C.; SHARKEY, N. E. Cylinder pressures and

vibration in internal combustion engine condition monitoring. In: Proceedings of comadem
99, Sunderland, UK, 1999.
CHEESEMAN, P.; STUTZ, J. Bayesian classification (auto-class): theory and results. In:
FAYYAD, U. G. et al. Advances in Knowledge Discovery and Data Mining, p. 153-180,
Menlo Park, CA, USA. AAAI Press, 1996.
CHEUNG, Y. M. k*--Means: a new generalized k-means clustering algorithm. Pattern

Recognition Letters 24, p. 2883-2893, 2003.
CHIANG, J. H.; HAO, P. Y. A fuzzy model of support vector regression, IEEE Int. Conf.
On Fuzzy Systems, v. 1, p. 738-742, 2003.
CHIEN, Y. C.; HWANG, S. C.; OYANG, Y. J. An incremental hierarchical data

clustering algorithm based on gravity theory. PAKDD, p. 237-250, 2002.
CORRAR, L. J.; PAULO, E.; DIAS FILHO, J. M. Análise multivariada: para os cursos de
administração, ciências contábeis e economia. São Paulo: Atlas, 2007.
_______. Análise multivariada. São Paulo: Atlas, 2014.

138
COX, T. F.; COX, M. A. A. Multidimensional scaling. Second Edition. London: Chapman

& Hall, 2000.
CZICHOS, H. Tribology – a system approach to the science and technology of friction,

lubrication and wear. Amsterdam: Elsevier, 1978. p. 325.
DALLY, J. W.; RILEY, W. F. Experimental stress analysis. 2. ed. New York: McGraw W-
Hill Book Company, 1987.
DA SILVA, E. B. Agrupamento semi-supervisionado de documentos XML. Tese

(Doutorado) – COPPE/UFRJ, jan. 2006.
DA VINCI, L. I Libri di meccanica. Milano: Editore Ulrico Hoepli, 1940. 673p.
DIDAY, E. Optimization en classification automatique et reconnaissance des forms,

1972.
DONI, M. V. Análise de cluster: métodos hierárquico e de particionamento. Universidade

Presbiteriana Mackenzie, 2004.
DEMÉTRIO, C. G. B. Análise multidimensional para dados de cana-de-açúcar.

2002.126p. Tese (Doutorado) - Escola Superior de Agricultura “Luiz de Queiroz”,
Universidade de São Paulo, 2002.
DEMO, Pedro. Avaliação qualitativa. São Paulo: Cortez, 1991.
DEPTULA, A. et al. Acoustic diagnostics applications in the study of technical condition of

combustion engine. Archives of acoustics, v. 41, n. 2, p. 345-350, 2016.
DOWSON, D. Piston assemblies; background and lubrication analysis. In: Tribology Series.
Elsevier, 1993. p. 213-240.
DOWSON, D. History of tribology. London: Longman, 1979.
DRIVER, H. E.; KROEBER, A. L. Quantitative expression of cultural relationships.

Berkeley: University of California Press, 1932.
DUNN, J.C. A fuzzy relative of the ISODATA process and its use in detecting compact well-
separated clusters. Journal of Cybernetics, n. 3, p. 32-57, 1973.
ELDREDGE, K. R.; TABOR, D. The mechanism of rolling friction: I. The plastic range.
Proceedings of the Royal Society London, Series A, v. 229, p. 181-98, 1955-a.
ELDREDGE, K. R.; TABOR, D. The mechanism of rolling friction: II. The elastic range.
Proceedings of the Royal Society London, Series A, v. 229, p. 198-220, 1955-b.
ERTÖZ, L.; STEINBACH, M.; KUMAR, V. Finding clusters of different sizes, shapes, and
densities in noisy, high dimensional data. In: Proceedings of the 2003 SIAM International
Conference on Data Mining. Society for Industrial and Applied Mathematics, 2003. p. 47-
58.
139
ESTER, M.; KRIEGEL, H. P.; XU, X. Knowledge discovery in large spatial databases:
focusing techniques for efficient class identification. In: International Symposium on
Spatial Databases. Springer, Berlin, Heidelberg, 1995. p. 67-82.
ESTER, M. et al. A density-based algorithm for discovering clusters in large spatial databases
with noise. In: KDD. 1996. p. 226-231.
_______. Density connected sets and theis aplication for trend detection in spacial databases.
In: KDD. 1997. p.10-15.
_______. Incremental clustering for mining in data warehousing environment. Proceedings

of the 24th VLDB Conference, New York, USA, 1998.
EVERITT, Brian S.; LANDAU, Sabine; LEESE, Morven. Cluster Analysis. A Hodder
Arnold Publication. 4th edition, 2001.
FAHY, F. Foundations of Engineering Acoustics. Elsevier, 2001.
FAUSETT, L.V. Fundamentals of neural networks: architectures, algorithms, and

applications. Englewood Cliffs: Prentice-hall, 1994. p. 1-476.
FÁVERO, L. P. et al. Análise de dados: modelagem multivariada para tomada de decisões.

Rio de Janeiro: Elsevier, 2009.
FEIN, R. S. AWN- A proposed quantitative measure of wear protection (AntiWear

Number). Lubrication Engineering, v. 31, p. 581, 1975.
FEIMEC, Feira Internacional de Máquinas e Equipamentos, 2016. Disponível em:

<http://www.feimec.com.br/pt/feimec-20161>. Acesso em julho 9, 2017.
FERREIRA, B. B. Aplicação de ferramentas de lógica nebulosa à predição de séries

temporais. 2008. 124 f. Dissertação (Mestrado) – Curso de Engenharia Mecânica, Instituto
Militar de Engenharia, Rio de Janeiro, 2008.
FERREIRA, F. S.; CAMPOS, G. A. L.; SILVA, J. S. Clustering com algoritmo genético

baseado em densidade e grade. Anais da XLII SBPO, Bento Gonçalves, RS, 2010.
FERREIRA, R. L. C.; SOUZA, A. L. Técnicas de análise multivariada aplicadas ao manejo

florestal no Brasil. Universidade Federal de Viçosa. Sociedade de Investigações Florestais,.
Boletim Técnico, Viçosa, MG, v. 14, p. 1-16, 1997.
FILHO, Paulo Penido. Os motores a combustão interna. São Paulo: Ed. Lemi S.A, 1949.
FINOCCHIO, M. A. F. Determinação da temperatura de enrolamentos de

transformadores a seco e de suas perdas totais baseado em redes neurais
artificiais. 2010. 100 f. Dissertação (Mestrado) – Curso de Engenharia Elétrica, Universidade
Estadual de Londrina, Londrina, 2010.
140
FISHER, D. H. Knowledge acquisition via incremental conceptual clustering. Machine

learning, v. 2, n. 2, p. 139-172, 1987.
FISHER, D.; GENNARI, J.; LANGLEY, P. Models of incremental concept formation.

