Uma abordagem baseada em vibração para seleção de características no diagnóstico inteligente de diferentes condições de falha em motores elétricos

Motores de elétricos de indução são essenciais em ambientes industriais pela sua robustez e adaptabilidade, mas podem apresentar diversas falhas como desalinhamento, desbalanceamento e defeitos em rolamentos, comprometendo a confiabilidade operacional. A análise de sinais de vibração destaca-se como ferramenta eficiente para identificar precocemente essas anomalias, favorecendo ações de manutenção preditiva. Este trabalho propõe uma abordagem de seleção de variáveis com alta capacidade discriminativa para construir vetores de características enxutos e representativos no diagnóstico de falhas em motores elétricos. Duas estratégias foram comparadas para identificar as variáveis relevantes por classe de falha: Random Forest MDA e análise de correlação de Pearson, sendo retidas as características de maior importância acumulada. Para validar a seleção, foram utilizados três algoritmos de aprendizado de máquina: Random Forest, SVM e XGBoost, treinados com subconjuntos de variáveis selecionadas e avaliados pelas métricas: acurácia, precisão, recall e F1-score. Os resultados mostraram que todos os modelos tiveram desempenho satisfatório, com destaque para o XGBoost, que obteve melhores resultados ao utilizar apenas duas características selecionadas via MDA. Observou-se variação de desempenho conforme a classe de falha, indicando que diferentes algoritmos podem ser mais eficazes para padrões específicos. Conclui-se que a seleção direcionada de características aliada ao uso criterioso de técnicas de aprendizado de máquina configura uma solução eficiente e escalável para o diagnóstico inteligente de falhas, sendo promissora para aumentar a confiabilidade e disponibilidade de ativos industriais.