Identificação de Falhas em Motores de Indução Trifásicos Usando Rede Neural Transformer Convolucional
Nome: VINÍCIUS ANDRADE NUNES DE MORAES
Data de publicação: 24/03/2025
Banca:
Nome |
Papel |
|---|---|
| ANDRÉ ABEL AUGUSTO | Examinador Externo |
| HELDER ROBERTO DE OLIVEIRA ROCHA | Presidente |
| JAIR ADRIANO LIMA SILVA | Coorientador |
| LUCAS FRIZERA ENCARNACAO | Examinador Interno |
Resumo: Este trabalho apresenta uma abordagem h´brida utilizando Redes Neurais Convolucionais (CNN, do inglˆes Convolutional Neural Networks) e Transformers para o diagn´ostico de falhas em motores de indu¸c˜ao trif´asicos, com foco na detec¸c˜ao e classifica¸c˜ao da severidade de falhas de quebra de barras a partir dos sinais de corrente e tens˜ao el´etrica. A An´alise da
Assinatura El´etrica (ESA, do inglˆes Electrical Signature Analysis), amplamente utilizada no monitoramento de motores, oferece diversas vantagens. No entanto, as t´ecnicas baseadas na ESA tradicionalmente utilizam transforma¸c˜oes espectrais, o que pode resultar em alto custo computacional e menor capacidade de generaliza¸c˜ao. As CNNs conseguem extrair caracter´sticas discriminativas diretamente dos dados brutos, eliminando a necessidade de etapas de pr´e-processamento. A proposta deste estudo ´e integrar CNNs ao mecanismo de aten¸c˜ao dos Transformers, que captura dependˆencias espa¸co-temporais entre os dados. A Rede Neural Transformer Convolucional (CTNN, do inglˆes Convolutional Transformer Neural Network) alcan¸cou aproximadamente 97% de acur´acia ao utilizar toda a base de dados, superando significativamente algoritmos cl´assicos de aprendizado de m´aquina, como Random Forest e k-Nearest Neighbors (KNN), que obtiveram 90% e 86% de acur´acia, respectivamente. J´a a CNN, testada em condi¸c˜oes semelhantes, obteve 96% de acur´acia. Em compara¸c˜ao com outras metodologias, que envolvem m´ultiplas etapas de pr´e-processamento e transforma¸c˜oes para o dom´nio da frequˆencia, a abordagem proposta apresenta resultados similares, pr´oximos a 100% de acur´acia, por´em com maior eficiˆencia e capacidade de generaliza¸c˜ao. Al´em disso, a metodologia utiliza uma taxa de amostragem reduzida, cerca de seis vezes menor, contribuindo para a redu¸c˜ao do custo computacional sem comprometer a performance.
