Amanda Rosa Ferreira Jorge
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Amanda Rosa Ferreira Jorge has a total of 15 co-authors. Here are the top co-authors by number of shared publications:
- Márcio José da Cunha
Electrical Engineering Department, Federal University of Uberlndia (UFU), Uberlndia, MG, Brazil
3 shared publications - Aldemir Ap Cavalini
Federal University of Uberlândia
2 shared publications - Eduardo B. Gouveia
Federal University of Uberlandia (UFU)
2 shared publications - Luiz Carlos Gomes Freitas
Faculty of Electrical Engineering, Federal University of Uberlandia, Uberlandia, Brazil
2 shared publications A. B. Soares
Federal University of Uberlândia
1 shared publicationA. M. de Freitas
Federal University of Uberlândia
1 shared publication
Latest Publications
- 12 November 2026
- Published by Portal de Periódicos UFU - Universidade Federal de Uberlandia
Detecção de anomalias em caixas de engrenagens de turbinas eólicas em tempo real utilizando algoritmos leves em computação de borda
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.
- 12 November 2026
- Published by Portal de Periódicos UFU - Universidade Federal de Uberlandia
Detecção de anomalias em caixas de engrenagens de turbinas eólicas em tempo real utilizando algoritmos leves em computação de borda
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.
- Open Access
- 10 July 2026
- Published by Taylor & Francis in Applied Artificial Intelligence
- Vol. 40 (1)
Multi-Fault Diagnosis Using Lightweight Machine Learning Techniques for Rotordynamics Analysis in Multi-Domain
- 10 July 2026
- Published by Taylor & Francis in Applied Artificial Intelligence
- Vol. 40 (1)
Open AccessMulti-Fault Diagnosis Using Lightweight Machine Learning Techniques for Rotordynamics Analysis in Multi-Domain
- Open Access
- 26 September 2025
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Access
- Vol. 13, 170660-170669
A One-Shot Learning Approach for Fault Classification of Bearings via Multi-Autoencoder Reconstruction
In industrial scenarios, the scarcity of labeled data for fault diagnosis of rotating machinery poses a significant challenge to the development of reliable data-driven models. This paper proposes an interpretable one-shot fault diagnosis approach based on class-specific autoencoder, where a separate autoencoder is trained to reconstruct the vibration signal pattern of each fault class. The method operates effectively without requiring the extensive meta-training phases required by few-shot learning. During inference, the reconstruction similarity measured via Pearson correlation is used to identify the most likely fault class. To evaluate the method, experiments were conducted on the Case Western Reserve University (CWRU) dataset under two classification schemes: one with 4 classes representing fault types, and another with 10 classes including fault severities. In both cases, models were trained by using only one sample per class, and performance was averaged over 50-fold cross-validation using different samples in each fold. The proposed model achieved superior performance across all tested operating conditions (1797, 1772, 1750, and 1730 RPM), reaching average accuracies of 64% and 67% in the 10-class and 4-class scenarios, respectively. Comparisons with conventional and few-shot learning methods including Long Short-Term Memory (LSTM), Residual Network (ResNet18-1D), Model-Agnostic Meta-Learning (MAML), and Prototypical Networks. These results establish signal reconstruction with class-specific autoencoder as a simple yet powerful alternative to complex meta-learning strategies for fault diagnosis in real-world, data-scarce, industrial environments.
