Leitão, PauloBarbosa, JoséAlves, Gleifer VazIzidorio, Felipe Merenda2026-01-282026-01-2820252025http://hdl.handle.net/10198/35646Mestrado de dupla diplomação com a UTFPR - Universidade Tecnológica Federal do ParanáTraditional approaches to diagnosing geometric defects in automotive assembly lines are based on isolated methods, which have limitations in terms of robustness and early detection of anomalies. This dissertation presents a hierarchical multi-agent architecture for collaborative defect diagnosis, organized into three layers: Point Agents perform local analysis by applying multiple diagnostic algorithms; Station Agents coordinate groups of agents within each station; Inter-Station Agent provides a systemic view by identifying correlations between stations. Coordination uses correlation-based clustering and leader election, enabling efficient aggregation of diagnostics. Communication flows hierarchically and laterally between correlated agents. This organization provides scalability, modularity, and robustness by confining local failures. Experimental validation demonstrates that the collaborative architecture achieves superior accuracy compared to isolated methods, showing that the complementarity between distributed algorithms provides more robust diagnostics and early warning capabilities.Abordagens tradicionais para diagnóstico de defeitos geométricos em linhas de montagem automotivas baseiam-se em métodos isolados, apresentando limitações em robustez e detecção precoce de anomalias. Esta dissertação apresenta uma arquitetura multi-agente hierárquica para diagnóstico colaborativo de defeitos, organizada em três camadas: Point Agents realizam análise local aplicando múltiplos algoritmos diagnósticos; Station Agents coordenam grupos de agentes dentro de cada estação; Inter-Station Agent proporciona visão sistémica identificando correlações entre estações. A coordenação utiliza clustering baseado em correlações e eleição de líderes, permitindo agregação eficiente de diagnósticos. A comunicação flui hierarquicamente e lateralmente entre agentes correlacionados. Esta organização proporciona escalabilidade, modularidade e robustez pelo confinamento de falhas locais. A validação experimental demonstra que a arquitetura colaborativa alcança precisão superior comparada a métodos isolados, evidenciando que a complementaridade entre algoritmos distribuídos proporciona diagnósticos mais robustos e capacidade de alerta precoce.engMulti-agent systemsDistributed architectureIndustrial diagnosisMachine learningIndustry 4.0master thesis204164257