Detecção de faltas em motores de indução utilizando
análise paramétrica
Wadamys Moraes Sampaio, Erick M. Rocha.
Resumo  A larga utilização de motores de indução,
principalmente ligado ao seu relativo baixo custo e robustez,
levou a uma intensa utilização em toda a indústria, em escala
global. O aumento no uso neste tipo de equipamento, em várias
etapas do processo industrial, levou a uma incessante busca pela
melhora em sua manutenção e confiabilidade, evitando a sua
falha. Entretanto, os motores de indução ainda estão entre os
subconjuntos que mais falham na indústria do alumínio, por
exemplo, devido insalubridade no processo. Partindo dessa
perspectiva, este trabalho apresenta uma análise de três motores,
da planta de metal primário Albras, que já apresentaram falhas
por sobre corrente, curto-circuito das bobinas do estator e alta
temperatura. Serão utilizados os parâmetros os quais a
manutenção preditiva de motores de indução atua: corrente
nominal, tensão nominal, temperatura e vibração numa janela
de seis semanas antes das falhas. O modelo proposto, será
utilizado no programa MatLab para análise gráfica e de função
de transferência os parâmetros, a fim de equaciona-los buscando
uma sistema de detecção para futuras falhas decorrentes dos
mesmos tipos analisados.
Palavras-chaves: Manutenção; Motores; Análise;
Parâmetros
The extensive use of induction motors, mainly linked to
their relative low cost and robustness, has led to intense use
across the industry on a global scale. The increase in use in this
type of equipment, in several stages of the industrial process, has
led to an incessant search for the improvement in its
maintenance and reliability, avoiding its failure. However,
induction motors are still among the most failed sub-assemblies
in the aluminum industry, for example, due to unhealthy
process. From this perspective, this work presents an analysis of
three motors from Albras primary metal plant, which have
already presented overcurrent faults, short-circuit of the stator
coils and high temperature. The parameters that predictive
maintenance of induction motors will use will be used: nominal
current, nominal voltage, temperature and vibration in a window
of six weeks before the failures. The proposed model will be used
in the MatLab software for graphical analysis and transfer
function parameters, in order to equate them by searching for a
detection system for future failures arising from the same types
analyzed.
Keywords: Maintenence; Motors; Analysis; Parameters.
INTRODUÇÃO
S egundo Chapman (2013, p. 46) o motor de indução
trifásico é versátil, pois promove a transformação de
energia elétrica em mecânica com pouquíssima perda de
energia, ou seja, elevado índice de rendimento. É uma
máquina com um funcionamento simples, com uma
construção robusta e de baixo custo. Com o avanço
tecnológico, o desenvolvimento de métodos de controle,
esta máquina tornou-se hábil para diversas aplicações
industriais, chegando a 90% as aplicações de motores para
força motriz, içar cargas, translações e afins.
No atual cenário industrial, muito se tem investido
financeiramente no campo da pesquisa, para melhorar a
manutenção dessas máquinas elétricas. A equipe de
manutenção, apesar de bem treinada e equipada, conta com
poucos recursos frente aos problemas inerentes ao processo,
neste caso o funcionamento contínuo e insalubridade do
ambiente. Para uma melhor detecção de possíveis falhas, a
manutenção preditiva atua com medições de parâmetros,
com uso de programas especificamente criados para este
fim e periodicidades bem demarcadas de visitas ao
equipamento; porém ainda sem efetividade de prever falhas
com certa precisão. A manutenção preventiva, por sua vez,
faz medição de isolação e megagem, fazendo a correção e
troca de componentes, se necessário. Mas estas ações,
muitas vezes, se veem sem uma iniciativa para predizer
quando um motor vai apresentar faltas, porque não dispõem
de ferramentas de analises sistemáticas para predição das
falhas.
Em consequência das preocupações acerca de
futuras falhas nos motores de indução, este trabalho analisa
tfalhas ocorridas em motores de indução em uma planta de
alumínio primário. Estas maquinas apresentaram falhas em
decorrência de curto circuito nas bobinas do estator,
sobrecorrente, respectivamente. Com os dados decorrentes
de seis semanas anteriores, usando o algoritmo de Mínimos
Quadrados Recursivos, do software MatLab, se procurou
observar nesses parâmetros, evidências de padrões para se
prever a falha analisada, estudando sua malha de controle,
elementos gráficos e usando simulações com padrões
destacados como prováveis indicadores da falha analisada.
 II. JUSTIFICATIVA
Com o atual cenário industrial, a manutenção
centrada em confiabilidade é a abordagem mais usada para
garantia do processo contínuo de produção. Este se baseia
na análise e prevenção de falhas antes da corretiva
emergencial ou troca do equipamento se fazer necessária,