Artificial Intelligence, v. 40, p. 11-61, 1989.
FONSECA, R. B. Uma estrategia de apoio à seleção de algoritmos de clusterização de

dados. 2008. 84 f. Dissertação (Mestrado) – Curso de Sistemas e Computação, Instituto
Militar de Engenharia, Rio de Janeiro, 2008.
FORGEY, E.W. Cluster analysis of multivariate data: efficiency vs. interpretability of

classification. Biometrics, v. 21, n. 3, p. 768-769, 1965.
FUKUSHIMA, K. Cognitron: A self-organizing multilayered neural network. Biological

cybernetics, v. 20, n. 3-4, p. 121-136, 1975.
GERMEN, E.; BASARAN, M.; FIDAN, M. Sound based induction motor fault diagnosis
using Kohonen self-organizing map. Mechanical systems and signal processing, v. 46, n. 1,
p. 45-58, 2014.
HUTCHINGS, I. M. Friction. In: Tribology: friction and wear of engineering materials.

London: Edward Arnold, 1992-a. p. 22-57.
NAJAFI, G. et al. Combustion analysis of a CI engine performance using waste cooking

biodiesel fuel with an artificial neural network aid. American Journal of Applied Sciences,
v. 4, n. 10, p. 756-764, 2007.
GHOBADIAN, B. et al. Diesel engine performance and exhaust emission analysis using
waste cooking biodiesel fuel with an artificial neural network. Renewable energy, v. 34, n. 4,
p. 976-982, 2009.
GIL, Antonio Carlos. Como elaborar projetos de pesquisa. São Paulo: Atlas, 1991.
_______. Métodos e técnicas de pesquisa social. São Paulo: Atlas, 1999.
GLOVER, F. Tabu search—part I. ORSA Journal on computing, v. 1, n. 3, p. 190-206,

1989.
GOLDSCHMIDT, R. R.; PASSOS, E. Data mining: um guia prático - conceitos, técnicas,

ferramentas, orientações e aplicações. Editora Campus, 2005.
GREENWOOD, J. A.; MINSHALL, H.; TABOR, D. Hysteresis losses in rolling and sliding
friction. Proceedings of the Royal Society London, Series A, v. 259, p. 480-507, 1961.
GROSSBERG, S. Adaptive pattern classification and universal recoding: I. Parallel

development and coding of neural feature detectors. Biological cybernetics, v. 23, n. 3, p.
121-134, 1976.
GUHA, S.; RASTOGI, R.; SHIM, K. Cure: an efficient clustering algorithm for large
databases. In: ACM Sigmod Record. ACM, Washington, USA. 1998. p. 73-84.
141
GUHA, S.; RASTOGI, R.; SHIM, K. ROCK: A robust clustering algorithm for categorical
attributes. Inf. Syst., v. 25, n.5, p. 345–366, 2000.
GUIBET, J. C. Fuels and engines: technologies, energy, environment. Paris: Editions

Technip, 2000.
HALL, L.; ÖZYURT, I.; BEZDEK, J. Clustering with a geneticall optimized approach. IEEE
Trans. Evol. Comput., v. 3, n. 2, p. 103-112, 1999.
HALLING, J. Principles of tribology. Hong Kong: The MacMillan Press LTD, 1983. 401p.
HAIR, J. F. Jr. et al. Analise multivariada de dados. Trad. Adonai Schlup Sant’Anna e
Anselmo Chaves Neto. 5. ed. Porto Alegre: Bookman, 2005.
HAIR JR., J. F. et al. Análise multivariada de dados. 5. ed. Bookman, 2005. 593p.
HAN, J.; NG, R. T. Efficient and effective clustering methods for spatial data mining.
Proceedings of the 20th VLDB Conference Santiago, Chile, p. 144-155,1994.
HAN, J.; KAMBER, M.; PEI, J. Data mining: concepts and techniques (the Morgan
Kaufmann Series in data management systems). Morgan Kaufmann, Inc., San Francisco,
CA, USA, 2000.
HANSEN, P.; MLADENOVIAE, N. J-means: a new local search heuristic for minimum sum
of squares clustering. Pattern Recognition, v. 34, p. 405-413, 2001.
HAR-PELED, S.; MAZUMDAR, S. On coresets for k-means and k-median clustering.

In: Proceedings of the thirty-sixth annual ACM symposium on Theory of computing.
ACM, p. 291-300, 2004.
HARASHA, S. G., NAGESH; CHOUDHARY, A. Mafia: efficient and scalable subspace

clustering for very large data sets. Technical Report Number CPDC-TR-9906-019. Center
for Parallel and Distributed Computing, Northwestern University, June 1999.
HART, S. B. L. History of the First World War. London: Cassel And Co, 1973. Disponível
em: <http://eaglesgate.com/evolhistorica.htm>. Acesso em novembro 24, 2014.
HARTUV, E.; SHAMIR, R. A clustering algorithm based on graph connectivity. Inf.

Process. Lett., v. 76, p. 175-181, 2000.
HAYKIN, S. “Neural networks: a comprehensive foundation”. Prentice-Hall, 1994.
_______. Neural networks: a comprehensive foundation. 2nd edition. Prentice-Hall, 1999.
_______. Neural Networs and Learning Machines. 3. ed. New York: Prentice Hall, 2008.
HE, J.; PAN, W. A denclue based approach to neuro-fuzzy system modeling. In: Advanced
Computer Control (ICACC), 2010 2nd International Conference on. IEEE, 2010. p. 42-
46.
142
HEBB, Donald O. The organization of behavior: a neuropsychological theory. 1949.
HEYWOOD, J. B. Internal combustion engine fundamentals. New York, USA: McGraw-

Hill, 1988. 930p.
HERTZ, H. Übeer die Berührung fester elastiche Körper (On the contact of elastic solids). J.
reine und angewandte Mathematik, v. 92, p. 156-71,1882.
HINNEBURG, A.; GABRIEL, H. H. Denclue 2.0: fast clustering based on kernel density
estimation. In: International symposium on intelligent data analysis. Springer, Berlin,
Heidelberg, 2007. p. 70-80.
HINNEBURG, A.; KEIM, D. A. An efficient approach to clustering in large multimedia
databases with noise. American Association for artificial Intelligence. In: Proc. 4 th. Conf.
Knowledge Discovery and Data Mining KDD-98, p. 58-65,1998.
HOFFMANN, K. An introduction to measurements using strain gages. Darmstadt.

