ANÁLISE COMPARATIVA DE AUTOENCODERS CLÁSSICOS E QUÂNTICOS NA DETECÇÃO DE ANOMALIAS EM SINAIS ACÚSTICOS INDUSTRIAIS SOB BAIXA RELAÇÃO SINAL-RUÍDO

A detecção de falhas em ambientes industriais ruidosos é um desafio relevante para a manutenção preditiva. Este trabalho investiga o uso de Autoencoders para detecção de anomalias em sinais acústicos do dataset MIMII, considerando o cenário mais desafiador: pump sob condição de -6 dB, onde o ruído supera o sinal. Foram avaliados Autoencoder (AE), Variational Autoencoder (VAE) e Quantum Autoencoder (QAE), todos treinados apenas com dados normais e avaliados via erro de reconstrução. Os resultados mostram que AE e VAE apresentam maior acurácia global (0,91 e 0,92), porém com baixo recall para a classe de falha (0,30 e 0,37). Em contraste, o QAE obteve recall de 0,75 e F1-score de 0,72 para falhas, com acurácia de 0,90. Os resultados indicam que o QAE é mais eficaz na detecção de anomalias em cenários altamente ruidosos, sendo promissor para aplicações industriais críticas.