por razões financeiras e operacionais.
Além disso, como parte da manutenção em geral, a
análise preditiva está sempre a procura de evidências as
quais tornem as suas análises mais assertivas no que tange
parâmetros para se inspecionar com equipamentos e
programas específicos, tendo uma estimativa do prazo e da
predição de faltas, o ganho é considerável.
Para que este principio seja satisfeito, a analise
apresentada neste trabalho é de suma importância, haja vista
que predirá uma falha no motor de indução, dando tempo
hábil para as tratativas necessária, seja correção ou mudança
de programação operacional para a manutenção, tirando a
interrupção não programada e perda de lucros.
É imprescindível que motores de indução trifásicos
tenham uma vida útil estendida, visto que seu bom
funcionamento está intrinsicamente ligado ao processo fabril,
além de analiticamente como ensino da engenharia, o que
torna de suma importância o estudo apresentado neste
trabalho.
III – OBJETIVOS
A – OBJETIVO GERAL
Analisar os parâmetros de motores de indução
trifásicos que apresentaram falhas numa janela de tempo,
afim de identificar padrões graficamente e em suas malhas
de controle para predizer tais falhas em sistemas em plano
funcionamento.
B – OBJETIVOS ESPECÍFICOS
 Analisar os parâmetros de corrente nominal e
tensão nominal nos motores que apresentaram
cada tipo de falha apresentada;
 Compreender como estes parâmetros evoluíram no
decorrer das falhas e se eles foram as causas raiz
da falha;
 Analisar as malhas de controle dos parâmetros
identificados como causadores das falhas;
 Simular no software Matlab as mesmas condições
de falhas coletadas, usando as variações
identificadas como causas raiz
 Coletar dados das simulações e criar método de
predição de falhas;
 Analisar a eficiência do método.
IV - METOLODIGIA
Segundo Gil (2010), do ponto de vista da natureza,
este trabalho pode ser classificado como pesquisa aplicada
por objetivar gerar conhecimentos para aplicação prática
dirigidos à solução de problemas na manutenção preditiva
de plantas industriais que usam motores de indução
trifásicos (MIT).
Do ponto de vista da forma de abordagem, esta
pesquisa é classificada como quantitativa por utilizar de
números, como a taxa de acerto do sistema de proteção, para
expressar os resultados obtidos.
Pelo objetivo do trabalho, este é classificado como
pesquisa explicativa por objetivar identificar as causas de
falhas e criar um método de detecção para estes problemas
apresentados. Por utilizar de materiais já publicados para
elaboração do trabalho, este pode ser classificado com
pesquisa bibliográfica, tendo em vista que se utilizou,
principalmente, de livros e artigos de especialistas em
Sistema de controle e Análise de falhas para compreensão
da problemática e das pesquisas já existentes nessa área
(GIL, 2010).
V – MODELAGEM E IDENTIFICAÇÃO DE FALHAS E SISTEMAS
Para uma análise paramétrica dos falhas que serão
apresentadas, se faz necessário apresentarmos,
primeiramente, os conceitos de falhas e supervisão em
sistemas industriais e os seus respectivos tipos falhas, suas
características e o modelo teórico seguido neste trabalho.
Além disso, apresentaremos uma rápida introdução á
identificação de sistemas dinâmicos e os passos que a
compõem, o modelo matemático, sua parametrização e
obtenção de parâmetros por mínimos quadrados recursivos.
A – CLASSIFICAÇÃO DOS TIPOS DE FALHA
A falha em um sistema é caracterizada por um
desvio, erro ou condição anormal que podem ser atribuídas
a várias causas. Elas podem ser resultados de curtos ou
longo períodos de tempo no qual um equipamento
apresenta mau funcionamento de um de seus subconjuntos
ou variáveis que compõem seu processo de trabalho. Para
que isso seja evitado a manutenção desses subconjuntos foi
sempre implementada, ao passo que, da década de 1960 em
diante, tivemos um avanço do campo da pesquisas e
análise da supervisão das variáveis que constituem o
sistema. Segundo Isermman (2006, p.13) “Uma das razões
para a supervisão é evitar o mau funcionamento e
falha[...]”.
Como aponta Isermann (2006, p.63)
[...] A característica da falha pode ser qualquer
quantidade física, se esta é parte da lei física
Y(t) = g[U(t), x(t), θ] , sob a forma de uma
equação, e medidas de U(t) e de Y(t) estão
disponíveis, a característica se expressa em
termos da variável de entrada U(t), variável de
 saída Y(t),variável de estado x1 (t), e parâmetro
θi .
A relação entre as falhas reais e seu modelo
matemático pressupõe que há variações de seus modelos de
malha de controle, de modo que seu estudo desses
parâmetros tem de ser aliado ao tipo de falta detectada no
motor a qual formos nos analisar.
A figura 1.0 representa o comportamento da falha
no tempo de funcionamento do sistema.
Fig. 1. Tipos de falta em função do tempo: (a) abrupta; (b) incipiente; (c)
intermitente
Fonte: ISERMANN (2006)
Os tipos de falhas em função do tempo são: (a)