Hottinger Baldwin Messtechnik GmbH. 2012. 257p.
HOFFMAN, PAUL. Asas da Loucura - A extraordinária vida de Santos-Dumont. [S.l]:

s.n., 2003. p. 238-239.
HOPFIELD, J. J. Neural networks and physical systems with emergent collective

computational abilities. Proceedings of the national academy of sciences, v. 79, n. 8, p.
2554-2558, 1982.
HOUJOH, H., UMEZAWA, K.: The Sound Radiated from Gears. Transactions Japan
Society of Mechanical Engineers, v. 52, p. 2463-2471, 1986.
HUANG, Z. Extensions to the k-means algorithm for clustering large data sets with
categorical values. Data Mining and Knowledge Discovery, v. 2, p. 283-304, 1998.
HUTCHINGS, I. M. Tribology – friction and wear of engineering materials. London, U.

K.: Edward Arnold Publications, 1992.
______. Tribology - friction and wear of engineering materials. Cambridge: British

Library Cataloguing in Publication Data, 1992-a. 273p.
JAIN, A.K.; DUBES, R. C. Algorithms for clustering data. Prentice Hall, 1988.
JARVIS R. A.; PATRICK, E. A. Clustering using a similarity measure based on shared

nearest neighbors. IEEE Transactions on Computers, C-22(11), 1973.
JIA, K. X. et al.Multi-sphere support vector clustering based on statistical histogram, v.

6, n. 9,2011.
JOHNSON, K. L. Contact mechanics. Cambridge: Cambridge University Press, 1989. 452p.
JOHNSON, R. A.; WICHERN, D. W. Applied multivariate statistical analysis. 4. ed. New

Jersey: Prentice-Hall, 1998.
143
KAGERMANN, H. et al. Recommendations for implementing the strategic initiative

INDUSTRIE 4.0: securing the future of German manufacturing industry; final report of the
Industrie 4.0 Working Group. Forschungsunion, 2013.
KALKER, J. J. The rolling contact problem. In: Three-dimensional elastic bodies in rolling
contact. Dordrecht: Kluwer Academic Publishers, 1990. p. 1-45.
KAUFFMAN, L.; ROUSSEEUW, P. J. Finding groups in Data: an introdution to cluster

analysis. John Wiley & Sons, 1989.
KAUFMAN, Leonard; ROUSSEEUW, Peter J. Finding groups in Data: an introduction to

cluster analysis. 4. ed. New York: Wiley, 1990.
KERRIDGE, M.; LANCASTER, J. K. Stages in progress of severe metallic wear.

Proceedings of Royal. Society, p. 236-250, 1956.
KARYPIS, E. G.; HAN, H.; KUMAR, V. Chameleon: a hierarchical clustering algorithm

using dynamic modeling. IEEE Computer, v. 32, n. 8, p. 68-75, 1999.
KESGIN, U. Genetic algorithm and artificial neural network for engine optimisation of
efficiency and NOx emission. Fuel, 2004. p. 885-895.
KIM, J.; Lee, J.; KIM, J.; YUN, J. M2M service platforms: survey, issues, and enabling
technologies. IEEE Communications Surveys and Tutorials, v. 16, n. 1, p. 61-76, 2014.
KIRKPATRICK, S. GELATT, C.; VECCHI, M. Optimization by simulated annealing.

Science, v. 220, n. 4598, p. 671-680,1983.
KOHAVI, R.; ROTHLEDER, N. J.; SIMOUDIS, E. Emerging trends in business

analytics. Communications of the ACM, v. 45, n. 8, p. 45-48, 2002.
KOHONEN, T. An adaptive associative memory principle. IEEE Transactions on

Computers, v. 100, n. 4, p. 444-445, 1974.
_______. The 'Neural' Phonetic Typewriter. Computer, v. 21, n. 3, p. 11- 22, mar. 1988.
_______. Self-organization and associative memory. 3rd edition. Springer-Verlag, 1989.
_______. The self-organizing map. Neurocomputing. v. 21, p. 1-6, 1998.
_______. Self-organizing Maps. 3. ed. Berlin: Springer, 2001.
KRAGELSKII I. V.; DOBYCHIN, M. N.; KOMBALOV, V. S. Running-in and equilibrium

roughness. In: Friction and Wear Calculation Methods. Oxford, U.K.: Pergamon Press,
1982. p. 297-316.
KRAMER, M. A. Autoassociative neural networks. Computers & chemical engineering, v.

16, n. 4, p. 313-328, 1992.
144
KRISHNA, K. & MURTYG, M. Genetic K-means algorithm. IEEE. Trans. Syst., Man,
Cybern. B, Cybern., v. 29, n. 3, p. 433-439, 1999.
KRISHNAPURAM, R.; KELLER, J. M. A possibilistic approach to clustering. IEE Trasn

Fuzzy Systens, 1993.
KROEMER, K. H. E.; GRANDJEAN, E. Manual de ergonomia: adaptando o trabalho ao

homem. 5. ed. Porto Alegre: Artmed, 2005. 327 p.
LATTIN, J.; CARROLL, J. D.; GREEN, P. E. Análise de dados multivariados. São Paulo:
Cengage Learning, 2011. 455p.
LEEUW, J.; HEISER, W. Theory of multidimensional scaling. NorthHolland, krishnaiah
P.R. and Kanal L.N Handbook of statistics, v. 2, p. 285-316, 1982.
LI, C.; GARCIA-MOLINA, H.; WIEDER-HOLD, G. Clindex: approximate similarity queries

in high-dimensional spaces. IEEE Transactions on Knowledge and Data Engineering –
TKDE, 2002.
LI, W.; MCCALLUM, A. Pachinko Allocation: DAG-structured mixture models of topic

correlations. Proceedings of the 23rd International Conference on Machine Learning,
2006.
LI, W.; GUO, Y.; HE, T.; LU, X.; ZOU, D. Interring gas dynamic analysis of piston in a
diesel engine considering the thermal effect. Mathematical problems in engineering, v.
2015, p. 1-11, 2015.
LI, W.; WANG, X. Spatial clustering algorithm based on hierarchicalpartition tree.

