A incubadora neonatal consiste em um equipamento hospitalar utilizado para proporcionar
condições de temperatura e umidade adequadas para os recém-nascidos, sendo seu funcionamento
certificado de acordo com a norma técnica NBR IEC (International Electrotechnical
Commission) 60601-2-19. Por lidar com pacientes sensíveis às mudanças de temperatura, é
necessário a certificação do equipamento, a fim de garantir que este funcione adequadamente. No
entanto, durante a certificação, é preciso interromper o funcionamento da incubadora, afetando
diretamente na quantidade de recém-nascidos assistidos com esses equipamentos. Dessa forma,
este trabalho propõe a identificação das dinâmicas de temperatura e umidade no interior da
incubadora realizada por meio da rede neurais artificiais do tipo Multilayer Perceptron (MLP)
e Radial Basis Function (RBF), treinadas a partir de vetores de regressão baseados nas estruturas
Neural Network Autoregressive With Exogenous Input (NNARX) e Network with Finite
Inpulse Response (NNFIR). Os modelos neurais obtidos podem ser utilizados como sistema
de inferência aplicados como sensores virtuais, substituindo a implantação de sensores físicos,
diminuindo a ocorrência de falhas e redução dos custos de implantação, além de ser utilizados
nos projetos dos controladores presentes nas malhas de temperatura e umidade. Assim, conforme
a metodologia aplicada é possível otimizar procedimentos de certificação da incubadora. Dessa
maneira, os resultados apresentados demonstram que as redes neurais aplicadas são capazes de
realizar satisfatoriamente a identificação da temperatura e umidade, podendo ser utilizadas como
sensores virtuais.