Ao longo dos anos de seu desenvolvimento, a Manufatura Aditiva (MA) emergiu como uma técnica de fabricação extremamente promissora e eficiente, capaz de revolucionar boa parte dos ambientes de produção em um novo contexto conduzido pela Indústria 4.0. A fabricação de objetos via adição de camadas subsequentes concede aos processos aditivos uma gama de vantagens que transformam as cadeias produtivas, na medida em que proporcionam a otimização de projetos de manufatura pela liberdade de design e geração de geometrias complexas sob demanda. Do mesmo modo, essas vantagens cativaram outros setores da economia, sendo possível observar a aplicação dos variados equipamentos de impressão 3D, não somente em projetos científicos de alta tecnologia, mas também como método educativo ou simplesmente para uso recreativo. Por outro lado, na proporção em que a MA amadurece, novas demandas do processo surgem, principalmente relacionadas ao aumento da precisão de fabricação, redução do tempo de manufatura, aumento da qualidade das peças produzidas e padronização dos parâmetros de processamento. Nesse sentido, o presente trabalho teve como objetivo atender integralmente tais demandas ao propor o desenvolvimento de um sistema de identificação da matéria-prima via dispositivos de sensoriamento. A partir do reconhecimento do material aplicado, se torna viável definir automaticamente os parâmetros de processamento adequados, tornando a fabricação mais independente, produtiva, rápida e segura. Em sua primeira versão, o classificador recebeu os dados de espectroscopia de infravermelho próximo (NIR), os quais descrevem as características inerentes aos materiais pela resposta de frequência vibracional de suas moléculas. Os dados espectrais provenientes dos filamentos de poli(ácido láctico) (PLA), acrilonitrila butadieno estireno (ABS) e poli(tereftalato de etileno glicol) (PETG) foram previamente tratados por procedimentos derivativos de Savitzky-Golay, que suavizam e minimizam as variações e ruídos dos espectros. Na sequência, esses espectros tratados foram projetados pela Análise dos Componentes Principais (PCA) de modo a reduzir a dimensionalidade do conjunto dos dados por meio da seleção das principais componentes. A PCA organiza os espectros similares de cada classe de material em agrupamentos de scatters, auxiliando o processo de predição do modelo de classificação da Análise dos Discriminantes Lineares (LDA). Todas as etapas do roadmap do sistema se fundamentaram no alinhamento dos conceitos de aprendizado de máquinas (AM) e nos procedimentos da Quimiometria, configurados e testados previamente pela análise exploratória. Os ajustes resultaram em um percentual de acurácia do treinamento de 100% de predições corretas, atestando a eficácia da metodologia desenvolvida. Ao final, o sistema de classificação foi codificado com base na análise exploratória e validado por testes com dois subconjuntos de dados distintos. Os resultados apresentaram um alto valor macro-f1 (0,79) ao submeter o classificador a um subconjunto bastante específico, evidenciando a factibilidade de aplicação do sistema de classificação no escopo do projeto. A principal contribuição do trabalho, portanto, foi o desenvolvimento de um algoritmo de classificação, assim como um projeto conceitual, capazes de conceder procedimentos iniciais de um sistema que propicia o aumento da acessibilidade e da produtividade da MA em variados domínios de fabricação.

Over the years of its development, Additive Manufacturing (AM) has emerged as an extremely promising and efficient manufacturing technique, capable of revolutionizing production environments in a new context led by Industry 4.0. The manufacturing of objects by adding subsequent layers gives the additive processes a series of advantages that transform the productive chains, as they provide the optimization of manufacturing projects by the freedom of design and generation of complex geometries on demand. Likewise, these advantages have captivated other sectors of the economy, and it is possible to observe the application of the various 3D printing equipment, not only in high-tech scientific projects but also as an educational method or simply for recreational use. On the other hand, as AM matures, new demands of the process arise, mainly related to the increase of the manufacturing precision, reduction of the manufacturing time, an increase of the quality of the produced parts, and standardization of the processing parameters. Therefore, this project aimed to fully meet these demands by proposing the development of a system for identifying the raw material by sensing devices. From the recognition of the applied material, it is possible to automatically define the appropriate processing parameters, making the manufacturing more independent, productive, fast, and safe. In its first version, the classifier received the data from near-infrared (NIR) spectroscopy, which describes the characteristics of the materials by the vibrational frequency response of their molecules. The spectral data from the filaments of poly(lactic acid) (PLA), acrylonitrile butadiene styrene (ABS), and poly(ethylene glycol terephthalate) (PETG) were previously treated by Savitzky-Golay derived procedures, which soften and minimize the variations and noise of the spectra. In the sequence, these treated spectra were designed by the Principal Component Analysis (PCA) to reduce the dimensionality of the data set through the selection of the main components. The PCA organizes the similar spectra of each class of material into scatters groupings, assisting the process of predicting the classification model of the Linear Discriminant Analysis (LDA). All stages of the system roadmap are based on the alignment of machine learning (ML) concepts and Chemometric procedures, previously configured and tested by exploratory analysis. The adjustments resulted in a percentage of accuracy of the training of 100% of correct predictions, attesting to the effectiveness of the methodology developed. In the end, the classification system was coded based on the exploratory analysis and validated by tests with two distinct subsets of data. The results presented a high macro-f1 value (0.79) when submitting the classifier to avery specific subset, evidencing the feasibility of applying the classification system in the scope of the project. The main contribution of the work, therefore, was the development of a classification algorithm, as well as a conceptual project, capable of granting initial procedures of a system that provides the increase of accessibility and productivity of the AM in various manufacturing domains.