International Journal of Digital Content Technology and its Applications, v. 4, n. 6, p.
26-35, 2010.
LIKAS, A.; VLASSIS, N.; VERBEEK, J. J. The global k-means clustering

algorithm. Pattern recognition, v. 36, n. 2, p. 451-461, 2003.
LIM, S. C.; ASHBY, M. F. “Wear-Mechanism Maps”. Acta Metallurgy, v. 35, p. 1-24,

1987.
LIMA, R.C.S. Mecanismos de desgaste de poliuretano em ensaios de microabrasão. 2006.

126 f. Dissertação (Mestrado) – Curso de Engenharia Mecânica, Universidade Federal do Rio
Grande do Norte, Natal, 2006.
LINDE, Y.; BUZO, A.; GRAY, R. An algorithm for vector quantizer design. IEEE
Transactions on Communications, v. 28, p. 84-94, 1980.
LIU, B. A fast density-based clustering algorithm for large databases. In: Machine Learning
and Cybernetics, 2006 International Conference on. IEEE, 2006. p. 996-1000.
LIU, J., XIONG, L.; LUO, J.; HUANG, J.Z. In: Proceedings of the 2007 Joint
EDBT/ICDT Workshops. Privacy Preserving Distributed DBSCAN Clustering, 2007.
Disponível em: <http://www.mathcs.emory.edu/predict/pub/privacy13tdp.pdf>. Acesso em
145
LIU, P.; ZHOU, D.; WU, N. VDBSCAN: Varied density based spatial clustering of
applications with noise. Service Systems and Service Management, International
Conference, 2007.
LUNA, S. V. Planejamento de pesquisa: uma introdução. São Paulo: EDUC, 1997.
LU, W.; JIANG, W.; WU, H.; HOU, J. A fault diagnosis scheme of rolling element bearing
based on near-field acoustic holography and gray level co-occurrence matrix. Journal of
Sound and Vibration, v. 331, n. 15, p. 3663-3674, 2012.
MAHRAN, S.; MAHAR, K. Using grid for accelerating density-based clustering. Computer
and Information Technology CIT '09. Ninth IEEE International Conference, Sydney, 2009.
MALACZYNSKI, Gerard W. et al. Replacing volumetric efficiency calibration look-up

tables with artificial neural network-based algorithm for variable valve actuation. SAE
Technical Paper, 2010.
MANJUNATHA, R.; NARAYANA, P. B.; REDDY, K. H. C. Application of artificial neural

networks for emission modelling of biodiesels for a CI engine under varying operating
conditions. Modern Applied Science, v. 4, n. 3, p. 77, 2010.
MAO, J.; JAIN, A.K. A self-organizing network for hyperellipsoidal Clustering (hec). IEEE
Transactions on Neural Networks, p. 16–29, janeiro 7, 1996.
MARTINS, J. Motores de combustão interna. 2. ed. Porto: Publindústria Edições Técnicas,

2006. 438 p.
_______. Motores de combustão interna. 4. ed. Porto: Publindústria, 2013.
MATSUHISA, H.; SATO, S. Noise from circular stone-sawing blades and theoretical analysis
of their flexural vibration. Noise Control Engineering Journal, p. 96-102, 1986.
MCCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous

activity. The bulletin of mathematical biophysics, v. 5, n. 4, p. 115-133, 1943.
MCKINSEY GLOBAL INSTITUTE. Unlocking the potencial of the internet of things. jun.
2015. Disponível em: <https://www.mckinsey.com/business-functions/digital-mckinsey/our-
insights/the-internet-of-things-the-value-of-digitizing-the-physical-world>. Acesso em maio
5, 2018.
MCLACHLAN, G.; KRISHNAN, T. The EM algorithm and extensions. New York,

U.S.A., Wiley Sons, 1997.
MIMAROGLU, S.; AKSEHIRLI, E. Improving DBSCAN’s execution time by using a

pruning technique on bit vectors. Pattern Recognition Letters, v. 32, n. 13, p. 1572-1580,
2011.
MINSKI, M. L.; PAPERT, S. A. Perceptrons: an introduction to computational

geometry. MA: MIT Press, Cambridge, 1969.
146
MITCHELL, T. M. Machine learning. New York-USA: McGraw Hill, 1997.
MONTEIRO, L. F. Análise comparativa da energia vibracional em motor diesel

utilizando diesel e biodiesel. 2013. 99 f. Dissertação (Mestrado) - Curso de Engenharia da
Energia, Universidade Federal de São João del - Rei, São João del - Rei, 2013.
MORRISON, L. H. Diesel Engines. 1. ed. New York, USA: McGraw-Hill, 1923. 598p.
MOSHTAGHI, M. et al. An efficient hyperellipsoidal clustering algorithm for resource-

constrained environments. Pattern Recognition, v. 44, n. 9, p. 2197-2209, 2011.
MOTA, F. O. M.; GOMIDE, F. A. C. Aplicação de modelos de estimação de fitness em

algoritmos genéticos. Dissertação (Mestrado) - Faculdade de Engenharia Elétrica e de
Computação, UNICAMP, Campinas, São Paulo, 2005.
MOZER, C. JORDAN, M. I., GHAHRAMANI, Z.; SAUL, L. K. Hidden Markov decision

trees. In: M.M. I. Jordan; T. Petsche (Ed.), Advances in Neural Information Processing
Systems 9, MIT Press, Cambridge MA, 1997.
NAJAFI, G. et al. Performance and exhaust emissions of a gasoline engine with ethanol
blended gasoline fuels using artificial neural network. Applied Energy 86, 2009, p. 630-
639.
NAUD, A. Neural and statistical methods for the visualization of multidimensional Data.
Ph.D. thesis, University of Mikolaja Kopernika Toruniu (Nicolaus Copernicus
University), Poland, 2001.
MELL, P.; GRANCE, T. The NIST definition of cloud computing. Recommendations of the
National Institute of Standards and Technology, 2011.
NIST. Nist Big Data public working group et al. NIST Big Data Interoperability
Framework. Special Publication, v. 1, definitions. v. 1, p. 32, 2015.
NÓBREGA, J. T. Fadiga de contato de discos metálicos não-conformes submetidos a

ensaios a seco de rolamento cíclico. 2002. Tese (Doutorado em Engenharia Mecânica) -
Escola Politécnica da Universidade de São Paulo, São Paulo, 2002.
OBERT, EDWARD F. Motores a combustão interna. Porto Alegre, RS: Globo, 1971. 618p.
OBODEH, O.; AJUWA, C. I. Evaluation of artificial neural network performance in