- 26 September 2025
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Access
- Vol. 13, 170660-170669
Open AccessA One-Shot Learning Approach for Fault Classification of Bearings via Multi-Autoencoder Reconstruction
In industrial scenarios, the scarcity of labeled data for fault diagnosis of rotating machinery poses a significant challenge to the development of reliable data-driven models. This paper proposes an interpretable one-shot fault diagnosis approach based on class-specific autoencoder, where a separate autoencoder is trained to reconstruct the vibration signal pattern of each fault class. The method operates effectively without requiring the extensive meta-training phases required by few-shot learning. During inference, the reconstruction similarity measured via Pearson correlation is used to identify the most likely fault class. To evaluate the method, experiments were conducted on the Case Western Reserve University (CWRU) dataset under two classification schemes: one with 4 classes representing fault types, and another with 10 classes including fault severities. In both cases, models were trained by using only one sample per class, and performance was averaged over 50-fold cross-validation using different samples in each fold. The proposed model achieved superior performance across all tested operating conditions (1797, 1772, 1750, and 1730 RPM), reaching average accuracies of 64% and 67% in the 10-class and 4-class scenarios, respectively. Comparisons with conventional and few-shot learning methods including Long Short-Term Memory (LSTM), Residual Network (ResNet18-1D), Model-Agnostic Meta-Learning (MAML), and Prototypical Networks. These results establish signal reconstruction with class-specific autoencoder as a simple yet powerful alternative to complex meta-learning strategies for fault diagnosis in real-world, data-scarce, industrial environments.
- 17 December 2023
- Published by Springer Nature
- p. 118-128
Genetic Algorithms in Machine Learning Applied to Computer Vision: Facial Emotion Recognition
- 17 December 2023
- Published by Springer Nature
- p. 118-128
Genetic Algorithms in Machine Learning Applied to Computer Vision: Facial Emotion Recognition
- 15 April 2022
- Published by Springer Nature
- p. 413-418
Amputation Rates in Southeastern Brazil
- Open Access
- 28 October 2021
- Published by Portal de Periódicos UFU - Universidade Federal de Uberlandia in Bioscience Journal
- Vol. 37, e37066
Electroencephalogram patterns with the presence of an unknown musical stimulus
The cerebral activity presents different behaviors in different situations and levels of consciousness, especially under musical stimulation. Signals of the central nervous system may disclose bioelectrical patterns, since listening to rhythmic sequences activates specific brain areas. In this paper, we analyze 42 neurologically normal Brazilian individuals, submitted to musical stimulation based on a procedure consisting of three different steps, during which the volunteer is kept with closed eyes. The first step is associated with the preliminary control silence period, without any stimulus, as the volunteer remains at rest. The second step consisted of unknown music stimulation. Finally, the third step involves post-music rest. Quantitative signal analysis computes the power spectrum time variations. Results point out stronger changes in gamma and high gamma waves (30 – 100 Hz). Even though the clinical rhythms (0 – 30 Hz) change throughout the whole period of the experiment, quantitative differences at gamma and high gamma bands are remarkably greater. Particularly, when comparing the initial silent period and the final post-stimulation silent one, bioelectrical differences are only highlighted by gamma and high gamma rhythms. In consequence, this paper points out that the EEG analysis of cognitive issues related to musical perception cannot disregard gamma and high gamma waves.
- 28 October 2021
- Published by Portal de Periódicos UFU - Universidade Federal de Uberlandia in Bioscience Journal
- Vol. 37, e37066
Open AccessElectroencephalogram patterns with the presence of an unknown musical stimulus
The cerebral activity presents different behaviors in different situations and levels of consciousness, especially under musical stimulation. Signals of the central nervous system may disclose bioelectrical patterns, since listening to rhythmic sequences activates specific brain areas. In this paper, we analyze 42 neurologically normal Brazilian individuals, submitted to musical stimulation based on a procedure consisting of three different steps, during which the volunteer is kept with closed eyes. The first step is associated with the preliminary control silence period, without any stimulus, as the volunteer remains at rest. The second step consisted of unknown music stimulation. Finally, the third step involves post-music rest. Quantitative signal analysis computes the power spectrum time variations. Results point out stronger changes in gamma and high gamma waves (30 – 100 Hz). Even though the clinical rhythms (0 – 30 Hz) change throughout the whole period of the experiment, quantitative differences at gamma and high gamma bands are remarkably greater. Particularly, when comparing the initial silent period and the final post-stimulation silent one, bioelectrical differences are only highlighted by gamma and high gamma rhythms. In consequence, this paper points out that the EEG analysis of cognitive issues related to musical perception cannot disregard gamma and high gamma waves.