In the field of cultural heritage, the use of non-destructive techniques to determine the state of conservation of an artifact is of the utmost importance, to avoid damage to the object itself. In this paper, we present a data pipeline and several machine learning techniques for the visualization, analysis and characterization of engines in historical vehicles. The paper investigates the use of vibro-acoustic signals acquired from the engines in different states of conservation and working conditions to train machine learning solutions. Data are classified according to their state of health and the presence of anomalies. The t-SNE algorithm is used for dimensionality reduction for data visualization. The machine learning algorithms tested showed encouraging performance in associating acoustic emission data with the engine signature, the type of anomaly and the working conditions. Nevertheless, a larger dataset would allow us to improve and strengthen the results.

Em património cultural a utilização de técnicas não destrutivas para determinar o estado de conservação de um artefacto é de extrema importância para evitar danos no próprio objeto. Neste artigo, apresentamos um canal de dados e técnicas de aprendizagem automática para a visualização, análise e caraterização de motores de veículos históricos. O artigo investiga a utilização de sinais vibro-acústicos adquiridos nos motores em diferentes estados de conservação e condições de funcionamento para treinar soluções de aprendizagem automática. Os dados são classificados de acordo com o seu estado de conservação e a presença de anomalias. O algoritmo t-SNE utilizou-se para a redução da dimensionalidade para a visualização dos dados. Os algoritmos de aprendizagem automática testados revelaram um desempenho promissor na associação dos dados de emissões acústicas com a assinatura do motor, o tipo de anomalia e as suas condições de funcionamento. Porém, um maior conjunto de dados permitir-nos-ia melhorar e reforçar os resultados.