predicting diesel engine NOx emissions. European Journal of Scientific Research, v. 33, n.
4, p. 642-653, 2009.
OLDEST INTERNET OF THINGS OBJECTS IN THE WORLD. bism@rt. 2017. Disponível

em: <https://bismart.com/en/oldest-internet-of-things-objects-in-the-world/>. Acesso em:
outubro 12, 2016.
OLIVEIRA, C. EDACLUSTER: um algoritmo evolucionário para análise de g arupamentos

baseados em densidade e grade. Dissertação (Mestrado) - Engenharia Elétrica, Universidade
Federal do Pará, 2007.
147
OLIVEIRA, A. Estudo comparativo do desgaste de navalhas de aço aisi s1 e sae 4340

durante o corte de sucata. 2008. 78f. Dissertação (Mestrado) - Curso de Engenharia de
Minas, Metalúrgica e de Materiais, Universidade Federal do Rio Grande do Sul, Porto Alegre,
2008.
OLIVEIRA, T. B. S. Clusterização de dados utilizando técnicas de redes complexas e

computação bioinspirada. 112f. Dissertação ( Mestrado) - Ciências da Computação e
Matemática Computacional, ICMC-USP, São Carlos, 2008.
OLIVEIRA, V.R. Avaliação de desempenho de geradores elétricos via redes neurais

artificiais. 2009. 109 f. Dissertação (Mestrado) - Curso de Computação, Universidade Federal
Fluminense, Niterói, 2009.
OSINDERO, S.; WELLING, M.; HINTON, G. E. Topographic product models applied to

natural scene statistics. Neural Computation, v. 18, n. 2, p. 381-414, 2006.
OSKOUEIAN, A.; NUAWI, M.Z. Internal combustion engine monitoring using strain gauge
and analyzing with I-Kaz. Ieri Procedia, Elsevier BV, v. 1, p. 192-198, 2012.
PANTALEON, E. M. Modelo de desgaste oxidativo baseado em parâmetros

termodinâmicos. 2004. 158 f. Tese (Doutorado) - Curso de Engenharia Mecânica,
Universidade de São Paulo, São Paulo, 2004.
PAULA, W.C.F. Análise de superfícies de peças retificadas com o uso de redes neurais
artificiais. 2007. 168 f. Dissertação (Mestrado) - Curso de Ciências e Tecnologia dos
Materiais, Universidade Estadual Paulista, Bauru, 2007.
PARLAK, A. et al. Application of artificial neural network to predict specific fuel

consumption and exhaust temperature for a Diesel engine. Applied Thermal Engineering,
p.824-828, 2006.
PELLEG, D.; MOORE, A. Accelerating exact k-means algorithms with geometric reasoning.
Proceedings of the Fifth International Conference on Knowledge Discovery in
Databases, AAAI Press, 1999.
_______. X-means: extending k-means with efficient estimation of the number of clusters. To
appear in Pattern Recognition Letters, 2009. p. 727–734. In: Proceedings of the Seventeenth
International Conference on Machine Learning. San Francisco: Morgan Kaufmann, 2000.
PEREIRA, J. C. Análise de dados qualitativos: estratégias metodológicas para as ciências da

saúde, humanas e sociais. 2. ed. São Paulo, 1999.
PETERSON, M. B. Advances in tribomaterials. In Achievements in Tribology, New York,

v. 1, p. 91-109, ASME, 1990.
PINKUS, O; WILCOCK, D. F. Strategy for energy conservation through tribology. New

York. American Society of Mechanical Engineers, 1971.
PORTELA, A.; SILVA, A. Mecânica dos materiais. Lisboa: Plátano, 1996. 334 p.
148
PRIMO, T. T. Métodos de clusterização para apoio à classificação estética de

documentos. 2008. 116 f. Dissertação (Mestrado) - Curso de Ciência da Computação,
Universidade Católica do Rio Grande do Sul, Porto Alegre, 2008.
QUINN, T. F. J., WINER, W. O. An experimental study of the “hot-spots” occurring during

the oxidational wear of tool steel on sapphire. Journal of Tribology, v. 109, p. 315-320,
1987.
RALIU, S.; POPA, G. N.; ALEXA, V. Monitoring of the pressure inside the cylinder for an
internal-combustion engine. Wseas Transactions On Circuits And Systems, Romania, v. 8,
n. 1, p. 105-114, jan. 2009.
RAM, M., ANAND, S. J., KUMAR, M. A density based algorithm for discovery density
varied cluster in large spatial databases. International Journal of Computer Application, v.
3, n. 6, 2010.
RAO, S. Vibrações mecânicas. 4. ed. São Paulo: Pearson Education do Brasil, 2009. 424 p.
REIS, A. et al. Motores, tratores, combustíveis e lubrificantes. Pelotas, RS: UFPel, 1999.
315p.
REYES, J.; VELLASCO, M.; TANSCHEIT, R. Monitoramento e diagnóstico de múltiplos

sensores por redes neurais auto-associativas. Revista Controle & Automação, Rio de
Janeiro, v. 2, n. 23, p. 121-137, abr. 2012.
REYNOLDS, O. On rolling-frictions. Philosofical Transactions of the Royal Society of

London, Serie A, v. 166, p. 155-74, 1875.
ROBERTS, S. J.; HOLMES, C.; DENISON, D. Minimum-entropy data clustering using

reversible jump markov chain Monte Carlo. p. 103-110 of: ICANN ’01: Proceedings of the
International Conference on Artificial Neural Networks. London, UK: Springer-Verlag,
2001.
ROSENBLATT, F. The perceptron: a probabilistic model for information storage and

organization in the brain. Psychological review, v. 65, n. 6, p. 386, 1958.
_______. Principles of neurodynamics: perceptrons and the theory of brain mechanisms.

Cornell aeronautical lab inc buffalo, New York, 1961.
RUIZ, C.; SPILIOPOULOU, M.; MENASALVAS, E. C-DBSCAN: density based clustering

with constraints. In: RSFDGrC’07: Proc. of the Int. Conf. on Rough Sets, Fuzzy Sets, Data
Mining and Granular Computing held by JRS’07, 2007.
RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, Ronald J. Learning representations by

back-propagating errors. Nature, v. 323, n. 6088, p. 533, 1986.
RYK, G.; ETSION, I. Testing piston rings with partial laser surface texturing for friction
reduction. Wear, v. 261, n. 7-8, p. 792-796, 2006.
149
SAMUEL, A. L. Some studies in machine learning using the game of checkers. IBM
Journal, v. 3, n. 3, 1959.
SANG, Y.; YI, Z. Motion determination using non-uniform sampling based density
clustering. Proceedings of the 2008 Fifth International Conference on Fuzzy Systems and
Knowledge Discovery, v. 4, p. 81-85, 2008.
SANTANA, C. M. Análise de vibrações em um motor de combustão interna. 2010. 75 f.

