Um método de classificação baseado em aprendizado de máquina para falhas em SynRM

Por que a saúde dos motores mais inteligente importa

Motores elétricos operam silenciosamente em fábricas, trens e inúmeras máquinas, e quando falham sem aviso o resultado pode ser tempo de inatividade caro ou até acidentes perigosos. Um tipo mais novo de motor, o motor síncrono de relutância, promete alta eficiência sem depender de ímãs de terras raras, tornando‑o atraente para um futuro de baixo carbono. Mas as próprias características que tornam esses motores interessantes também dificultam a leitura dos sinais de alerta precoces. Este estudo mostra como o aprendizado de máquina cuidadosamente projetado pode vigiar o “batimento cardíaco” elétrico do motor e detectar vários tipos de dano de forma rápida e confiável, abrindo caminho para acionamentos mais seguros, mais verdes e mais confiáveis.

Um novo tipo de motor, um novo tipo de problema

Os motores síncronos de relutância diferem internamente dos motores de indução tradicionais ou dos motores com ímãs: não possuem enrolamentos no rotor nem ímãs permanentes, e seus caminhos magnéticos são fortemente direcionais. Essa estrutura interna altera a maneira como falhas elétricas aparecem na corrente do motor. Métodos que funcionam bem para outros motores frequentemente falham aqui, especialmente em fábricas reais onde as cargas variam e o ruído invade as medições. Até agora, a maior parte da pesquisa ou simulou falhas isoladas, testou apenas um algoritmo, ou ignorou como a solução rodaria em tempo real em hardware prático. Os autores buscaram construir um ambiente de testes completo, justo e repetível, focado especificamente nesse tipo de motor e em combinações de falhas, não apenas em uma falha por vez.

Gerando falhas reais e virtuais para aprender

Para ensinar aos computadores como é um problema, a equipe criou tanto danos físicos quanto simulados. No laboratório eles usaram um motor de 2,2 quilowatts e introduziram deliberadamente dois problemas comuns e perigosos: espiras em curto nos enrolamentos do estator e defeitos na pista interna dos rolamentos. Operaram o motor em regime sem carga, meia carga e carga plena, registrando sinais de corrente trifásica para cada condição muitas vezes para garantir repetibilidade. Um terceiro tipo de falha — um entreferro desigual entre rotor e estator, chamado excentricidade — foi modelado usando simulações eletromagnéticas detalhadas e depois cuidadosamente “ruidoso” e dimensionado para que seus padrões de corrente se parecessem com os medidos em laboratório. Todos os sinais, fossem de experimentos ou simulações, foram processados da mesma forma para que os algoritmos de aprendizado se concentrassem em padrões físicos de falha, e não em artefatos de como os dados foram gerados.

Ouvindo a corrente no tempo e na frequência

Como a corrente de um motor com falha varia ao longo do tempo e em uma ampla faixa de frequências, os autores usaram uma ferramenta chamada transformada discreta de wavelet. Em vez de produzir apenas um espectro simples, esse método divide a corrente em várias bandas que capturam tanto ondulações lentas de baixa frequência quanto picos agudos de alta frequência. De cada fatia curta de corrente — cerca de um décimo de segundo — eles destilaram um conjunto compacto de 12 números descrevendo como a energia e a aleatoriedade se distribuíam por essas bandas. Esses números formam uma impressão digital da condição do motor. Ao deslizar a janela de análise sobre gravações longas e balancear as amostras, construíram conjuntos de dados grandes e bem controlados com 10.000 “impressões digitais” por classe, cobrindo operação saudável e cada cenário de falha isolado e em combinação.

Submetendo modelos de aprendizado de máquina a um teste justo

Armados com esse conjunto de dados, os pesquisadores compararam oito métodos populares de aprendizado de máquina, desde esquemas lineares simples até conjuntos sofisticados de árvores de decisão. Seguiram regras rígidas para evitar armadilhas comuns: todas as janelas de uma dada execução foram mantidas inteiramente nos conjuntos de treinamento ou de teste para prevenir vazamento, parâmetros foram ajustados por buscas em grade sistemáticas com validação cruzada, e o desempenho foi avaliado usando acurácia, precisão e — mais importante — recall, que mede com que frequência falhas reais são corretamente detectadas. Para falhas isoladas em enrolamentos e rolamentos, random forests — um conjunto de muitas árvores rasas — destacou‑se, alcançando cerca de 99,98% de acurácia sem falhas perdidas. Para excentricidade, métodos de boosting como AdaBoost e XGBoost atingiram acurácia perfeita com muito menos tempo de treinamento do que máquinas de vetores de suporte, que tiveram desempenho similar mas escalam mal com o tamanho dos dados.

Da acurácia do laboratório à proteção em tempo real

O teste mais exigente foi uma tarefa de 16 classes refletindo muitas combinações possíveis de falhas. Aqui, um método de ensemble mais novo chamado CatBoost forneceu o melhor equilíbrio, identificando corretamente mais de 99,9% dos casos e mantendo falhas perdidas excepcionalmente raras. Embora este modelo use mais memória do que outros, seu tempo de resposta permaneceu na casa de dezenas de microssegundos — rápido o suficiente para os padrões de proteção industrial que exigem que motores sejam desconectados em milissegundos quando algo dá errado. Em todos os testes, o estudo demonstra que ensembles baseados em árvores, escolhidos e ajustados com cuidado, podem transformar medições de corrente ruidosas em um sistema de alerta precoce altamente confiável. Em termos simples, o trabalho mostra que, com o tipo certo de dados e modelos, os fabricantes podem monitorar esses motores eficientes em tempo real, capturando pequenos problemas antes que cresçam em falhas caras ou perigosas.

Citação: Rajini, V., Nagarajan, V.S., Gulbarga, M.I. et al. A machine learning-based classification method for SynRM faults. Sci Rep 16, 13790 (2026). https://doi.org/10.1038/s41598-026-42396-0

Palavras-chave: motor de relutância síncrona, diagnóstico de falhas, análise da corrente do motor, aprendizado de máquina, monitoramento de condição