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

• Ano de defesa: 2026
• Autor(a) principal: Nassula, Bruno da Silva
• Orientador(a): Andreoli, Andre Luiz
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (UNESP)
• Palavras-chave em Português: Falhas; Transformada wavelet; Acelerômetro; Motor de indução; Rede neural convolucional
• Palavras-chave em Inglês: Accelerometer sensor; Deep neural network; Wavelet transform
• Link de acesso: https://hdl.handle.net/11449/331362

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.