TCC (Graduação) - Curso de Engenharia Mecânica, Escola de Engenharia da UFMG, Belo
Horizonte, 2010.
SAYIN, C. et al. Performance and exhaust emissions of a gasoline engine using artificial
neural network. Applied Thermal Engineering, v. 27, p. 46-54, 2007.
SHI, J.; MALIK, J. Normalized cuts and image segmentation. IEEE Transactions on
Pattern Analysis and Machine Intelligence, v. 22, p. 888-905, 2000.
SCHIKUTA, E. Grid-clustering: an efficient hierarchical clustering method for very large

data sets, in pattern recognition. Proceedings of the 13th International Conference, v. 2, p.
101-105, 1996.
SCHWAB, K. The Fourth Industrial Revolution. VINT research report, 2016.
_______. “Historical context”. In: The Fourth Industrial Revolution, WEF, 2016.
SERDAR, H. et al. Comparative study of mathematical and experimental analysis of

spark ignition engine performance used ethanol-gasoline blend fuel. Applied Thermal
Engineering, p. 358–368, 2006.
SÖRENSEN T. A method of establishing groups of equal amplitude in plant sociology based

on similarity of species content. Kongelige danske videnskabernes selskab. Biol. krifter. Bd,
v. 4, p. 1-34, 1948.
SILVA, E. L.; MENEZES, E. M. Metodologia da pesquisa e elaboração de dissertação. 5.

ed. Florianópolis: UFSC, 2001.
SILVA, A. C. C. O uso de redes neurais auto-organizáveis para a análise do

conhecimento acentual em aprendizes brasileiros de língua inglesa. 2010. 201 f. Tese
(Doutorado) - Curso de Linguística, Universidade Federal do Ceará, Ceará, 2010.
SINATORA, A. Tribologia: um resgate histórico e o estado da arte. Prova de Erudição, São

Paulo, 2005.
SNEATH, P. H. A. The application of computers to taxonomy. Microbiology, v. 17, n. 1, p.

201-226, 1957.
SÖRENSEN, T. A method of establishing groups of equal amplitude in plant sociology based

on similarity of species content / Kongelige Danske Videnskabernes Selskab. Biol. krifter.
Bd, v. 4, p. 1-34, 1948.
150
SPADA, A.L. Microfones: parte 1 [online]. Attack do Brasil, 2016. 20p. Disponível em:
<http://www.attack.com.br/artigos_tecnicos/mic_1.pdf>. Acesso em maio 20, 2018.
STEINBACH, M.; KARYPIS, G.; KUMAR, V. A comparison of document clustering

techniques. In: Workshop on KDD, 2000.
STEINHAUS, H. Sur la division des corp materiels en parties. Bulletin of Acad. Polon. Sci.,
IV(C1. III), p. 801-804, 1956.
STONE, R. Introdution to Internal Combustion Engine. 2. ed. New York, USA: SAE,
1999. 574p.
TAFNER, M. A.; XERE, M.; RODRIGUES, F. I. W. Redes Neuronais Artificiais:

introdução e princípios de neurocomputação. EKO–Blumenau, SC, 1996.
TATIANA, C.Y.; KAETSU, D.Y. Introdução às Redes Neurais Artificiais, 2006.

Disponível em: <http://www.din.uem.br/ia/neurais/>. Acesso em Julho 2017.
TAYLOR, C. F. Análise dos motores de combustão interna. São Paulo, SP: Ed. Edgard
Blucher, 1971.
THOMAZINI, D.; ALBUQUERQUE. P. U. B. de Sensores Industriais – Fundamentos e

Aplicações. 6. ed. Érica, 2009. 220 p.
TRAN, T. N.; DRAB, K.; DASZYKOWSKI, M. Revised DBSCAN algorithm to cluster data
with dense adjacent clusters. Chemometrics and Intelligent Laboratory Systems, v. 120, p.
92-96, 2013.
TRYON, R. Cluster analysis. New York: McGraw-Hill, 1939.
TSUGAWA, S.; OHSAKI, H.; IMASE, M. Lightweight and distributed connectivity-based

clustering derived from schelling's model. IEICE transactions on communications, v. 95, n.
8, p. 2549-2557, 2012.
TSUYA, Y.; SAITO, K.; AKAOKA, J. In-situ observation of wear process in a scanning
electron microscope. Proceedings of International Conference on Wear of Materials,
ASME, New York, p. 57-71, 1979.
TUNG, A.; HOU, J.; HAN, J. Spatial clustering in the presence of obstacles. In: Proceedings
of the 17th ICDE, Heidelberg, German, p. 359-367, 2001.
ULTSCH, A. U*-matrix: a tool to visualize clusters in high dimensional data. Marburg:

Fachbereich Mathematik und Informatik, 2003.
VALE, M. N. Agrupamentos de Dados: avaliação de métodos e desenvolvimento de

aplicativo para análise de grupos. 2005. 120 f. Dissertação (Mestrado) - Curso de Engenharia
Elétrica, Puc-rio, Rio de Janeiro, 2005.
151
VALLÉS-PÉREZ, Iván. Self-Organizing Maps: the Kohonen's algorithm explained. 15 mar.

2015. Disponível em: <http://ivape3.blogs.uv.es/2015/03/15/self-organizing-maps-
thekohonens algorithm-explained/>. Acesso em junho 10, 2018.
VENTURELLI, M. Industria 4.0: uma visão da automação industrial. 2014. Disponível em:
<http://www.automacaoindustrial.info/industria-4-0-uma-visao-da-automacao-industrial//>.
Acesso em junho10, 2018.
VENDRAME, A. C. Vibração ocupacional. 2006. Disponível em:

<http://www.higieneocupacional.com.br/download/vibracoes_vendrame.pdf>. Acesso em
Fevereiro 8, 2018.
VENDRAME, A. C. Vibração ocupacional – estado da arte. 2008. 4 p. Disponível em:

