Danilo Silva

Resumo-Falhas em rolamentos estão entre as mais frequentes em motores de indução trifásicos usados em ambientes industriais. Devido à ampla aplicação desses motores na indústria, suas falhas podem resultar em prejuízos significativos, especialmente em casos de paradas não programadas nas linhas de produção. Atualmente, diversos métodos usam sinais coletados de forma invasiva e/ou são baseados em sistemas inteligentes de alta complexidade para a detecção das falhas. Assim, neste estudo, apresenta-se uma metodologia com sinais de emissão acústica que podem ser coletados de forma não invasiva e com sensores de baixo custo. Além disso, esses sinais apresentam assinaturas das falhas similares às dos sinais de vibração, geralmente usados para essa aplicação. Analisam-se os valores do espectro de frequência em 30,60 e 90 Hz, os quais estão relacionados às falhas de rolamento em sinais de vibração. Avaliam-se classificadores com baixa complexidade, como máquinas de vetores de suporte, de forma a se obter uma solução passível de ser construída em um sistema embarcado. Os resultados de acurácia foram próximos a 98 % mesmo quando considerados sinais coletados com motores sofrendo desequilíbrio elétrico da fonte de alimentação da rede.

The detrimental impact of noisy labels on the generalization performance of deep neural networks has sparked research interest in learning with noisy labels (LNL). Among the various methods proposed to mitigate this detrimental effect, the Co-Teaching method, characterized by co-training with the small-loss criterion, is one of the most established approaches, being widely employed as an important component in recent LNL methods. Although Co-Teaching can mitigate the overfitting effect, it still persists, especially in scenarios with high rates of label noise in datasets. Strategies from the LNL literature to address this typically include the use of disagreement techniques and alternative loss functions. In this paper, we propose the Cyclic Co-Teaching (CCT) method, which employs cyclic variations in the learning rate and sample retention rate at the mini-batch level, along with a checkpoint mechanism that ensures training in subsequent cycles always resumes from the best models obtained so far. For method optimization, we developed a framework that incorporates a pre-training phase to obtain an optimized vanilla model used to initialize CCT model weights, and a transparent univariate optimization strategy for hyperparameters that does not strictly require a clean validation set. Experimental results on synthetic and real-world datasets, under different types and levels of noise and employing various neural network architectures, demonstrate that CCT outperforms several state-of-the-art LNL methods in most evaluated scenarios.

Resumo-Exames de eletrocardiograma são fundamentais no diagnóstico de doenças cardíacas em animais. Contudo, a segmentação manual

Deploying deep learning models in safety-critical tasks, like medical diagnosis, demands classifiers that can abstain from high-uncertainty samples to mitigate errors, which are known as selective classifiers. However, while these tasks often exhibit class imbalance, most existing approaches are based on conventional metrics such as accuracy, which are unsuited for imbalanced data. Recent work has proposed an algorithm that minimizes the balanced error rate, which is an appropriate metric for this case. Yet, their solution presents high complexity and suffers from poor scalability, restricting the application range due to computational costs. This work establishes sufficient conditions for an optimal selective classifier under the balanced error rate and proposes three novel methods that are fast and highly scalable. Experimental results show that the methods match or outperform the state-of-the-art algorithm on synthetic and realworld imbalanced datasets.

Comparing images captured by disparate sensors is a common challenge in remote sensing. This requires image translation—converting imagery from one sensor domain to another while preserving the original content. Denoising diffusion implicit models (DDIM) are potential state-of-the-art solutions for such domain translation due to their proven superiority in multiple image-to-image translation tasks in computer vision. However, these models struggle with reproducing radiometric features of large-scale multipatch imagery, resulting in inconsistencies across the full image. This renders downstream tasks like heterogeneous change detection impractical. To overcome these limitations, we propose a method that leverages denoising diffusion for effective multisensor optical image translation over large areas. Our approach super-resolves large-scale low spatial resolution images into high-resolution equivalents from disparate optical sensors, ensuring uniformity across hundreds of patches. Our contributions lie in new forward and reverse diffusion processes that address the challenges of large-scale image translation. Extensive experiments using paired Sentinel-II (10 m) and Planet Dove (3 m) images demonstrate that our approach provides precise domain adaptation, preserving image content while improving radiometric accuracy and feature representation. A thorough image quality assessment and comparisons with the standard DDIM framework and five other leading methods are presented. We reach a mean learned perceptual image patch similarity of 0.1884 and a Fréchet Inception Distance of 45.64, expressively outperforming all compared methods, including DDIM, ShuffleMixer, and SwinIR. The usefulness of our approach is further demonstrated in two Heterogeneous Change Detection tasks.

Este artigo desenvolve métodos baseados em aprendizado de máquina para diagnóstico de falhas em rolamentos com dados da Case Western Reserve University (CWRU). Adota-se uma abordagem multirrótulo proposta na literatura, com três classificadores binários para identificar falhas na trilha interna, externa e no elemento rolante, dividindo o conjunto de dados por rolamentos distintos, visando eliminar vazamento. Utilizam-se features no domínio do tempo e frequência, incluindo uma nova proposta de features espectrais, denominadas PFRs (Peak-To-Floor Ratios), calculadas sobre frequências ligadas ao fenômeno da falha. Os resultados, comparados com outras features da literatura, mostram melhorias no desempenho e explicabilidade.

O avanço tecnológico permitiu o monitoramento simultâneo de milhares de máquinas, possibilitando o treinamento de algoritmos de aprendizado de máquina para realizar a detecção e o diagnóstico de falhas de forma automatizada. Contudo, um dos principais desafios tem sido a falta de dados rotulados, além do fato de que um mesmo tipo de máquina pode ser exposto a diferentes condições de operação, alterando a distribuição dos atributos dos sinais adquiridos. Uma possível solução é utilizar técnicas de adaptação de domínio, que podem melhorar o desempenho dos modelos em novos tipos de máquina, mesmo sem dados rotulados. No entanto, muitos dos artigos apresentados na literatura enfrentam problemas de vazamento de dados, o que impos sibilita a comparação entre técnicas, pois o desempenho dos modelos é irrealista. Diante disso, este artigo propõe uma metodologia para comparar técnicas de adaptação de domínio, evitando esse problema. Foram implementadas oito técnicas de adaptação de domínio e avaliadas em dois conjuntos de dados, resultando em ganhos significativos em um dos cenários de avaliação.

In recent years, the application of machine learning techniques in condition monitoring has significantly advanced the precision and efficiency of fault detection processes. In particular, detecting bearing faults in conveyor belt drums is critical in the mining industry for maintaining operational reliability and productivity. This paper presents a case study using vibration signals and diagnostic reports provided by the company Dynamox. After meticulous data cleaning, preprocessing, and feature extraction employing advanced signal processing techniques and statistical features, several machine learning models were trained, optimized and evaluated, with the best models providing very promising results.