Uso de inteligência artificial para desenvolvimento de algoritmo de previsão de falhas para motores de indução trifásicos
uma revisão sistemática de literatura
DOI:
https://doi.org/10.47385/cadunifoa.v20.n55.5536Palavras-chave:
Detecção de Falhas, Motor de Indução Trifásico, Inteligência Artificial, Redes Neurais ArtificiaisResumo
A redução de custos operacionais e o aumento da eficiência são cruciais para garantir a competitividade na indústria automobilística. Um controle rigoroso dos motores de indução trifásicos é essencial para manter a produção ininterrupta e minimizar o tempo de inatividade causado por falhas. Nesse cenário, a Inteligência Artificial se destaca como uma ferramenta poderosa para o desenvolvimento de algoritmos de previsão de falhas em motores de indução trifásicos. Para compreender as tendências atuais nesse campo, este artigo propõe uma revisão bibliográfica sistemática, visando obter uma visão abrangente do que já foi explorado e identificar lacunas de conhecimento nessa área. Os resultados destacaram oito artigos que enfatizam o uso de Redes Neurais Artificiais para detecção de falhas em motores de indução trifásicos.
Downloads
Referências
AWDE, Shreyas; PATIL, Shruti; KUMAR, Satish; KAMAT, Pooja; KOTECHA, Ketan; ABRAHAM, Ajith. Multi-fault diagnosis of Industrial Rotating Machines using Data-driven approach: A review of two decades of research. Engineering Applications of Artificial Intelligence, v. 123, p. 106139, 2023.
BRERETON, P; KITCHENHAM, B.; BUDGEN, D.; TURNER, M.; KHALIL, M. Lessons from applying the systematic literature review process within the software engineering domain. Journal of Systems and Software, [S. l.], v. 80, n. 4, p. 571–583, 2007. DOI: 10.1016/j.jss.2006.07.009. Disponível em:
https://linkinghub.elsevier.com/retrieve/pii/S016412120600197X.
Garcia-Calva, T.; Morinigo Sotelo, D.; Fernandez-Cavero, V.; Romero-Troncoso, R. Early Detection of Faults in Induction Motors—A Review. Energies 2022, 15, 7855. https://doi.org/10.3390/en15217855.
FAULT DIAGNOSIS OF INDUSTRIAL ROTATING MACHINES USING DATA-DRIVEN APPROACH: A REVIEW OF TWO DECADES OF RESEARCH. 2022, 30, 14153. https://doi.org/10.48550/arXiv.2206.14153
Inyang, U.I.; Petrunin, I.; Jennions, I. Diagnosis of Multiple Faults in Rotating Machinery Using Ensemble Learning. Sensors 2023, 23, 1005. https://doi.org/10.3390/ s2302100.
KITCHENHAM, B.; CHARTERS, S. Guidelines for performing Systematic Literature Reviews in Software Engineering. Technical Report, EBSE-2007-01, Keele University and Durham University Joint Report, 2007.
Kumar, P.; Khalid, S.; Kim, H.S. Prognostics and Health Management of Rotating Machinery of Industrial Robot with Deep Learning Applications—A Review. Mathematics 2023, 11, 3008. https:// doi.org/10.3390/math11133008.
MUMALI, Fredrick. Artificial neural network-based decision support systems in manufacturing processes: A systematic literature review. Computers & Industrial Engineering, [S. l.], v. 165, p. 107964, 2022. DOI: 10.1016/j.cie.2022.107964.
Disponível em: https://linkinghub.elsevier.com/retrieve/pii/S0360835222000341.
PETERSEN, K.; FELDT, R.; KUZNIARZ, L.; MATTSSON, M. Systematic Mapping Studies in Software Engineering. In: Proceedings of the 12th International Conference on Evaluation and Assessment in Software Engineering (EASE), 2008, Bari, Italy. p. 68-77.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Cadernos UniFOA
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Declaração de Transferência de Direitos Autorais - Cadernos UniFOA como autor(es) do artigo abaixo intitulado, declaro(amos) que em caso de aceitação do artigo por parte da Revista Cadernos UniFOA, concordo(amos) que os direitos autorais e ele referentes se tornarão propriedade exclusiva desta revista, vedada qualquer produção, total ou parcial, em qualquer outra parte ou meio de divulgação, impressa ou eletrônica, sem que a prévia e necessária autorização seja solicitada e, se obtida, farei(emos) constar o agradecimento à Revista Cadernos UniFOA, e os créditos correspondentes. Declaro(emos) também que este artigo é original na sua forma e conteúdo, não tendo sido publicado em outro periódico, completo ou em parte, e certifico(amos) que não se encontra sob análise em qualquer outro veículo de comunicação científica.
O AUTOR desde já está ciente e de acordo que:
- A obra não poderá ser comercializada e sua contribuição não gerará ônus para a FOA/UniFOA;
- A obra será disponibilizada em formato digital no sítio eletrônico do UniFOA para pesquisas e downloads de forma gratuita;
- Todo o conteúdo é de total responsabilidade dos autores na sua forma e originalidade;
- Todas as imagens utilizadas (fotos, ilustrações, vetores e etc.) devem possuir autorização para uso;
- Que a obra não se encontra sob a análise em qualquer outro veículo de comunicação científica, caso contrário o Autor deverá justificar a submissão à Editora da FOA, que analisará o pedido, podendo ser autorizado ou não.
O AUTOR está ciente e de acordo que tem por obrigação solicitar a autorização expressa dos coautores da obra/artigo, bem como dos professores orientadores antes da submissão do mesmo, se obrigando inclusive a mencioná-los no corpo da obra, sob pena de responder exclusivamente pelos danos causados.
