No âmbito do projeto de monitorização de sistemas eletromecânicos (inspirado em aplicações reais como bombas industriais), foi desenvolvido um algoritmo de classificação baseado em Random Forest para identificar automaticamente o estado de funcionamento de um aspirador. A motivação para este trabalho surge da aplicação direta deste tipo de abordagem em contexto industrial, nomeadamente nas bombas de hidropressão com as quais estamos a trabalhar.
O principal objetivo foi criar um sistema capaz de distinguir entre diferentes condições operacionais com base em sinais de vibração: Parado, Funcionamento normal, Estado tapado (obstrução). Construímos um modelo de classificação utilizando o algoritmo Random Forest, uma técnica de machine learning que combina múltiplas árvores de decisão para aumentar a robustez e precisão das previsões. O modelo foi treinado com dados recolhidos em três estados distintos do aspirador: parado, funcionamento normal e estado tapado. Cada árvore aprende padrões específicos dos dados, e a decisão final resulta da votação entre todas as árvores.
Após o treino em ambiente Python, convertemos manualmente as árvores de decisão para código C/C++ e implementamos o modelo diretamente no microcontrolador. Esta abordagem permitiu executar a classificação em tempo real, sem necessidade de comunicação com sistemas externos, tornando a solução mais eficiente e autónoma. O sistema desenvolvido realiza continuamente a aquisição de dados, o cálculo das características e a classificação do estado do equipamento, apresentando o resultado de forma imediata.
Este projeto demonstra o potencial da integração entre aquisição de dados, processamento de sinal e machine learning em sistemas eletromecânicos.Embora tenha sido testado num aspirador, o mesmo princípio pode ser aplicado aos equipamentos de estudo que são as bombas de hidropressão.