Induction motors (IMs) are present in practically all production processes and account for two-thirds of the energy consumption in industrial settings. Therefore, monitoring them is essential to prevent accidents, optimize production, and increase energy efficiency. Monitoring methods found in the literature require a certain level of invasiveness, causing some applications to be unfeasible. In the present study, a new completely non-invasive method implemented in an embedded system performs the embedded processing of the sound signal emitted by an in-service IM to estimate speed, torque, and efficiency. Motor speed is estimated from the analysis in the frequency domain using the Fourier Transform. Torque and efficiency are estimated from the speed and motor nameplate information. To perform the tests and validate the proposed method/system, a workbench with a controllable torque was used. The workbench was also equipped to allow the results to be compared with the airgap torque method. The results indicate a high accuracy for the nominal load (error of approximately 1%) in the measurement of the efficiency and torque, and a mean relative error of 0.2% for the speed.

No abstract

Os motores de indução trifásicos (MIT) são responsáveis por 90% da fonte primária de energia mecânica que é utilizada nas indústrias. Para garantir o desempenho desejado destes equipamentos, sem que haja interrupções na linha de produção, faz-se necessária a elaboração e a implementação de um plano de manutenção. Dentre as práticas de manutenção, ressalta-se a manutenção preditiva, que é de suma importância para otimizar os processos industriais e poupar custos operacionais. Para viabilizar este tipo de manutenção em motores de indução trifásico (MIT), é necessária a utilização de um sensor para aferir uma grandeza física e realizar a predição. Neste trabalho foi proposto a utilização de um sensor alternativo (microfone) para detectar falhas na pista interna e na pista externa de um rolamento. Com esta técnica alternativa é possível realizar o diagnostico sem qualquer tipo de contato físico com o motor, tornando viável a utilização de um único dispositivo para diversos motores. A execução do processamento do áudio é realizada de forma sequencial e automática. Com isto, para diagnosticar o rolamento, o usuário tem a função única de iniciar o sistema e aguardar o resultado. Para identificar o tipo do defeito, dentre os estudados, foi utilizada uma Rede Neural Convolucional (RNC), que ao final do treinamento, obteve uma acurácia de 93,02%.