Diagnóstico de falhas em motores de indução trifásicos utilizando técnicas de processamento digital de sinais

O motor de indução trifásico (MIT) é amplamente utilizado em processos industriais, sendo sua confiabilidade um fator determinante para a continuidade operacional. Falhas mecânicas e elétricas, como desgaste de rolamentos e curto-circuitos nos enrolamentos do estator, tendem a evoluir para danos severos, ocasionando prejuízos significativos e paradas não planejadas. Nesse contexto, técnicas de monitoramento baseadas em vibração mecânica têm se consolidado como alternativas eficazes para o diagnóstico não destrutivo dessas falhas. Esta dissertação tem como objetivo desenvolver e validar uma metodologia para o diagnóstico de falhas em motores de indução trifásicos por meio da análise de sinais de vibração. A metodologia proposta utiliza dois sensores acelerômetros MEMS, posicionados em eixos distintos, para a aquisição dos sinais de vibração, os quais são processados por meio da Transformada Wavelet Discreta (TWD) para a extração de características no domínio tempo-frequência. Os coeficientes obtidos são organizados em matrizes que compõem a entrada de uma Rede Neural Convolucional (RNC), responsável pela identificação e classificação automática das condições operacionais do motor. O estudo contemplou 39 cenários experimentais, considerando condições de operação normal, falhas isoladas (desgaste de rolamentos e curto-circuito entre espiras do estator) e falhas sobrepostas, sob dois níveis de carregamento do motor (75% e 100% da carga nominal). Os resultados experimentais demonstraram elevada capacidade de detecção e classificação das falhas analisadas, alcançando 99,45% de acurácia, evidenciando que a integração entre a TWD e as redes neurais convolucionais constitui uma abordagem robusta e eficiente para aplicações de monitoramento preditivo em ambientes industriais.

Resumo (inglês)

The three-phase induction motor (TIM) is widely used in industrial processes, and its reliability is a determining factor for operational continuity. Mechanical and electrical faults, such as bearing wear and inter-turn short circuits in stator windings, tend to evolve into severe damage, resulting in significant losses and unplanned downtime. In this context, monitoring techniques based on mechanical vibration have become effective alternatives for the non-destructive diagnosis of these faults. This dissertation aims to develop and validate a methodology for fault diagnosis in three-phase induction motors through vibration signal analysis. The proposed methodology employs two MEMS accelerometer sensors, positioned along different axes, for vibration signal acquisition, which are processed using the Discrete Wavelet Transform (DWT) to extract time-frequency domain features. The obtained coefficients are arranged into matrices that constitute the input to a Convolutional Neural Network (CNN), responsible for the automatic identification and classification of the motor’s operating conditions. The study comprised 39 experimental scenarios, considering normal operating conditions, isolated faults (bearing wear and stator inter-turn short circuits), and overlapping faults, under two motor loading levels (75% and 100% of the rated load). The experimental results demonstrated a high capability for detecting and classifying the analyzed faults, achieving an accuracy of 99.45%, demonstrating that the integration of DWT and convolutional neural networks constitutes a robust and efficient approach for predictive monitoring applications in industrial environments.

Palavras-chave

Falhas Transformada wavelet Acelerômetro Motor de indução Rede neural convolucional Accelerometer sensor Deep neural network Wavelet transform

Idioma

Português

Citação

NASSULA, Bruno da Silva. Diagnóstico de falhas em motores de indução trifásicos utilizando técnicas de processamento digital de sinais. 2026. Dissertação (Mestrado em Engenharia Elétrica) – Faculdade de Engenharia de Bauru, Universidade Estadual Paulista (UNESP), Bauru, 2026.