<http://www.higieneocupacional.com.br/download/vibracao-estado-arte.pdf>. Acesso em
Janeiro 24, 2018.
VIANA, M. Análise de cluster: métodos hierárquicos e de particionamento, 2004. Disponível

em: <http://meusite.mackenzie.com.br/rogerio/tgi/2004Cluster.PDF> . Acesso em maio 2018.
VIDAL, F. A. C. Desenvolvimento, caracterização e aplicação de lubrificantes

modificados por nanoplacas de grafite. 2014. 214 f. Tese (Doutorado) - Curso de
Engenharia Mecânica, Universidade Federal de Minas Gerais, Belo Horizonte, 2014.
VISWANATH, P.; PINKESH, R. l-dbscan: a fast hybrid density based clustering method. In:
Proceedings of the 18th Intl. Conf. on Pattern Recognition (ICPR-06), Hong Kong, v. 1,
p. 912-915, IEEE Computer Society, 2006.
VOLCI, G. A. Comportamento tribológico do anel de primeiro canalete em motores

operando em sistemas flex fuel. 2007. 131 f. Dissertação (Mestrado) - Curso de Engenharia
Mecânica, Universidade Federal do Paraná, Curitiba, 2007.
WANG, W. et al. A statistical information grid approach to spatial data mining. 1997.
Disponível em: <http://suraj.lums.edu.pk/~cs536a04/handouts/STING.pdf>. Acesso em
Janeiro 20, 2018.
WANG, W. A general framework for adaptive and online. Detection of Web attacks, Project
AxIS, INRIA Sophia. Antipolis, 2004.
WANG, X. et al. Fault diagnosis of diesel engine based on adaptive wavelet packets and
EEMD-fractal dimension. Mechanical Systems and Signal Processing, v. 41, n. 1-2, p. 581-
597, 2013.
WARD, J. H. JR. Hierarchical grouping to optimize an objective function. Journal of the

American Statistical Association, v. 58, p. 236-244, 1963.
WENDLING, M. Sensores. Guaratinguetá: Unesp, 2010. Disponível em:

<http://www2.feg.unesp.br/Home/PaginasPessoais/ProfMarceloWendling/4---sensores-
v2.0.pdf>. Acesso em Novembro 24, 2017.
152
WIDROW, B.; HOFF, M. E. Adaptive switching circuits. Stanford Univ Ca Stanford

Electronics Labs, 1960.
WU, J. et al. An expert system for fault diagnosis in internal combustion engines using
probability neural network. Expert Systems with Applications, p. 2704-2713, 2007.
XAVIER, A. E. The hyperbolic smoothing clustering method. Pattern Recognition, v. 43, n.

3, p. 731-737, 2010.
XU, X. et al. Nonparametric clustering algorithm for knowlege discovery in large spatial
databases'. Proceedings. IEEE Int. Conf. on Data Engineering, IEEE Computer Society
Press, 1998
XU, X. et al. A fast parallel clustering algorithm for large spatial databases. Data Mining and
Knowledge Discovery, v. 3, p. 263-290, 1999.
XU, R.; WUNSCH, D.; I. Survey of clustering algorithms. Nicosia. CY, IEEE Transactions
on Neural Networks, v. 16, p. 645–678, 2005.
YAGER, D.; FILEV, P. Approximate clustering via the mountain method. IEEE
Transactions on Systems Man and Cybernetics, v. 24, n. 8, p. 1279-1284, 1994.
YANG, M. S. A Survey of Fuzzy Clustering. Math. Comp. Modelling, v. 18, n. 11, p. 1-16,
1993.
YIN, J.; ZHOU, D.; XIE, Q-Q. A clustering algorithm for time series data. Proceedings of
the Seventh International Conference on Parallel and distributed Computing of IEEE,
2006.
ZHANG, X.; WU, Y.; JOU, J. A Linear DBSCAN algorithm based on Lsh. Proceedings of
the Sixth International Conference on Machine Learning and Cybernetics, Hong Kong,
p. 19-22, August 2007.
ZHOU, A. et al. Approaches for scaling DBSCAN algorithm to large spatial databases. J.
Comput. Sci. Technol, v. 15, n. , p. 509-526, 2000.
ZUBIN, J. A. A technique for measuring likemindedness. Journal of Abnormal and Social

Psychology, v. 33, p. 508-516, 1938.
ZUM GAHR, K. H. Microstructure and wear of materials. Tribology Series, Elsevier, v.

10, 1987.
153
Apêndices
154
Apêndice A – Esquema eletrônico de ligação dos termopares tipo K de aquisição de

temperatura do óleo e de escape para a instrumentação IHM
Fonte:
155
Apêndice B – Esquema eletrônico de ligação do sensor de corrente SCT-13 para a

instrumentação IHM
Fonte:
156
Apêndice C – Código do programa do supervisório, em Arduino, da instrumentação

secundária
#include <EmonLib.h>
#include <SPI.h>
#include <max6675.h>
//volatile int NbTopsFan; //measuring the rising edges of the signal
//int Calc;
//int hallsensor = 3; //The pin location of the sensor
EnergyMonitor emon1; //cria objeto para sensor de corrente
#define pin_sct A2 //sensor de corrente
# define rede 220
// temp_escape (°C), temp_oleo (°C), corrente (A), potencia aparente (Kva) potencia util
(KW), potencia motor (KW), torque (N.m), trabalho/ciclo (J), pressao media indicada
(kgf/cm²)
int ktcSO = 4;
int ktcCS = 5;
int ktcCLK = 6;
int ktkSO = 8;
int ktkCS = 9;
int ktkCLK = 10;
#define R1 220000.0
#define R2 10000.0
#define SAMPLES 5
float acum = 0;
157
int analog0 = 0, flag=0;
int loops = 0;
float v1 = 0;
double result;
void calc(){
analog0 = analogRead(0);
v1 = (5.0 * analog0)/1024.0;
//Serial.print("Valor da amostragem ");
//Serial.print(loops);
//Serial.print(": ");
//Serial.println(v1);
if (v1 < 1){
return;
acum += 2*(v1/(R2/(R2+R1)));
loops++;
if (loops >4){
loops = 0;
flag =1;
result = acum/SAMPLES;
//Serial.print("V=");
Serial.println(result);
acum=0;
158
delay(200);
//void rpm () //This is the function that the interupt calls
//{
// NbTopsFan++; //This function measures the rising and falling edge of the
//}
MAX6675 ktc(ktcCLK, ktcCS, ktcSO);
MAX6675 ktk(ktkCLK, ktkCS, ktkSO);
void setup() {
Serial.begin(9600);
pinMode(0,INPUT);
// pinMode(hallsensor, INPUT); //initializes digital pin 2 as an input
pinMode(pin_sct, INPUT); //entrada para sensor de corrente
emon1.current(pin_sct, 60);
// attachInterrupt(0, rpm, RISING); //and the interrupt is attached
delay(1000);
void loop() {
// basic readout test
if (flag == 1){
Serial.print("DATA, TIME,");
Serial.print(ktk.readCelsius());
159
Serial.print(", ");
Serial.print(ktc.readCelsius());
Serial.print(", ");
double Irms = emon1.calcIrms(1480);
Irms=Irms;
//Mostra o valor da corrente no serial monitor e display
Serial.print(Irms);
Serial.print(", ");
// taxa de compressão
double tx=8.5;
// fator de potencia 0.8 segundo a VDE 0530
double fp = 1;
// potencia em kva
double pota = Irms*result;
Serial.print(pota);
Serial.print(", ");
// potencia util kW
double potw = pota*1;
Serial.print(potw);
Serial.print(", ");
// rendimento 0.8
double n=0.8;
// potencia de entrada no motor kW