abrupta, as quais acontecem de forma repentina,
dificilmente podem ser previstas por qualquer meio
matemático; (b) incipientes, aquelas em que se caracterizam
por pequenos desvios muitas vezes camufladas por
dispositivos de controle adaptativos, tais faltas dificilmente
serão detectadas pelas análises clássicas de vibração
mecânica e de manutenção preditiva periódica usada na
indústria; e, por fim, (c) intermitentes, que aparecem
periodicamente no tempo, causadas por perturbações
inerentes ao processo. Das três falhas apresentadas acima,
no atearemos a falhas incipientes (b), por ser um curto-
circuito nas bobinas do motor.
B – MODELO DO PROCESSO
Para que possamos analisar o sistema sem termos
mantenedores indo a campo fazer medições preditivas, ou
seja, uma analise não-invasiva do sistema. O método ideal
para este tipo de estudo é o Modelo do Processo. Segundo
Rocha (2013, p. 09)
“[... ]um modelo do sistema em questão é obtido
utilizando apenas sinais de entrada e saída
aplicados e coletados diretamente de um
modelo dinâmico que representa o sistema.
Desse modo, nessa etapa, é possível gerar vários
modelos matemáticos do mesmo sistema, o que
possibilita verificar possíveis mudanças
matemáticas nos modelos obtidos. Essas
mudanças (desvios), são os sintomas gerados
que indicam a diferença entre um estado
correspondente à ação da falta e o estado onde
o sistema está livre de faltas, logo além de ser
possível obter uma representação matemática
do sistema, é possível detectar desvios do
comportamento normal, ou seja, as faltas,
caracterizando essa etapa como etapa de
detecção da falta.
Desse modo, analisaremos os parâmetros de
entrada U e saída Y, para fazermos uma correlação para
identificarmos faltas seja no processo, atuadores ou
sensores da planta. Através da técnica de estimação de
parâmetros, são gerados ruídos (r) e parâmetros estimados
(𝜃) que serão representações do processo analisado.
A figura 1.1 abaixo ilustra uma análise seguindo
o Modelo do Processo e suas fases, evidenciando a
comparação com os valores nominais de entrada e suas
mudanças de características para, assim, detectarmos
sintomas chaves que indicarão futuras falhas.
Fig. 1.1 Esquema do Modelo do Processo para análise de falhas.
Fonte: ISERMANN (2006)
C – MODELAGEM MATEMÁTICA DE SISTEMAS DINÂMICOS
Segundo OGATA (1990), um modelo matemático de
sistemas dinâmicos é um conjunto de equações que
representam a dinâmica de um sistema. Para que tenhamos
uma análise sem um grau elevado de complexidade, convém a
utilização de modelos simplificados para descrição de um
comportamento básico do processo. BRANDOLT (2002)
definiu um modelo como linear quando á valido o princípio de
superposição, já para modelos não lineares este principio não
é valido.
Em vista disso, para que tenhamos um modelo linear,
será apresentado o modelo ARX (autoregressivo com entradas
exógenas autoregressive with exougenous inputs), que é um
modelo de representação de sistemas baseado em modelos do
processo, além do método dos mínimos quadrados, método
paramétrico de obtenção dos parâmetros de modelos
matemáticos, modelo ARX.
C – MODELO ARX
A figura xxx descreve uma estrutura do modelo ARX
C – MÍNIMOS QUADRADOS
Segundo Brandolt (2002), a teoria dos mínimos quadrados é
o principal modelo matemático para obtenção de parâmetros
a partir de dados experimentais. O método dos mínimos
quadrados determina o melhor ajuste do modelo aos dados
experimentais, nesse caso parâmetros de corrente e tensão
elétricas, a partir da minimização do erro:
Dada a variável 𝑦, que esta relacionada linearmente com um
conjunto de n variáveis 𝑥, sendo 𝑥 = (𝑥1 + 𝑥2 … . 𝑥𝑛 ), tem-
se:
𝑦 = (𝜃1 𝑥1 + 𝜃2 𝑥2 … . 𝜃𝑛 𝑥𝑛 ) (1.0)
no qual é um conjunto de parâmetros constantes. Assume-se
que 01 é desconhecido e deseja-se estimar seus valores y e x.
A figura xxx é um diagrama que represena este problema.
Fig. 2.1 Esquema de entrada de parâmetros
Fonte: BRANDOLT (2002)
Assume-se um conjunto de m pontos observados de x e y,
nos instantes de tempo por t1, t2...tn e denota-se um
conjunto de medidas dados por y(i) e x(i),x2(i),...,xn(i), i=
1,2,...,m. Assim, tem-se um conjunto de dados por m
equações lineares:
𝑦 = (𝜃1 𝑥1 (𝑖) + 𝜃2 𝑥2 (𝑖) … . 𝜃𝑛 𝑥𝑛 (𝑖), 𝑖 = 1,2, … , 𝑛
A equação acima é chamada de função regressão e 𝜃𝑖 é
chamado de coeficiente regressão. O sistema de equação .
O sistema de equação xx pode ser escrito pela matriz:
𝑦 = 𝜃𝑋 (1.1)
Onde,
Para estimarmos os n parâmetros 𝜃𝑖 , é necessário que m ≥
n. Se m = n então 𝜃 pode ser calculado por:
̂𝜃 = 𝑋 −1 𝑦 (1.2)
Com 𝑋 −1 sendo a inversa da matriz quadrada de 𝑋 e ̂𝜃
sendo a estimativa de 𝜃. Contudo, quando m > n não é
possível determinar um conjunto de 𝜃𝑖 que satisfaça as m
equações.
Este problema poder ser colocado como um problema de
otimização, minimizando o erro entre o modelo e os dados
experimentais a partir do ajuste de 𝜃.
Definindo um vetor para o erro como sendo:
𝜀 = (𝜀1 , 𝜀2 , … , 𝜀𝑚 )𝑇 :

