Sistema Híbrido Baseado em Aprendizado de Máquina para Detecção e Classificação de Falhas em Placas de Circuito Impresso (PCIs)

Resumo

No cenário da Indústria 4.0, onde a automação do controle de qualidade em Placas de Circuito Impresso (PCIs) é imperativa, são necessários sistemas capazes de detectar anomalias e diagnosticar a natureza das falhas (OLIVERIA, 2022), as quais podem se originar de falhas em hardware (HW) ou software (SW). Para superar as limitações de precisão e cobertura dos sistemas que utilizam apenas uma modalidade de assinatura, este projeto visa desenvolver um sistema de diagnóstico híbrido, baseado em aprendizado de máquina, capaz de detectar e classificar com alta acurácia diferentes tipos de falhas, utilizando a fusão de dados de assinaturas elétricas e termográficas (SCHWALBE, 2019). A metodologia proposta inicia-se com a etapa da construção de um dataset abrangente e rotulado, contendo os sinais de PCIs em múltiplos cenários de operação normal e falha. Para obtenção dos dados desse dataset, será necessário um circuito elétrico que irá verificar a tensão de operação do sistema e uma câmera térmica para observar o aquecimento dos componentes da PCI. Em seguida, a arquitetura de dois estágios é aplicada: primeiramente, um modelo utilizando autoencoder, que é treinado para processar os dados brutos, extraindo um vetor de características compacto, com o menor ruído possível e que faça a captura dos padrões elétricos e térmicos de cada estado operacional da placa. Em seguida, esses vetores de características servirão como entrada para um ensemble robusto de classificadores tradicionais, como: Random Forest, K-Nearest Neighbors (KNN) e Gradient Boosting. Desta forma, a condição final da PCI será determinada por um mecanismo de voto majoritário (SAQLAIN, 2019). A força desta abordagem reside na sua capacidade de aprender fronteiras de decisões complexas, permitindo não apenas a detecção de uma anomalia, mas a classificação precisa em categorias predefinidas (ex: "Normal", "Falha HW - Capacitor", "Falha SW - Loop"). Como resultado, espera-se obter um sistema híbrido com desempenho superior aos métodos tradicionais baseados em uma única fonte de dados – conforme métricas de acurácia, precisão e recall – capaz não apenas de identificar a presença de uma falha, mas de classificá-la corretamente quanto à sua natureza (hardware ou software). A conclusão deste trabalho representará um avanço prático e aplicável para o controle de qualidade inteligente, fornecendo uma solução robusta que aumenta a confiabilidade e eficiência nas modernas linhas de produção das indústrias 4.0.