160
double pot = (potw*fp)/n;
Serial.print(pot);
Serial.print(", ");
// rotação em rpm
double rot = 3600;
// torque em N.m
double torque = (60*pot)/(2*3.14*rot);
Serial.print(torque);
Serial.print(", ");
//trabalho por ciclo em J
double wciclo=(2*60*pot*1000)/(2*3.14*rot);
Serial.print(wciclo);
Serial.print(", ");
// Vu = cilindrada unitária cm³
double Vu = 163;
//PME - Pressão media indicada N/cm² verificar a notacao cientifica
double PME = (900*pot)/(Vu*rot);
Serial.print(PME);
Serial.print(", ");
// NbTopsFan = 0; //Set NbTops to 0 ready for calculations
//sei(); //Enables interrupts
//delay (1000); //Wait 1 second
//cli(); //Disable interrupts

161
//Calc = (NbTopsFan * 60 / 7.5); //(Pulse frequency x 60) / 7.5 Q, = flow rate in L/hour
//Serial.print (Calc, DEC); //Prints the number calculated above
//Serial.print (" L/hour\r\n"); //Prints "L/hour" and returns a new line
flag = 0;
calc();
delay(200);

Técnicadiagnósticofalhas SilvaJúnior 2018 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Técnicadiagnósticofalhas SilvaJúnior 2018 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

TÉCNICA DE DIAGNÓSTICO DE FALHAS EM MOTORES A COMBUSTÃO

EDILSON MARINHO DA SILVA JUNIOR

TÉCNICA DE DIAGNÓSTICO DE FALHAS EM MOTORES A COMBUSTÃO

EDILSON MARINHO DA SILVA JUNIOR

Tese apresentada ao Programa de Pós-Graduação em

Silva Júnior, Edilson Marinho.

Tese (doutorado) - Universidade Federal do Rio Grande do

1. Redes neurais artificiais - Tese. 2. Tribologia - Tese. 3.

RN/UF/BCZM CDU 004.032.26(043.2)

EDILSON MARINHO DA SILVA JUNIOR

Tese APROVADA pelo Programa de Pós-Graduação em

Agradeço primeiramente a Deus e todos os meus irmãos de luz que me ajudaram

Agradeço ao meu orientador Efrain Pantaleón Matamoros, por todo o companheirismo

Agradeço ao Brasil, em especial ao governo Lula/Dilma, bem como ao Ministro de

O cenário industrial moderno denota o aumento da competitividade industrial, tendo em vista

Palavras-chave: Tribologia. Motores a combustão interna. Aprendizagem de máquina. Redes

Keywords: Tribology. Internal combustion engines. Machine learning. Artificial Neural

Figura 1 – Tecnologias direcionadoras para a manufatura avançada ............................................... 22

Tabela 1 – Classificação dos motores a combustão interna ..................................................... 25

Quadro 1 – Equações do desgaste (ARCHARD, 1953; BAYER, 1991) ................................. 37

1.5 Hipótese ........................................................................................................................... 18

2 REVISÃO DA LITERATURA ..................................................................................... 20

2.4 Análise multivariada ................................................................................................... 37

2.5 Transdutores de vibração e nível de pressão sonora........................................................... 69

3 METODOLOGIA DA PESQUISA .............................................................................. 76

3.3 Preparação dos corpos-de-prova ....................................................................................... 90

3.4 Procedimento experimental .............................................................................................. 98

4 RESULTADOS E DISCUSSÕES ............................................................................... 108

5 CONCLUSÃO ...................................................................................................... 131

O presente capítulo destina-se a apresentar a tese proposta, delineando a exposição do

1.1 Exposição do tema

O cenário industrial moderno denota o aumento da competitividade industrial, tendo

A estatística sempre foi reputada como uma ferramenta imprescindível para a

Recentemente, um ramo da estatística, a estatística multivariada, passou a ser bastante

1.2 Definição do problema e justificativa do estudo

Em consonância com a McKinsey & Company, em até 2025, os processos

1.3 Problema da pesquisa

Diante das considerações ora aventadas, estabeleceu-se como problema da pesquisa: é

manutenção inteligentes capazes de prever, diagnosticar e monitorar falhas em motores a

1.4 Objetivo do estudo

1.4.1 Objetivo principal

1.4.2 Objetivos secundários

✓ Desenvolver um supervisório plug-in para monitoração em motores a combustão

Partiu-se da hipótese de que o uso combinado das ferramentas de aprendizagem de

1.6 Estrutura do trabalho

O presente estudo estrutura-se em seis capítulos, conforme detalhamento a seguir.

2.1 A indústria 4.0

A denominação indústria 4.0 ficou conhecida em 2011, na Alemanha, quando um

• relação vertical integrativa e manufatura em rede.

Figura 1 – Tecnologias direcionadoras para a manufatura avançada

Fonte: FEIMEC (2016).

No relatório da Confederação Nacial da Indústria (CNI), Desafios para a Indústria 4.0

programação. Mitchell (1997) complementou essa abstração atrelando-a a técnicas capazes de

2.2 Motores a combustão interna

Os motores a combustão interna são aqueles que têm a finalidade de transformar a

Tabela 1 – Classificação dos motores a combustão interna

Aplicação Automóveis, aviões, marítimo, geração de energia, sistema

Ciclo de trabalho Motor 4 tempos e 2 tempos, podendo ser aspirados, superalimentados

Combustível Gasolina, óleo diesel, álcool, gás natural, hidrogênio, bicombustível,

Método de arrefecimento Água, ar ou natural

Tabela 2 – Cronologia de desenvolvimento dos motores a combustão interna

Ano Contribuição histórica Autor