Diagnóstico automatizado de falhas em motores de indução trifásicos por redes neurais artificiais com dados do Motor Fault Simulator (MFS-UFRJ)

A Manutenção Preditiva (PdM) representa uma evolução estratégica na gestão de ativos industriais, utilizando Inteligência Artificial (IA) para antecipar falhas em equipamentos críticos. Este trabalho tem como objetivo desenvolver uma solução computacional para o diagnóstico automatizado de falhas em motores de indução trifásicos, utilizando Redes Neurais Artificiais (RNA). A metodologia proposta baseia-se na análise de sinais de vibração e corrente da base de dados pública do Motor Fault Simulator (MFS) da UFRJ. Para lidar com o grande volume de dados, foi implementada uma rotina de processamento em lotes para a extração de características relevantes nos domínios do tempo e da frequência. O principal resultado desta fase do projeto é a construção e validação de um pipeline de dados robusto e de uma arquitetura de rede neural.