Identificação de falhas em motores de indução trifásicos usando rede neural transformer convolucional

Página do item simplificado
dc.contributor.advisor-co1Silva, Jair Adriano Lima
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/3099010533644898
dc.contributor.advisor1Rocha, Helder Roberto de Oliveira
dc.contributor.advisor1IDhttps://orcid.org/0000-0001-6215-664X
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8801325729735529
dc.contributor.authorMoraes, Vinicius Andrade Nunes de
dc.contributor.authorIDhttps://orcid.org/0009-0005-3889-354X
dc.contributor.authorLatteshttp://lattes.cnpq.br/1557334823568448
dc.contributor.referee1Encarnação, Lucas Frizera
dc.contributor.referee1IDhttps://orcid.org/0000-0002-6162-7697
dc.contributor.referee1Latteshttp://lattes.cnpq.br/5578918284508758
dc.contributor.referee2Augusto, Andre Abel
dc.contributor.referee2IDhttps://orcid.org/0000-0001-7171-3372
dc.contributor.referee2Latteshttp://lattes.cnpq.br/2166068779417190
dc.date.accessioned2025-05-07T21:08:27Z
dc.date.available2025-05-07T21:08:27Z
dc.date.issued2025-03-24
dc.description.abstractThis work presents a hybrid approach using Convolutional Neural Networks (CNN) and Transformers for fault diagnosis in three-phase induction motors, focusing on the detection and classification of the severity of broken bar faults based on current and voltage signals. Electrical Signature Analysis (ESA), widely used in motor monitoring, offers several advantages. However, ESA-based techniques traditionally rely on spectral transformations, which can result in high computational cost and reduced generalization capability. CNNs can extract discriminative features directly from raw data, eliminating the need for preprocessing steps. The proposed study integrates CNNs with the attention mechanism of Transformers, which captures spatiotemporal dependencies in the data. The Convolutional Transformer Neural Network (CTNN) achieved approximately 97% accuracy when using the entire dataset, significantly outperforming classical machine learning algorithms such as Random Forest and k-Nearest Neighbors (KNN), which obtained 90% and 86% accuracy, respectively. The CNN, tested under similar conditions, achieved 96% accuracy. Compared to other methodologies involving multiple preprocessing steps and transformations to the frequency domain, the proposed approach achieves similar results, close to 100% accuracy, while being simpler, more efficient, and with greater generalization capability. Additionally, the methodology employs a reduced sampling rate, approximately six times lower than the original sampling rate of the dataset, contributing to computational cost reduction without compromising performance
dc.description.resumoEste trabalho apresenta uma abordagem híbrida utilizando Redes Neurais Convolucionais (CNN, do inglês Convolutional Neural Networks) e Transformers para o diagnóstico de falhas em motores de indução trifásicos, com foco na detecção e classificação da severidade de falhas de quebra de barras a partir dos sinais de corrente e tensão elétrica. A Análise da Assinatura Elétrica (ESA, do inglês Electrical Signature Analysis), amplamente utilizada no monitoramento de motores, oferece diversas vantagens. No entanto, as técnicas baseadas na ESA tradicionalmente utilizam transformações espectrais, o que pode resultar em alto custo computacional e menor capacidade de generalização. As CNNs conseguem extrair características discriminativas diretamente dos dados brutos, eliminando a necessidade de etapas de pré-processamento. A proposta deste estudo é integrar CNNs ao mecanismo de atenção dos Transformers, que captura dependências espaço-temporais entre os dados. A Rede Neural Transformer Convolucional (CTNN, do inglês Convolutional Transformer Neural Network) alcançou aproximadamente 97% de acurácia ao utilizar toda a base de dados, superando significativamente algoritmos clássicos de aprendizado de máquina, como Random Forest e k-Nearest Neighbors (KNN), que obtiveram 90% e 86% de acurácia, respectivamente. Já a CNN, testada em condições semelhantes, obteve 96% de acurácia. Em comparação com outras metodologias, que envolvem múltiplas etapas de pré-processamento e transformações para o domínio da frequência, a abordagem proposta apresenta resultados similares, próximos a 100% de acurácia, porém com maior eficiência e capacidade de generalização. Além disso, a metodologia utiliza uma taxa de amostragem reduzida, cerca de seis vezes menor do que seria a taxa de amostragem original da base de dados, contribuindo para a redução do custo computacional sem comprometer a performance
dc.description.sponsorshipFundação de Amparo à Pesquisa e Inovação do Espírito Santo (Fapes)
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/19439
dc.languagepor
dc.language.isopt
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseMestrado em Engenharia Elétrica
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétrica
dc.rightsopen access
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectRedes Neurais Convolucionais
dc.subjectConvolutional Neural Networks
dc.subjectTransformer convolucional
dc.subjectAnálise da assinatura elétrica
dc.subjectMotor de indução
dc.subjectDetecção e diagnóstico de falhas
dc.subjectConvolutional transformer
dc.subjectElectrical signature analysis
dc.subjectInduction motor
dc.subjectFault detection and diagnosis
dc.subject.cnpqEngenharia Elétrica
dc.titleIdentificação de falhas em motores de indução trifásicos usando rede neural transformer convolucional
dc.typemasterThesis
foaf.mboxviniciusanm2112@gmail.com
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
ViniciusAndradeNunesdeMoraes-2025-Dissertacao.pdf
Tamanho:
9.04 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Mestrado em Engenharia Elétrica