DETECÇÃO DE FALHAS EM MOTORES TRIFÁSICOS UTILIZANDO DEEP LEARNING NA ANÁLISE DE VIBRAÇÕES
DOI:
https://doi.org/10.56238/arev7n8-127Palavras-chave:
Análise de Vibração, Motor de Indução, Falhas em RolamentoResumo
Os motores de indução desempenham um papel fundamental no setor industrial, sendo necessário que sejam devidamente monitorados a fim de evitar paradas não programadas na produção. O monitoramento por vibração destaca-se no diagnóstico de condição desses motores, por sua eficácia na detecção de falhas, especialmente em rolamentos. Nesse trabalho, propõe-se o uso de técnicas Deep Learning para automatizar a detecção de falhas em rolamentos, por meio de uma análise comparativa entre modelos Long Short Memory (LSTM) e Convolutional Neural Network (CNN). Utilizando o conjunto de dados da Intelligent Maintenance System da universidade de Cincinnati (IMS), o modelo LSTM foi treinado com descritores estatísticos extraídos dos sinais de vibração, enquanto a CNN operou diretamente sobre os dados brutos. Os resultados demonstram a superioridade do modelo LSTM, que obteve 98% de acurácia, em comparação com a CNN, que alcançou 86%.
Downloads
Referências
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
