Semião, Jorge Filipe Leal CostaAzinheira, Gonçalo José de Sousa2025-04-152025-04-152024-12-19http://hdl.handle.net/10400.1/27048This thesis presents the development and implementation of an automation system for predictive maintenance of electric machines in pumping systems. The work integrates Industry 4.0 technologies such as IoT devices, machine learning algorithms, and advanced sensor systems to enhance the reliability and efficiency of industrial operations. A complete test bench was developed, featuring an electric pump, water reservoir, automation and control board, energy meter, vibration sensors, pressure sensors, motorized valves, and temperature sensors, allowing automated test procedures including fault-injection behaviors through valve control. The research bridges the gap between theoretical models of predictive maintenance and their practical implementation in industrial environments, emphasizing the importance of automation and data-driven decision-making. The core achievements include the successful development and deployment of a system capable of real-time data acquisition, advanced vibration analysis, and fault prediction using machine learning. A detailed analysis was conducted to determine optimal data processing procedures prior to analysis, and automation-based sensors were integrated with electronic-based sensors in a unified predictive maintenance system. Machine learning algorithms demonstrated the feasibility of implementing predictive maintenance within standard automation pumping systems by successfully predicting faults induced in the test pump. The developed system not only reduces unexpected failures but also aligns with modern demandsfor sustainability and operational efficiency. By combining data acquisition, real-time analysis, and predictive modeling, the research offers a comprehensive approach that can be adapted across various industries reliant on electric machines.Esta tese apresenta o desenvolvimento e implementação de um sistema de automação para manutenção preditiva de máquinas elétricas em sistemas de bombagem. O trabalho integra tecnologias da Indústria 4.0, como dispositivos IoT, algoritmos de aprendizagem automática e sistemas avançados de sensores para melhorar a fiabilidade e eficiência das operações industriais. Foi desenvolvida uma bancada de ensaios completa, incluindo uma bomba elétrica, reservatório de água, quadro de automação e controlo, contador de energia, sensores de vibração, sensores de pressão, válvulas motorizadas e sensores de temperatura, permitindo procedimentos de teste automatizados, incluindo comportamentos de injeção de falhas através do controlo das válvulas. A investigação estabelece uma ponte entre os modelos teóricos de manutenção preditiva e a sua implementação prática em ambientes industriais, enfatizando a importância da automação e da tomada de decisões baseada em dados. As principais concretizações incluem o desenvolvimento e implementação bem-sucedidos de um sistema capaz de aquisição de dados em tempo real, análise avançada de vibrações e previsão de falhas utilizando aprendizagem automática. Foi realizada uma análise detalhada para determinar os procedimentos ideais de processamento de dados antes da análise, e os sensores baseados em automação foram integrados com sensores eletrónicos num sistema unificado de manutenção preditiva. Os algoritmos de aprendizagem automática demonstraram a viabilidade de implementar manutenção preditiva em sistemas de bombagem com automação padrão, prevendo com sucesso falhas induzidas na bomba de teste. O sistema desenvolvido não só reduz falhas inesperadas como também se alinha com as exigências modernas de sustentabilidade e eficiência operacional. Ao combinar aquisição de dados, análise em tempo real e modelação preditiva, a investigação oferece uma abordagem abrangente que pode ser adaptada a várias indústrias dependentes de máquinas elétricas.engPredictive MaintenanceIndustry 4.0Machine LearningAutomation SystemsVibration AnalysisElectric PumpsIndustrial IoTmaster thesis203876709