O monitoramento de condição de máquinas rotativas é fundamental para reduzir falhas inesperadas e apoiar estratégias de manutenção preditiva. Entretanto, a aplicação de técnicas de inteligência artificial em dispositivos de borda ainda é limitada por restrições de processamento, memória, latência e pela complexidade dos sinais de vibração provenientes de sistemas reais. Nesse contexto, esta tese teve como objetivo desenvolver e validar uma abordagem para detecção de anomalias em caixas de engrenagens de turbinas eólicas utilizando algoritmos leves de aprendizado de máquina executados em uma infraestrutura de computação de borda. Foram avaliadas características extraídas dos domínios do tempo, da frequência e do tempo-frequência, associadas a modelos supervisionados, semi-supervisionados e baseados em aprendizagem de representações. A validação foi realizada utilizando sinais reais de vibração provenientes da base Wind Turbine Gearbox Vibration Condition Monitoring Benchmarking Datasets, disponibilizada pelo National Renewable Energy Laboratory, contemplando condições saudáveis e diferentes danos reais em componentes da caixa de engrenagens. Os experimentos também avaliaram diferentes níveis de relação sinal-ruído, tempos de inferência, utilização de CPU e memória RAM, latência end-to-end, escalabilidade do cluster e recuperação diante da interrupção intencional de pods em uma infraestrutura orquestrada pelo K3s. Os resultados demonstraram que características dos domínios do tempo e da frequência, particularmente RMS, desvio padrão e densidade espectral de potência (PSD), apresentaram maior robustez para a detecção de anomalias. A combinação Random Forest com PSD alcançou 100% de acurácia binária, com tempo médio de inferência de aproximadamente 5 ms, enquanto o Self-Training com Random Forest associado à PSD apresentou acurácia próxima de 98% com aproximada mente 1,4 ms de inferência. Considerando conjuntamente as características avaliadas, o Self-Training apresentou o melhor equilíbrio global, com acurácia binária de 92,4%, FPR de 10,2% e FNR de 7,2%. Os experimentos de infraestrutura evidenciaram que, sob altas taxas de publicação, a latência total é predominantemente influenciada pelo enfileiramento das amostras, e não pelo tempo individual de inferência dos modelos. O aumento do intervalo de publicação e do número de nós do cluster contribuiu para reduzir a demanda sobre os recursos computacionais, a carga térmica e a perda de amostras durante eventos de recuperação. Dessa forma, os resultados demonstram que algoritmos leves, quando associados a características adequadamente selecionadas, são capazes de viabilizar a detecção de anomalias em sinais reais e ruidosos de caixas de engrenagens diretamente na borda, conciliando elevada acurácia, inferência em milissegundos, baixo consumo computacional e capacidade de operação em uma infraestrutura distribuída e resiliente.