CLASSIFICAÇÃO DE FALHAS EM ROLAMENTOS EM BANCADA EXPERIMENTAL: COMPARAÇÃO ENTRE MODELOS CLÁSSICOS E QUANTUM MACHINE LEARNING

A análise de vibração é uma das principais técnicas utilizadas no monitoramento de condição de máquinas rotativas. Nesse contexto, este trabalho avalia o desempenho de modelos clássicos e híbridos quântico-clássicos na classificação de falhas em rolamentos a partir de sinais obtidos em bancada experimental. Foram consideradas duas condições operacionais: alinhada e balanceada (AB) e desalinhada e desbalanceada (DD). Os sinais foram segmentados, e características estatísticas foram extraídas para compor o conjunto de entrada dos modelos. Foram avaliados um modelo baseado em Multi-Layer Perceptron (MLP) e abordagens com Quantum Machine Learning, utilizando angle encoding e amplitude encoding. Em condição AB, os modelos apresentaram acurácia de até 0,91. Em DD, observou-se redução significativa, com acurácia em torno de 0,71 para MLP e angle encoding, e 0,62 para amplitude encoding. Os resultados indicam forte influência das condições operacionais no desempenho dos modelos, sem ganhos expressivos das abordagens quânticas neste cenário.