Sistemas de detecção de falhas em motores elétricos baseados em análises de vibração: estudo de um motor de indução trifásico.

Abstract

Com notável destaque na indústria, os motores elétricos de indução são comumente utilizados devido a sua alta robustez e diversidade de atuação. No entanto, estas máquinas estão sujeitas à esforços indesejados podendo diminuir a vida útil de determinados componentes mais suscetíveis a falhas. Neste contexto, o presente projeto tem como objetivo criar um sistema de detecção e diagnostico de falhas em motores elétricos, baseado em análises de vibração. São usados algoritmos de aprendizagem de máquina capazes de prever as falhas em indústrias e assim mitigar custos e restrições operacionais. A metodologia aplicada consiste na utilização da transformada de Fourier para os sinais de vibração disponíveis em base pública e posterior elaboração de modelos classificadores como Support Vector Machine (SVM) e K-nearest neighbors (k-NN). Por fim, os resultados são comparados via métricas de avaliação de modelos de inteligência artificial tais como acurácia, sensibilidade e curvas AUC/ROC (Area Under the Curve/ Receiver Operating Characteristic).

With a notable prominence in the industry, induction motors are commonly used due to their high robustness and diversity of operation. However, these machines are subjected to unwanted efforts, which can reduce the useful life of certain components that are more susceptible to failures. In this context, the present project aims to create a fault detection and diagnosis system in electric motors, based on vibration analysis. Machine learning algorithms are used to predict failures in industries and thus mitigate costs and operational constraints. The applied methodology consists in using the Fourier transform for the vibration signals available in a public database and subsequent modeling of classifier models such as Support Vector Machine (SVM) and K-nearest neighbors (k-NN). Finally, the results are compared via artificial intelligence model evaluation metrics such as accuracy, sensitivity and AUC/ROC (Area Under the Curve/ Receiver Operating Characteristic) curves.