Neste trabalho se estuda a aplicação de técnicas de estatística multivariada para reconhecimento de padrões em sinais de ensaios não destrutivos (END) magnéticos, baseados no Ruído Magnético de Barkhausen (RMB). O reconhecimento de padrões pode ser feito de forma não supervisionada com a técnica multivariada de Análise de Agrupamentos, conglomerados ou Clusters que definem grupos segundo critérios de similaridade. Já para reconhecimento supervisionado a Análise Discriminante procura classificar amostras novas em grupos conhecidos, a priori, usando para este propósito uma regra de classificação criada a partir desses grupos de amostras conhecidos. Foram utilizados dois casos de detecção e classificação utilizando RMB. O RMB é um fenômeno magnético gerado por abruptas mudanças na magnetização de materiais ferromagnéticos quando submetidos a campos magnéticos variáveis. Essas mudanças estão relacionadas com a microestrutura do material, presença e distribuição de tensões elásticas (tensão e compressão). No primeiro caso de estudo procura-se identificar arames quebrados em risers, através da medição de tensão mecânica. No segundo caso procura-se classificar diferentes tratamentos térmicos em Aço AISI 420. Para a análise de integridade estrutural de risers foi feita a redução da dimensionalidade dos dados via Análise de Componentes Principais e posteriormente Análise de Agrupamentos. Já para o problema de classificação de amostras de aço foi usada a técnica de Análise Discriminante Linear de Fisher e a Quadrática. Os resultados das análises mostraram que as técnicas de Estatísticas Multivariadas proporcionam ferramentas muito adequadas para aumentar a eficiência da inspeção na área de END Magnéticos em geral e RMB em particular.

The present work deals with application of multivariate statistic techniques for pattern recognition in signals from Non-Destructive Essays (NDE), based on the Magnetic Barkhausen Noise (MBN). Pattern recognition can be done in a nonsupervised way by Cluster Analysis defining similarity criteria. On the other hand, for supervised recognition, Discriminant Analysis looks for classifying new samples in known groups, a priori, by means of classification rules created for these known sample groups. Two detection and classification cases were studied by MBN. The MBN is a magnetic phenomenon generated by sudden changes in magnetization of ferromagnetic materials, when these materials are subjected to variable magnetic fields. These changes are related to material microstructure as well as to the presence of elastic stresses (tension and compression). In the first studied case, the present study searches identifying broken wires in risers through measurements of mechanical strain. In the second case, the study classifies different thermal treatments in AISI 420 steel samples. Regarding the analysis of structural integrity of risers, firstly the reduction of data dimensionality was obtained via Analysis of Main Components and, later, Cluster Analysis was performed. Concerning the classification problem of steel samples, the Fisher Linear Discriminant Analysis and the Quadratic Analysis were used. Analysis results showed that Multivariate Statistic Techniques give rise to tools very appropriated for increasing the efficiency of inspection both in the Magnetic NDE area in general, and MBN in particular.