Avaliação de um motor de indução de 40 anos usando técnicas híbridas de diagnóstico e preditivas baseadas em IA

Por que motores antigos ainda importam

Em fábricas, estações de tratamento de água e usinas, grandes motores elétricos mantêm silenciosamente nosso mundo em funcionamento. Muitos desses cavalos de batalha operam há décadas, e substituí‑los pode ser caro e disruptivo. Este artigo explora se um motor industrial de 40 anos — muito além de sua vida útil de projeto — ainda pode ser confiável. Ao combinar verificações elétricas tradicionais com imagem térmica e inteligência artificial moderna, os pesquisadores mostram como decidir se um motor envelhecido é um passivo ou um ativo bem conservado.

Um cavalo de guerra envelhecido sob o microscópio

O estudo foca em um motor de indução de 150 quilowatts que aciona uma bomba de transposição de água e está em serviço há cerca de 40 anos, bem além dos 20–25 anos normalmente esperados. Em vez de assumir que só a idade já é motivo para aposentá‑lo, a equipe realizou um check‑up completo. Mediram o quanto o isolamento interno ainda bloqueia a corrente, quanto de corrente de fuga vai para a terra e quão uniformemente as bobinas oferecem resistência à eletricidade. Esses testes, tomados em conjunto, indicam se os “nervos” internos do motor estão secando, rachando ou absorvendo umidade — problemas que podem levar a falhas repentinas e caras.

Check‑ups elétricos e mapas térmicos

Vários testes clássicos pintaram um quadro surpreendentemente positivo. As medidas de resistência de isolamento ficaram bem acima do limiar de 1 gigaohm que as normas consideram aceitável para motores antigos. Uma fase mostrou um índice de polarização forte — um indicador de que o isolamento seca adequadamente sob tensão — enquanto as outras duas fases ficaram na linha limite, sugerindo envelhecimento leve ou umidade. A corrente de fuga, outro alerta precoce de degradação, manteve‑se bem abaixo dos níveis típicos de perigo, embora uma fase novamente parecesse mais fraca que as demais. Quando a equipe mediu a resistência de cada enrolamento, encontrou algum desequilíbrio, mas não suficiente para causar pontos quentes ou sinais óbvios de estresse durante a operação.

Para ver como o motor se comportava sob carga real, os pesquisadores realizaram um teste completo de desempenho. As curvas de torque, corrente e eficiência se alinharam de perto com as expectativas de livro didático para um motor de indução saudável, mesmo em altos escorregamentos (a diferença entre a velocidade do motor e a velocidade do campo magnético girante). A termografia por infravermelho — essencialmente uma câmera de calor — mostrou temperaturas de superfície subindo cerca de 65 °C acima do ambiente, ainda aceitáveis para a classe de isolamento do motor. As imagens térmicas revelaram diferenças de temperatura moderadas entre fases, ecoando as leituras elétricas desiguais e apontando para áreas que merecem vigilância mais próxima.

Ensinando uma máquina a detectar problemas

Além dos testes pontuais, a equipe perguntou se dados deste e de motores semelhantes poderiam alimentar uma ferramenta preditiva que sinalize problemas antecipadamente. Eles montaram um conjunto de dados de três anos de vários motores grandes e mais antigos, cada ponto de dados incluindo leituras de isolamento em diferentes momentos, corrente de fuga, resistência dos enrolamentos ajustada pela temperatura, índices térmicos das imagens infravermelhas e condições básicas de operação. Usando essas informações, treinaram um modelo Random Forest — um tipo de conjunto de árvores de decisão — para classificar estados do motor em "normal" ou "isolamento em risco". Apesar de terem relativamente poucos exemplos reais de falha, o modelo alcançou cerca de 87% de acurácia geral e conseguiu reconhecer muitos, embora não todos, os casos degradados. A análise também mostrou quais medições importam mais: resistência dos enrolamentos e indicadores térmicos superaram ligeiramente resistência de isolamento e corrente de fuga, ressaltando o valor de combinar visões elétricas e térmicas.

Projetando a vida restante do motor

Os autores não se limitaram à condição atual; também investigaram como o isolamento pode envelhecer nos próximos anos. Usando resultados históricos de teste dos 25 aos 40 anos, ajustaram uma curva exponencial simples para descrever como a resistência de isolamento cai ao longo do tempo. Essa curva casou bem com os dados passados e prevê que, por volta dos 45 anos, a resistência de isolamento do motor ainda estaria próxima de 2 gigaohms — acima do piso de segurança habitual. No entanto, os pesquisadores enfatizam que tais previsões são tão boas quanto os dados que as suportam. Como há poucas medições de longo prazo e muitas influências do mundo real, como variações de temperatura e contaminação, eles tratam o modelo como uma estimativa informada com incerteza, não como uma garantia.

O que isso significa para manter motores em operação

Reunindo todas as vertentes, o estudo conclui que este motor específico de 40 anos pode permanecer em serviço com segurança, desde que seja monitorado cuidadosamente. Seu isolamento elétrico, comportamento térmico, vibrações e estatísticas de confiabilidade (com disponibilidade em torno de 99,94%) sustentam a vida estendida, embora duas fases mostrem sinais iniciais de envelhecimento. A abordagem combinada — testes elétricos regulares, termografia, verificações de vibração e análise assistida por IA — oferece aos operadores de planta uma maneira prática de decidir quando reformar, rebobinar ou finalmente substituir equipamentos caros. Em termos cotidianos, o trabalho mostra que um motor antigo não precisa ser aposentado apenas por causa da idade; com bons registros, monitoramento inteligente e manutenção direcionada, ele pode continuar girando de forma confiável, economizando dinheiro e tempo de inatividade.

Citação: Butukuri, K.R., Giri, N.C., Yemula, P.K. et al. Assessment of a 40-year-old induction motor using hybrid diagnostic and AI-based predictive techniques. Sci Rep 16, 13739 (2026). https://doi.org/10.1038/s41598-026-44319-5

Palavras-chave: motor de indução, manutenção preditiva, saúde do isolamento, termografia, aprendizado de máquina