Low-Complexity Recursive NARX for Discriminating Incipient Stator Inter-Turn Short Circuits from Load Variations in Three-Phase Induction Motors

No mundo industrial, o motor de indução trifásico é o cavalo de carga silencioso. Encontrados em tudo, desde bombas de fábrica até ventiladores de ventilação, essas máquinas mantêm as linhas de produção em movimento. No entanto, como qualquer sistema mecânico, eles estão sujeitos ao desgaste. Uma das falhas mais perigosas é um curto-circuito entre as minúsculas bobinas de cobre dentro do estator do motor, a parte estacionária que cria o campo magnético. Quando apenas algumas voltas de fio se tocam, uma pequena corrente localizada começa a circular. Se não for verificada, isso pode superaquecer o isolamento, levando a uma falha catastrófica que interrompe toda a máquina. O desafio para os engenheiros não é apenas encontrar um motor quebrado, mas detectar o problema enquanto ele ainda é pequeno e gerenciável. Isso é difícil porque os sinais elétricos que revelam uma falha minúscula também mudam quando o motor simplesmente trabalha mais ou carrega uma carga mais pesada. Distinguir um defeito em desenvolvimento de uma mudança normal na carga de trabalho tem sido, há muito tempo, um obstáculo para o monitoramento automatizado confiável.

Uma equipe de pesquisadores da Universidade Federal de São João del-Rei, no Brasil, desenvolveu uma nova maneira de resolver esse problema específico. Eles criaram uma ferramenta digital simples e de baixo custo que pode diferenciar um motor que está apenas trabalhando pesado de um que possui um curto-circuito inicial e minúsculo. Em vez de tentar construir uma cópia digital perfeita e de alta fidelidade do motor que imite cada detalhe físico, os pesquisadores adotaram uma abordagem diferente. Eles construíram um modelo matemático muito pequeno e simplificado que atua como um detector sensível. Este modelo é projetado para manter sua estrutura fixa, o que significa que não altera sua forma ou complexidade. Em vez disso, quando o comportamento do motor muda devido a uma falha, os números dentro do modelo são forçados a mudar para acompanhar a situação. Ao observar como esses números derivam, o sistema pode identificar uma falha mesmo quando o motor está passando por mudanças significativas de carga.

Para testar essa ideia, os pesquisadores montaram um experimento de laboratório usando um motor de indução trifásico padrão. Eles criaram cuidadosamente falhas controladas, curto-circuitando um pequeno número de voltas nas bobinas do motor. Em um cenário, eles curto-circuitaram cerca de 1,5% das voltas em uma única fase e, em outro, curto-circuitaram cerca de 3%. Estes são defeitos muito pequenos, do tipo que são difíceis de detectar antes que causem danos maiores. Para tornar o teste realista, eles também submeteram o motor a uma grande mudança normal de carga de trabalho, aumentando a corrente elétrica em quase 49%. O objetivo era ver se o sistema deles conseguiria ignorar essa enorme mudança de carga enquanto ainda disparava um alarme para os curtos-circuitos minúsculos.

O sistema que eles construíram baseia-se em um método chamado estimativa recursiva de parâmetros. Em termos simples, isso significa que o sistema atualiza sua compreensão do comportamento do motor a cada momento, usando apenas as leituras mais recentes de tensão e corrente. Ele não precisa armazenar vastas quantidades de dados históricos ou realizar cálculos complexos que exijam computadores potentes. O modelo usa apenas quatro números ajustáveis para descrever a relação entre a tensão que entra no motor e a corrente que sai. Quando o motor está saudável, esses números permanecem relativamente estáveis. Quando ocorre uma falha, as propriedades físicas do motor mudam, e o sistema deve ajustar esses quatro números para corresponder à nova realidade. Os pesquisadores descobriram que, ao congelar a estrutura do modelo e permitir apenas que esses números se movessem, eles podiam ver claramente a diferença entre uma falha e uma mudança de carga.

