RESUMO: A chegada do 5G propicia uma evolução da manutenção preditiva com foco em múltiplos sensores nas máquinas para medir dezenas de parâmetros, garantindo que os dados sejam sempre coletados de forma confiável. Para este objetivo, propõe-se neste trabalho um método adaptativo de aprendizado de máquina para lidar com sinais compostos. O desafio que é lidar com o tamanho variável destes sinais é contornado através da exploração dos parâmetros de um classificador do tipo Máquina de Vetores de Suporte. Alcança-se máxima assertividade na classificação garantindo uma solução adaptativa e eficaz, construída sobre um método consolidado computacionalmente, tornando-se de fácil implementação.

​

​

ABSTRACT: The arrival of 5G provides an evolution of predictive maintenance with a focus on multiple sensors on machines to measure dozens of parameters, ensuring that data are always reliably collected. For this goal, an adaptive machine learning method is proposed in this paper to deal with composite signals. The challenge of dealing with the varying size of these signals is circumvented by exploiting the parameters of a Support Vector Machine type classifier. Maximum assertiveness in classification is achieved by ensuring an adaptive and effective solution, built on a computationally consolidated method, making it easy to implement.