@MASTERSTHESIS{ 2025:662042453,
 	title = {Prognóstico de falhas em rolamentos baseado em modelos granulares evolutivos},
 	year = {2025},
 	url = "https://tede.ufam.edu.br/handle/tede/11136",
 	abstract = "A manutenção preditiva é fundamental para garantir a continuidade operacional na industria, sendo um dos pilares da Industria 4.0, onde sensores e sistemas cibernéticos permitem o monitoramento contínuo de equipamentos. Nesse contexto, o Prognóstico e Gerenciamento de Saúde surge como uma abordagem para predição de falhas por meio da estimativa da vida útil restante de máquinas usando algoritmos baseados em modelos físicos, estatísticos e técnicas de inteligência computacional capazes de analisar parâmetros operacionais e calcular o tempo de vida até a falha. Contudo, os métodos tradicionais de predição enfrentam limitações, como a dependência de grandes volumes de dados para treinamento, estrutura e parâmetros fixos, alto custo computacional e baixa interpretabilidade. Essas restrições tornam tais métodos ineficazes em cenários reais, onde há escassez de dados históricos, mudanças operacionais bruscas e a necessidade de modelos computacionalmente eficientes e explicáveis. Para superar essas limitações, esta pesquisa propõe o Preditor AutoCloud, um modelo granular e evolutivo que aprende de forma contínua e autônoma, ajustando seus parâmetros e expandindo ou reduzindo sua estrutura conforme as características dos dados. Além disso, sua abordagem baseada em granularidade permite gerar predições mais interpretáveis e adaptáveis às variações do sistema. Os testes preliminares do Preditor AutoCloud demonstram sua capacidade de contornar os desafios apresentados, oferecendo predições mais adaptáveis e interpretáveis.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de Pós-graduação em Engenharia Elétrica},
 	note = {Faculdade de Tecnologia}
}