The variation in the thermal state of electrical energy substation equipment is normally associated with natural wear or equipment failure. This can be detected by infrared thermography, but technically it demands a long time to analyze these images. Computational analysis can allow an automated, more agile, and more efficient analysis to detect overheated regions in thermographic images. Therefore, it is necessary to segment the region of interest in the images; however, the results may diverge depending on the technique used. Thus, this article presents the improvement of four different techniques implemented in Python and applied in a substation under real operating conditions for a period of eleven months. The performance of the four methods was compared using eight statistical performance measures, and the efficiency was measured by the runtime. The segmentation results showed that the methods based on a threshold (Otsu and Histogram-Based Threshold) were fast, with processing times of 0.11 to 0.24 s, but caused excessive segmentation, presenting the lowest accuracy (0.160 and 0.444) and precision (0.004 and 0.049, respectively). The clustering-based methods (Cluster K-means and Fuzzy C-means) showed similar results to each other but were more accurate (0.936 to 1.000), more precise (0.965 to 1.000), and slower, with 2.55 and 38.8 s, respectively, compared to the threshold methods. The Fuzzy C-means method obtained the highest values of specificity, accuracy, and precision among the methods under analysis, followed by the Cluster K-means method.

This study proposes a novel approach to monitoring the grinding wheel during the dressing operation by using acoustic emission (AE) signals and the statistical Counts method. AE signals were acquired during the dressing passes and processed in MATLAB^®. The Counts matrices were segmented according to the grinding wheel rotation, and the metric termed z-ratio, which combines mean and standard deviation statistics, was calculated for each subwindow. The vectors were then filtered, normalized, and represented in polar coordinates. The results demonstrate the method’s ability to track the evolution of dressing and detect grinding wheel eccentricity, offering a promising tool for the indirect monitoring of the surface conditions of the grinding tool during the dressing operation of conventional grinding wheels.

Agriculture 4.0 integrates smart technologies to optimize agricultural management. This work proposes the development of a low-cost remote sensing module for small producers in the north of Paraná, Brazil, using the STM32F411CEU6 (STMicroelectronics, Geneva, Switzerland) microcontroller and the nRF24L01 (Nordic Semiconductor, Trondheim, Norway) + module for mesh communication. The system measures temperature, humidity, and pressure using DS18B20, BME280, and capacitive soil moisture sensors via Inter-Integrated Circuit (I²C), Serial Peripheral Interface (SPI), and Analog-to-Digital Converter (ADC). Powered by a solar cell and Lithium Polymer (Li-Po) battery, along with a charge controller, the module acts as a transceiver, sending data to a gateway where it can be stored and analyzed, democratizing access to technology and supporting decision-making in crop management.

This research addresses the need to enhance agricultural management due to rapid population growth in the 20th and 21st centuries. It focuses on integrating sensors and embedded systems to collect data on soil and air conditions, including temperature, humidity, and solar radiation. This information is obtained using ESP32 microcontrollers and stored in a centralized database. This system uses JavaScript and the Leaflet library’s interpolation algorithm to create interactive maps, allowing the farmers in the northern region of Paraná, Brazil, to monitor their fields and activate irrigation according to the predefined routines. This innovative system provides a data-driven approach to agriculture and automated irrigation, conferring advantages to the farmers and their families.

A dressagem é fundamental para garantir a eficiência dos processos de retificação com rebolos convencionais. Contudo, seu monitoramento depende majoritariamente da experiência do operador, comprometendo a precisão e reprodutibilidade dos resultados. Este trabalho propõe uma abordagem de monitoramento indireto baseada em sinais de emissão acústica (EA) para identificar alterações no estado do rebolo. Os ensaios foram conduzidos em uma retificadora plana sob condições controladas. Um sensor de EA foi fixado ao suporte do dressador de ponta única e os sinais foram digitalizados via sistema de aquisição de alta velocidade. Osdados foram processados mediante as estatísticas RMS (Root Mean Square) e razão-z, sendo posteriormente representados em coordenadas polares e complementados pelo cálculo do RMSE (Root Mean Square Error), utilizado como métrica de desvio em relação à condição ideal de circularidade. Os valores de RMS quantificaram a energia acústica, enquanto a razão-z evidenciou a uniformidade dos sinais. A representação polar e o RMSE sintetizaram a distribuição angular da energia acústica, fornecendo o índice objetivo da uniformidade do rebolo. Nos primeiros passes, os valores de RMS apresentaram maior variabilidade, refletindo a topografia irregular da superfície de corte do rebolo. Com o avanço da operação de dressagem, observou-se maior uniformidade, com curvas polares próximas do círculo unitário e valores decrescentes de RMSE, indicando melhora da condição do rebolo. A metodologia provê uma basequantitativa para a otimização da dressagem, permitindo a interrupção da operação no ponto de máxima uniformidade geométrica da ferramenta, minimizando os custos do processo. Como perspectivas futuras, sugere-se integrar a abordagem a sistemas inteligentes de monitoramento em tempo real.

O monitoramento indireto da operação de dressagem de rebolos convencionais é um desafio técnico relevante, especialmente quando a precisão dimensional e a qualidade superficial são críticas. A análise de sinais de emissão acústica (EA) tem se destacado, com potencial para fornecer informações em tempo real sobre a condição do rebolo. Este trabalho investigou a aplicação da estatística de contagem a sinais de EA, com foco na influência da escolha do limiar sobre a qualidade da informação extraída. Para isso, foram realizados ensaios experimentais de dressagem utilizando-se de dois rebolos convencionais distintos e um sensor de emissão acústica (EA) acoplado ao suporte do dressador de ponta única. Os sinais adquiridos foram processados digitalmente e analisados. Os limiares testados foram identificados com base na média dos valores máximos do ruído (MVMR). Os resultados indicam que limiares muito baixos aumentam a sensibilidade do sistema, mas são mais suscetíveis à interferência de ruídos, enquanto limiares elevados reduzem significativamente o número de informações disponíveis. Identificou-se uma faixa ótima entre 3,8 e 6,41 vezes o MVMR (Ensaio A) e 3,2 e 7,04 vezes o MVMR (Ensaio B), na qual a correlação entre os sinais de EA e o desgaste do rebolo foi mais evidente, o que viabiliza o monitoramento indireto da operação. Pesquisas futuras devem explorar diversas especificações de rebolos e de parâmetros de dressagem para validar a robustez metodológica em condições industriais mais amplas.