Made available in DSpace on 2016-12-23T14:33:41Z (GMT). No. of bitstreams: 1 dissertacao.pdf: 466920 bytes, checksum: f3f3919d7838ae33470a93d1b137778a (MD5) Previous issue date: 2009-08-17 / A manutenção preditiva possui um papel importante na economia e segurança de sistemas petrolíferos. A análise de sinais de vibração obtidos das máquinas envolvidas no processo de extração petrolífera permite a especialistas altamente capacitados caracterizar e monitorar a sua situação. No entanto, o custo e a falta de disponibilidade desses especialistas tornam desejável a existência de sistemas automáticos que apoiem a análise. Este trabalho descreve um procedimento computacional para reconhecimento de padrões de defeitos em equipamentos do tipo motobomba. O procedimento consiste na aplicação combinada de técnicas previamente selecionadas para cada etapa do processo de reconhecimento dos padrões. Técnicas de processamento de sinais são utilizadas para obter atributos descritivos a partir dos sinais de vibração. Duas abordagens são avaliadas para a seleção de características relevantes: a utilização de heurísticas com base no conhecimento especializado do domínio (abordagem manual) e a aplicação de algoritmos de seleção (abordagem automática). Exemplos reais são submetidos a um algoritmo de aprendizado pervisionado para comparação das abordagens manual e automática de seleção. / Predictive maintenance plays an important role for the economy and safety of petroleum systems. Analysis of vibration signals obtained from machines involved in the petroleumextraction process allows subject matter experts to characterize and monitor the situation. However, because of the high cost and the lack of availability of those experts, the existence of automatic systems that support the analysis is desirable. This work presents an automatic procedure to recognize defect patterns in motorpump equipments. A set of techniques previously selected for each stage of the pattern recognition process is applied in the procedure. Signals processing techniques are used to obtain descriptive features from vibration signals. Two approaches are evaluated for the selection of relevant characteristics: using heuristics based on domain specialized knowledge (manual approach) and application of selection algorithms (automatic approach). Real examples are subjected to a supervised learning algorithm in order to compare the manual and the automatic selection approaches.