PRIMUS: um modelo convolucional para manutenção preditiva de motores indutivos

Abstract

Na Quarta Revolução Industrial, é crescente o emprego de tecnologias digitais para o monitoramento contínuo de equipamentos industriais, com o objetivo de antecipar falhas, prevenir paradas não programadas e aumentar a eficiência na execução de manutenções. Porém, os métodos tradicionais de monitoramento frequentemente se mostram insuficientes para evitar a ocorrência de falhas elétricas ou mecânicas, resultando em prejuízos financeiros e estratégicos significativos para grandes indústrias. Motores de indução trifásicos são de extrema importância em inúmeros processos industriais, sendo responsáveis pela conversão de energia elétrica em movimento mecânico em esteiras transportadoras, sistemas de ventilação, bombas e compressores. Sua robustez, simplicidade construtiva e baixo custo de manutenção consolidaram sua presença massiva no parque industrial global. Contudo, a operação contínua sob condições variáveis de carga e ambiente os torna suscetíveis a falhas progressivas, como desgaste de rolamentos, desalinhamento, desequilíbrio elétrico e curto-circuitos nos enrolamentos. A detecção precoce dessas anomalias é um desafio crítico para a garantia da confiabilidade operacional. Neste contexto, este trabalho apresenta o PRIMUS (PRedictive maintenance for Induction Motors Using Sound), um modelo baseado em uma Rede Neural Convolucional Profunda (CNN) projetado para manutenção preditiva em motores de indução industriais. O sistema é capaz de monitorar o funcionamento do equipamento em diferentes arquiteturas de partida e operação, especificamente nas ligações delta e estrela, configuradas tanto em série quanto em paralelo, utilizando exclusivamente sinais acústicos como fonte de diagnóstico. As gravações de áudio que compõem a base de dados foram realizadas em um formato circular tridimensional, com o microfone posicionado a uma distância constante de 15 centímetros do eixo do motor, garantindo padronização na captura dos sinais sonoros característicos de cada condição operacional. A principal contribuição desta pesquisa é o desenvolvimento de um método de monitoramento para motores de indução industriais que, em comparação com as técnicas tradicionais, não necessita de sensores intrusivos ou de múltiplas fontes de dados para seu funcionamento. O sistema proposto utiliza uma única fonte de informação, os sinais acústicos do motor, aliada a métodos avançados de aprendizagem profunda. Essa abordagem resulta em uma solução de baixo custo, tanto para implementação quanto para manutenção operacional, oferecendo uma alternativa prática e escalável para a manutenção preditiva na Indústria 4.0.