Este estudo apresenta um sistema para diagnóstico do nível de severidade de falhas de curtocircuito entre espiras do enrolamento do estator de motores de indução trifásicos conectados diretamente à rede. A metodologia adotada baseia-se na informação mútua deslocada para extração de características relevantes entre sinais de corrente elétrica no sistema de referência ortogonal , gerados a partir de medições da corrente de linha de motores de indução trifásicos. Estes dados são submetidos a algoritmos de aprendizado de máquina baseados em redes neurais artificiais do tipo Perceptron multicamadas, SVM e kNN para reconhecimento de padrões associados à ocorrência da falha de curto-circuito e seu respectivo nível de severidade. Para validação do desempenho da metodologia proposta, dados experimentais de dois motores de indução trifásicos são utilizados em testes conduzidos sob diversas condições de operação.

This study presents a system for severity level diagnosis of stator inter-turn short-circuit fault in three-phase induction motors directly connected to the grid. The methodology is based on delayed mutual information to extract relevant characteristics between electrical current signals in orthogonal reference generated from line currents of three-phase induction motors. Those data are subjected to machine learning algorithms based on multilayer Perceptron artificial neural network, SVM and kNN for short-circuit fault identification and severity level diagnosis. Experimental data acquired from two induction three phase motors operating on several conditions are used in tests to validate the systems performance.