Análise de dados de inspeção em motores de indução para classificação utilizando técnicas de machine learning

Abstract

O presente trabalho investiga a aplicação da manutenção preditiva elétrica em motores industriais por meio do MCA (do inglês: Motor Circuit Analisys) combinada com técnicas de machine learning. O objetivo principal é desenvolver um sistema de diagnóstico de condição de motores elétricos em uma indústria siderúrgica, visando melhorar a eficiência operacional. A pesquisa integra a análise de circuitos de motores com técnicas de machine learning onde quatro abordagens são exploradas: distância euclidiana, algoritmo k-means, modelagem gaussiana e árvore de decisão. Cada técnica é implementada como um classificador para determinar a condição dos motores em termos de normalidade ou presença de falha iminente. Considerando os motores divididos em duas classes (bom e alerta+ruim) a distância euclidiana apresentou 68, 58% de acurácia, o k-means obteve acurácia de 74, 02%, e a gaussiana alcançou 68, 75% de acurácia. Para a árvore de decisão obteve-se uma acurácia de 80, 0% considerando os motores divididos em três classes (bom, alerta e ruim). Estes resultados indicam a viabilidade da abordagem proposta para a manutenção preditiva elétrica em motores industriais. A combinação do MCA com técnicas de machine learning possibilita uma detecção antecipada de problemas elétricos nos motores, permitindo ações preventivas e otimização dos processos de manutenção, aprimorando a eficiência operacional na indústria siderúrgica.