Minicurso: Métodos de Machine Learning Aplicados na Identificação de Falhas em Equipamentos Elétricos
Publicado: 31/07/2025 - 17:03
Última modificação: 31/07/2025 - 17:03

É com muita satisfação que divulgamos a realização do 7º Minicurso a ser ofertado pelo PPGEELT no âmbito do Programa de Pós-Doutorado da UFU.
Essa iniciativa tem os seguintes objetivos:
- promover a inserção de pesquisadores brasileiros em estágio pós-doutoral, estimulando sua integração com projetos de pesquisa desenvolvidos no âmbito do PPGEELT;
- melhorar o nível de excelência da produção científica do PPGEELT;
- contribuir para a formação de recursos humanos no âmbito do PPGEELT;
- difundir as linhas e grupos de pesquisa vinculados ao PPGEELT.
O minicurso “Métodos de Machine Learning Aplicados na Identificação de Falhas em Equipamentos Elétricos” tem como proposta apresentar uma formação técnica aplicada à análise, diagnóstico e localização de falhas em motores, transformadores e outros equipamentos elétricos, com ênfase no uso de técnicas de aprendizado de máquina (machine learning). Com carga horária total de 12 horas, o curso será ministrado remotamente em seis encontros de 2 horas, entre os dias 26 de agosto e 04 de setembro, sempre das 19h às 21h. As inscrições serão realizadas por meio de formulário no link: https://forms.gle/KME19NjaYyXZMStX9.
O conteúdo foi estruturado de forma progressiva, permitindo que os participantes desenvolvam uma compreensão sólida desde os fundamentos teóricos até a implementação prática dos métodos computacionais utilizados para a detecção de falhas. Serão abordados tópicos como modelagem de falhas, pré-processamento e extração de atributos de sinais, técnicas de seleção de variáveis e algoritmos de machine learning aplicados à engenharia elétrica.
Minicurso: Métodos de Machine Learning Aplicados na Identificação de Falhas em Equipamentos Elétricos
Certificados de participação serão emitidos pela Coordenação do PPGEELT
Autor: Dr. Arismar Morais Gonçalves Júnior, Docente da UEMG e Pesquisador do Programa de Pós‐Doutorado da UFU vinculado ao PPGEELT
Supervisor(a): Prof. Dr. Hélder de Paula
Data: 25 de agosto a 4 de setembro de 2025
Horário: 19h00 às 21h00
Local: Microsoft Teams
Inscrições no link: CLIQUE >> INSCRIÇÕES
Ementa:
- Aula 01 (25/08/25) - Introdução e Fundamentação: Motivação para a detecção, diagnóstico e localização de falhas em equipamentos elétricos como motores, transformadores e cabos. Descrição das principais falhas que atingem tais equipamentos e maneiras de medição das mesmas. Modelagem computacional e experimental das falhas;
- Aula 02 (26/08/25) - Pré-processamento de Sinais: Análise dos sinais oriundos das falhas no domínio do tempo e da frequência. Fundamentos da Transformada Discreta de Fourier (FFT). Implementação de filtros digitais para a eliminação de ruídos e interferências;
- Aula 03 (28/08/25) - Extração de Atributos em Sinais: Obtenção de características dos sinais para a discriminação das falhas, no domínio do tempo e da frequência. Extração de parâmetros estatísticos, energia e entropia dos sinais. Aplicação da transformada Wavelet e da transformada de Hilbert na extração de atributos;
- Aula 04 (01/09/25) - Métodos de Seleção de Atributos: Delimitação de um subconjunto de atributos contendo apenas aqueles significativos para a devida identificação das falhas. Seleção por meio da razão discriminante de Fisher e pela correlação de Pearson. Seleção por meio de métodos de aprendizado de máquinas;
- Aula 05 (03/09/25) - Métodos de Machine Learning: Fundamentos e implementação de modelos de Regressão Linear Múltipla, Regressão Logística, Máquinas de Vetores Suporte e Redes Neurais Artificiais. Matriz de confusão e métricas para avaliação do desempenho;
- Aula 06 (04/09/25) - Identificação de Falhas em Equipamentos Elétricos: Aplicação de métodos de Machine Learning no diagnóstico de falhas em motores de indução trifásicos e na localização 17 de descargas parciais em transformadores.
Ao final do curso, os participantes estarão aptos a aplicar técnicas de aprendizado de máquina para a identificação de falhas em sistemas elétricos, integrando teoria e prática com ferramentas modernas de análise e simulação.
Anexo | Tamanho |
---|---|
![]() | 1.23 MB |