Aprendizado Profundo para Fabricação Robusta: Do Controle de Qualidade à Manutenção Preditiva

No cenário global de manufatura atual, as empresas são obrigadas a equilibrar velocidade, precisão e sustentabilidade, tornando soluções inteligentes e baseadas em dados uma necessidade. A convergência da Indústria 4.0, sistemas ciberfísicos e tecnologias de inteligência artificial está levando a um novo paradigma conhecido como fabricação inteligente, onde o uso efetivo dos dados coletados pode aumentar a produtividade, eficiência e qualidade. Esta pesquisa explora o potencial do aprendizado profundo para aumentar a produtividade industrial aproveitando o controle de qualidade automatizado dos componentes fabricados e a manutenção preditiva dos sistemas. Assim, esta tese se concentra em dois objetivos principais dentro de um contexto industrial: (OB1) o desenvolvimento de modelos para aprimorar o processo de controle de qualidade, e (OB2) o desenvolvimento de modelos para implementar uma estratégia de manutenção preditiva. Esses objetivos são abordados por meio de três contribuições esperadas. Primeiramente, um modelo de controle de qualidade para imagens térmicas alinhadas com os requisitos da fábrica (C1). Em segundo lugar, um modelo de aprendizado contrastivo para detecção de anomalias em imagens multiview (C2). Por último, um modelo de manutenção preditiva para moldes de fundição sob pressão (C3). Os resultados iniciais começam a mostrar a vantagem dessas contribuições para melhorar a produtividade em fábricas inteligentes.