Diagnose e classificação vibroacústica de falhas em motores elétricos

Abstract

Os motores elétricos são essenciais à sociedade atual, estando presente desde o setor industrial até o residencial. Diante desse vasto e competitivo cenário, seus fabricantes almejam concomitantemente a melhoria da qualidade e a redução nos custos de fabricação. Esse desafio é refletido na crescente demanda pelo aprimoramento dos processos de avaliação, implementados no final da linha produtiva. Progressivamente, os processos tradicionais de avaliação subjetiva, realizado por profissionais treinados, por meio da análise do ruído do motor estão sendo automatizados com implantações de sensores, e.g. microfones e acelerômetros. E, mais recentemente, há uma expansão da utilização de técnicas de inteligência artificial para auxiliar no processo de diagnóstico inteligente de falhas a partir dos sinais coletados. Contudo, há uma lacuna de pesquisa sobre os benefícios quantitativos dessa evolução para a indústria. Diante desse cenário, a presente dissertação visa reparar esse hiato, comparando objetivamente três sistemas de avaliação implementados em uma planta de fabricação de motores elétricos destinados a máquina de lavar roupa. O primeiro modelo, tradicionalmente utilizado, se baseia na avaliação subjetiva de ruído por operadores experientes. O segundo método é a análise quantitativa por meio de métricas (features) extraídas dos sinais de pressão sonora e aceleração. E, o terceiro sistema é a avaliação de qualidade por meio de uma rede neural convolucional residual bidimensional (ResNet CNN-2D), utilizando a fusão dos espectrogramas em escala mel dos dados de ruído e vibração. Nesse âmbito, constatou-se um aumento expressivo nos índices de acurácia com a automatização do processo, principalmente pela melhoria da repetibilidade e reprodutibilidade das avaliações. Ademais, a implementação de um modelo de aprendizado profundo (DL) possibilitou uma assertividade significativamente maior para classificação do modo de falha em motores defeituosos, limitação que o modelo baseado em métricas com limites estáticos enfrentava.

Abstract: Electric motors are vital to modern life, appearing in both industrial and household sectors. In this vast and highly competitive market, manufacturers strive to lower production costs while improving quality. The growing demand for better assessment processes at the end of the production line reflects these challenges. Traditional subjective evaluation procedures performed by qualified professionals via motor noise analysis are gradually being automated through the use of sensors such as accelerometers and microphones. Recently, artificial intelligence approaches have been extensively employed to assist in intelligent fault diagnosis based on collected signals. There is a research gap regarding the quantitative benefits this evolution provides to the industry. This research investigates this gap by impartially comparing three evaluation processes implemented in a washing machine electric motor manufacturing plant. The first model, traditionally used, relies on experienced operators' subjective noise assessments. The second approach involves quantitative analysis using features derived from acceleration and sound pressure signals. The third method assesses quality using a two-dimensional convolutional residual neural network (ResNet CNN-2D) fed with fused mel-scale spectrograms of noise and vibration data. The automation of this process resulted in a notable improvement in accuracy indices, primarily due to increased repeatability and reproducibility of evaluations. Furthermore, the use of a deep learning (DL) model enabled significantly greater assertiveness in classifying failure types in defective motors, addressing a limitation faced by the metrics-based model with static thresholds.