Manutenção de Condição e Predição

Métodos de Ensino

As aulas teóricas são maioritariamente expositivas, com apresentação e discussão dos temas do programa.
São também usadas para apresentação e discussão de trabalhos e exemplos práticos de aplicação das tecnologias, incluindo palestras de convidados.

Nas aulas práticas são realizados exercícios, trabalhos práticos e apresentações.

Resultados de Aprendizagem

1. Conhecer ferramentas e técnicas para recolha de dados
2. Conhecer técnicas e ferramentas para análise de falhas
3. Conhecer técnicas e ferramentas de predição e prognóstico inteligente
4. Aplicar ferramentas e métodos de apoio à decisão

Programa

1 Estratégias, ferramentas e tecnologias de recolha de dados
1.1 Tipos de sensores
1.2 Tipos de variáveis
2. Técnicas e ferramentas de análise de falhas
2.1 Sistemas eletromecatrónicos
2.2 Ferramentas de análise de dados
3. Predição e prognóstico em sinais digitais
3.1 Conceitos de séries temporais na manutenção de condição
3.2 Previsão usando modelos computacionais recorrentes
4 Sistemas de apoio à decisão
4.1 Sistemas baseados em conhecimento
4.2 Gémeos digitais e Metaverso
4.3 Ferramentas de modelação e simulação
4.4 Modelos de IA generativa na manutenção

Docente(s) responsável(eis)

Mateus Daniel Almeida Mendes

Métodos de Avaliação

Avaliação Contínua
  • - Trabalho prático - 40.0%
  • - Assiduidade e Participação - 10.0%
  • - Frequência - 50.0%
Avaliação por Exame
  • - Trabalho prático - 40.0%
  • - Exame - 60.0%

Estágio(s)

NAO

Bibliografia

1. Deepam Goyal, Ankit Sharma, Mohamad Abou Houran. Intelligent Machinery Fault Diagnostics and Prognostics (Innovations in Smart Manufacturing for Long-Term Development and Growth). CRC Press, 2025.
2. Zdzislaw Kowalczuk. Advanced and Intelligent Computations in Diagnosis and Control (Advances in Intelligent Systems and Computing, 386). Springer, 2016.
3. Thomas R. Caldwell. The AI Engineering Bible: The Complete and Up-to-Date Guide to Build, Develop and Scale Production Ready AI Systems. Independently published, 2025.
4. Christopher M. Bishop, Hugh Bishop. Deep Learning: Foundations and Concepts. Springer, 2024.
5. Richard Lyons. Understanding Digital Signal Processing 3rd Edition. Pearson, 2010.
6. F. Chollet. Deep learning with Python. Shelter Island, NY : Manning, 2021.