Uma parte crucial de seu sucesso foi uma técnica chamada adaptação de ganho estático. Sem esse recurso, o sistema confundiria uma carga pesada com uma falha, pois ambas fazem com que os sinais elétricos mudem. A adaptação atua como um botão de volume que ajusta automaticamente a sensibilidade do modelo ao nível de operação atual. Isso permite que o sistema ignore as mudanças normais e esperadas de desempenho causadas pela carga, mantendo-se altamente sensível às mudanças irregulares específicas causadas por um curto-circuito. Quando os pesquisadores testaram seu sistema sem essa adaptação, ele falhou em detectar as menores falhas e teve dificuldades para distinguir as falhas maiores das variações normais de carga. Com a adaptação em vigor, o sistema conseguiu separar com sucesso os sinais de falha dos sinais de carga.

Os resultados mostraram que o modelo não linear que escolheram foi significativamente melhor do que um modelo linear tradicional para rastrear o comportamento do motor. Em seus testes, a abordagem não linear reduziu o erro na previsão da saída do motor em cerca de 22% em comparação com a versão linear. Mais importante ainda, o sistema pôde distinguir claramente entre o motor saudável, o motor com um curto de 1,5% e o motor com um curto de 3%, mesmo enquanto a carga mudava em quase metade. Os pesquisadores observaram que diferentes números em seu modelo reagiam de maneiras diferentes. Um número específico, relacionado a como a tensão de entrada afeta a corrente após um pequeno atraso, provou ser o indicador mais confiável de uma falha. Outro número foi muito sensível às mudanças de carga, o que ajudou o sistema a entender o contexto da operação.

O sistema opera a uma velocidade de 1.000 amostras por segundo, o que é rápido o suficiente para capturar esses primeiros sinais de problemas. No entanto, o tempo necessário para emitir um alarme não é limitado pela rapidez com que o computador calcula. Em vez disso, o atraso é de cerca de 1,2 segundos, que é o tempo necessário para o sistema reunir evidências suficientes para ter certeza de que a mudança nos números é uma falha real e não apenas ruído aleatório ou uma flutuação temporária. Esse atraso é aceitável para um sistema de manutenção preditiva, que visa alertar os operadores antes que uma falha ocorra, em vez de desarmar instantaneamente um disjuntor como um dispositivo de segurança tradicional.

O estudo também destacou que o sistema precisa monitorar todas as três fases do suprimento elétrico do motor. Quando ocorre uma falha em uma fase, os números do modelo para aquela fase específica mostram um desvio claro. As fases que não foram afetadas mostram mudanças muito menores. Isso significa que, em uma instalação do mundo real, o sistema executaria três monitores paralelos, um para cada fase, e sinalizaria aquele que estiver mostrando a deriva mais significativa. Essa abordagem não exige saber antecipadamente qual fase pode falhar.

Os pesquisadores enfatizam que seu método foi projetado para sistemas embarcados, o que significa que poderia rodar nos microcontroladores pequenos e baratos já encontrados em muitos acionamentos industriais e relés de proteção. Não requer o poder computacional pesado necessário para algoritmos complexos de aprendizado de máquina ou o armazenamento massivo de dados de simulações de gêmeos digitais. Todo o processo envolve operações aritméticas simples que podem ser realizadas com pouquíssima memória. Isso torna o sistema um candidato prático para modernizar (retrofit) máquinas existentes, permitindo que motores antigos sejam monitorados com diagnósticos inteligentes modernos sem substituir o hardware.

Embora os testes tenham sido realizados em um único motor em um ambiente controlado de laboratório, os achados oferecem um caminho promissor para a confiabilidade industrial. O estudo demonstra que um modelo simples e interpretável, quando combinado com uma adaptação inteligente às mudanças de condições, pode superar abordagens mais complexas na tarefa específica de separar falhas precoces de mudanças normais de operação. O trabalho sugere que o futuro do monitoramento de motores pode não residir em inteligências artificiais cada vez mais complexas, mas no refinamento de ferramentas simples, baseadas em física, que sejam robustas, rápidas e fáceis de implementar no mundo real. Os pesquisadores planejam validar sua abordagem em motores alimentados por inversores de frequência e sob uma gama mais ampla de condições de falha, mas os resultados iniciais fornecem uma base sólida para uma nova estratégia de baixo custo para manter o maquinário industrial funcionando com segurança.