𝜀 =𝑦−𝑋𝜃 (1.3)

Determinar a objetivo

𝐽 = ∑𝑚 2 𝑇
𝑖=1 𝜀𝐼 = 𝜀 𝜀 (1.4)

A ser minimizado. Considerando que:

𝐽 = (𝑦 − 𝜃𝑋)𝑇 (𝑦 − 𝜃𝑋 ) (1.5)

= 𝑦 𝑇 𝑦 − 𝜃 𝑇 𝑋 𝑇 𝑦 − 𝑦 𝑇 𝜃𝑋 + 𝜃 𝑇 𝑋 𝑇 𝜃𝑋

Derivando J em relação 𝜃 e igualmente a zero, é possível o

vetor ̂𝜃 que minimiza J, sendo assim:

𝜃𝑇𝑋𝑇 = 𝑋𝑇𝑦 (1.6)

na qual ̂𝜃 pode ser resolvida por

̂𝜃 = (𝑋 𝑇 𝑋)−1 𝑋 𝑇 y (1.7)

Este resultado é chamado de estimador por mínimos

quadrados recursivos (LSE, least-square estimator) de 𝜃. A
equação xxx é referida como equação normal e 𝜀 é chamado
de resíduo.

REFERÊNCIAS

[1] ISERMANN, R. Fault-Diagnosis Systems: An Introduction

from Fault Detection to Fault Tolerance. Germany: Springer-
Verlag Berlim Heidelberg, 2006.

[2] CHAPMAN, Stephen J. Fundamentos de máquinas

elétricas. 5. ed. Porto Alegre, RS: AMGH, 2013.

[3] ROCHA, Erick M. Metodologia baseada em sistema Fuzzy

intervalar do tipo-2 para detecção e identificação de faltas
incipientes em motores de indução. 2013. Dissertação
(Mestrado em Engenharia Elétrica). Universidade Federal do
Pará, UFPA, Belém, 2013.

[4] GIL, Antônio Carlos. Como elaborar projetos de pesquisa. 5.

ed. São Paulo: Atlas, 2010