ESTUDO COMPARATIVO DE MICROCONTROLADORES ESP-32 COM TINYML APLICADO À CLASSIFICAÇÃO DE SINAIS DE ACELERÔMETRO MEMS DE BAIXO CUSTO

Resumo

Este trabalho apresenta um estudo comparativo de desempenho de algoritmos de Machine Learning em dispositivos de baixo consumo de energia e com recursos limitados em processamento ou TinyML (Tiny Machine Learning). Para isso foram utilizados três microcontroladores da família ESP32 (WROOVER-32, S3 e C6). Os dados de treinamento foram obtidos a partir de sinais de vibração de rolamentos (sem defeitos e com defeito) coletados com o acelerômetro MPU6050. Para a classificação do estado dos rolamentos foi utilizado um modelo de rede neural convolucional (CNN) treinado em Python (Google Colab), convertido para TensorFlow Lite e embarcado nos dispositivos. Como métrica para medir a eficiência dos microcontroladores, foram obtidos os tempos médios de inferência, permitindo avaliar o impacto das diferentes arquiteturas (Xtensa LX6, Xtensa LX7 e RISC-V). Os resultados indicam que o ESP32-S3 apresentou maior eficiência e que a escolha do microcontrolador para aplicações TinyML deve considerar não apenas conectividade e memória, mas também a capacidade de execução otimizada de modelos de inteligência artificial.