FAILURE DETECTION IN THREE-PHASE MOTORS USING DEEP LEARNING IN VIBRATION ANALYSIS
DOI:
https://doi.org/10.56238/arev7n8-127Keywords:
Vibration Analysis, Induction Motor, Bearing FaultsAbstract
Induction motors play a fundamental role in the industrial sector and require proper monitoring to avoid unscheduled production downtime. Vibration monitoring stands out in the condition diagnosis of these motors due to its effectiveness in detecting faults, especially in bearings. This work proposes the use of Deep Learning techniques to automate bearing fault detection through a comparative analysis between Long Short Memory (LSTM) and Convolutional Neural Network (CNN) models. Using the University of Cincinnati's Intelligent Maintenance System (IMS) dataset, the LSTM model was trained with statistical descriptors extracted from the vibration signals, while the CNN operated directly on the raw data. The results demonstrate the superiority of the LSTM model, which achieved 98% accuracy, compared to the CNN, which achieved 86%.
Downloads
References
AHMED, Hosameldin; NANDI, Asoke K. Condition monitoring with vibration signals: compressive sampling and learning algorithms for rotating machines. Hoboken, NJ: Wiley-IEEE Press, 2020.
ALZUBAIDI, L. et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, v. 8, n. 53, 2021. DOI: https://doi.org/10.1186/s40537-021-00444-8
BACCARINI, Lane Maria Rabelo. Detecção e diagnóstico de falhas em motores de indução. 2005. Tese (Doutorado em Engenharia Elétrica) - Escola de Engenharia, Universidade Federal de Minas Gerais, Belo Horizonte, 2005.
BAHGAT et al. Advanced fault detection technique of three phase induction motor: comprehensive review. Discover Electronics, v. 1, n. 9, 24 jun. 2024. DOI: https://doi.org/10.1007/s44291-024-00012-3
CABRERA, Miguelises Colla. Análise da eficiência energética de motores monofásicos para aplicações residenciais. 2013. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica com ênfase em Sistemas de Energia e Automação) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2013.
CALZONE, Ottavio. An Intuitive Explanation of LSTM. Medium, 21 de fev. de 2022.
CERRADA, M. et al. A review on data-driven fault severity assessment in rolling bearings. Mechanical Systems and Signal Processing, v. 99, p. 169-196, 2018. DOI: https://doi.org/10.1016/j.ymssp.2017.06.012
CHA, Y.-J et al. A Deep Learning-Based Approach for Effective and Reliable Concrete Crack-Type Classification. Applied Sciences, Basel, v. 14, n. 21, p. 9754, 2024. DOI: 10.3390/app14219754. DOI: https://doi.org/10.3390/app14219754
CONTE, Thiago; OLIVEIRA, Roberto L. Comparative Analysis between Intelligent Machine Committees and Hybrid Deep Learning with Genetic Algorithms in Energy Sector Forecasting: A Case Study on Electricity Price and Wind Speed in the Brazilian Market. Energies, v. 17, n. 4, p. 829, 9 fev. 2024. DOI: 10.3390/en17040829 DOI: https://doi.org/10.3390/en17040829
FROSINI, Lucia. Novel diagnostic techniques for rotating electrical machines—A review. Energies, v. 13, n. 19, p. 5066, 2020. DOI: https://doi.org/10.3390/en13195066
GARCIA-CALVA, T, et al. Early Detection of Faults in Induction Motors—A Review. Energies, v. 15, n. 21, p. 7855, 2022. DOI: https://doi.org/10.3390/en15217855
HAYKIN, Simon. Redes Neurais: Princípios e Prática . 2. ed. Porto Alegre: Bookman, 2007. E-book. pág.802. ISBN 9788577800865. Disponível em: https://integrada.minhabiblioteca.com.br/reader/books/9788577800865/.
IMMOVILLI, Fabio et al. Bearing fault model for induction motor with externally induced vibration. IEEE Transactions on Industrial Electronics, v. 60, n. 8, p. 3408-3418, 2012. DOI: https://doi.org/10.1109/TIE.2012.2213566
LOBÃO, D. A. Técnicas de Aprendizado de Máquinas aplicadas ao Diagnóstico de Falhas em Equipamentos Industriais. 87 p. Dissertação (Mestrado Profissional em Engenharia de Controle e Automação) — Universidade Federal do Espírito Santo, Serra, 2020.
LUCIANO, Bruno. Falhas de um rolamento: conheça as principais causas. Abecom, 28 fev. 2020. Disponível em: https://www.abecom.com.br/falhas-de-um-rolamento/. Acesso em: 24 jul. 2025.
MARTIGNONI, Alfonso. Máquinas De Corrente Alternada. 3. ed. Porto Alegre: Globo, 1978.
MISHRA, M. Convolutional Neural Networks, Explained. 2020. Disponível em: https://towardsdatascience.com/convolutional-neural-networks-explained-9cc5188c4939. Acesso em 23 de julho de 2025.
PEREIRA JUNIOR, Milton Carlos Soares et al. Estudo da aplicação de algoritmos de machine learning na manutenção preditiva de motores elétricos. Revista de Gestão e Secretariado, São Paulo, v. 14, n. 10, p. 16542-16561, 2023. DOI: https://doi.org/10.7769/gesec.v14i10.2754
RAFI, S. H. et al. A Short-Term Load Forecasting Method Using Integrated CNN and LSTM Network. IEEE Access, New York, v. 9, p. 32436-32448, 2021. DOI: https://doi.org/10.1109/ACCESS.2021.3060654
SILVA, Derick Henrique de Jesus. Processamento de Sinais para Monitoramento de Vibrações em Unidades Geradoras Hidrelétricas. 2013. Dissertação (Mestrado em Engenharia Elétrica) – Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal de Minas Gerais, Belo Horizonte, 2013.
SILVA, Jonas Guedes Borges da. Aplicação da Análise de Componentes Principais (PCA) no Diagnóstico de Defeitos em Rolamentos através da Assinatura Elétrica de Motores de Indução. 2008. Dissertação (Mestrado em Ciências em Engenharia Elétrica) - Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal de Itajubá, Itajubá, 2008.
SPAMER, Fernanda Rosa. TECNICAS PREDITIVAS DE MANUTENÇÃO DE MÁQUINAS ROTATIVAS. 2009. 238 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) - Escola Politécnica, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2009.
SUN, B. et al. State-of-the-Art Detection and Diagnosis Methods for Rolling Bearing Defects: A Comprehensive Review. Applied Sciences, Basel, v. 15, n. 2, art. 1001, jan. 2025. DOI: https://doi.org/10.3390/app15021001
WEG. Guia de especificação: motores elétricos. Jaraguá do Sul: WEG, 2024. Disponível em: https://static.weg.net/medias/downloadcenter/h32/hc5/WEG-motores-eletricos-guia-de-especificacao-50032749-brochure-portuguese-web.pdf. Acesso em: 16 jul. 2025.
YAMASHITA, R. et al. Convolutional neural networks: an overview and application in radiology. Insights into Imaging, v. 9, p. 611-629, 2018. DOI: https://doi.org/10.1007/s13244-018-0639-9
