Um motor elétrico pode começar a apresentar sinais de falha antes que o problema seja perceptível na operação. Parte desses sinais pode aparecer em uma variável pouco presente nas rotinas convencionais de manutenção predial: o campo magnético produzido pelo próprio equipamento.

Essa é uma das possibilidades reunidas em uma revisão científica sobre Inteligência Artificial e sensores magnéticos aplicados à manutenção preditiva, desenvolvida por pesquisadores vinculados à Universidade do Estado de Minas Gerais (UEMG). O trabalho analisa estudos sobre sensores magnéticos, máquinas elétricas e algoritmos capazes de reconhecer padrões associados a diferentes condições de funcionamento.

O interesse está menos em um novo tipo de sensor isoladamente e mais na combinação entre duas tecnologias. De um lado, sensores conseguem registrar pequenas alterações magnéticas produzidas pela máquina. Do outro, modelos de Inteligência Artificial podem analisar esses sinais e procurar padrões que indiquem funcionamento anormal, determinados tipos de falha ou evolução da degradação.

A revisão se concentra principalmente em aplicações industriais e não demonstra diretamente o desempenho da tecnologia em edifícios corporativos, hospitais ou shopping centers. Ainda assim, como motores estão presentes em bombas, ventiladores, exaustores e sistemas de climatização, o estudo abre uma discussão sobre onde esse tipo de monitoramento poderia acrescentar informação às rotinas de manutenção predial.

O que os sensores conseguem enxergar
​Motores elétricos dependem de fenômenos eletromagnéticos para funcionar. Quando ocorre alguma alteração interna, o comportamento do campo magnético também pode mudar. A literatura analisada pelos pesquisadores mostra que essas variações podem ser captadas por tecnologias como sensores de efeito Hall e medições de fluxo magnético disperso.

Em termos práticos, o sensor não “enxerga” diretamente uma peça quebrada. Ele registra um sinal. Alterações nesse sinal podem estar relacionadas a anomalias no rotor, no estator ou em outros componentes da máquina. A partir daí, os dados precisam ser interpretados para separar aquilo que faz parte da operação normal daquilo que pode indicar uma falha.

É justamente nesse ponto que a Inteligência Artificial aparece no estudo. Os trabalhos revisados utilizam algoritmos de Machine Learning para reconhecer padrões, classificar condições do equipamento e, em algumas aplicações, acompanhar a evolução de uma degradação.

Há estudos reunidos pela revisão que apresentam resultados de classificação superiores a 94% e aplicações experimentais que ultrapassam 96%. Esses números, porém, pertencem a condições específicas de teste, equipamentos e conjuntos de dados determinados. Não representam uma taxa geral de acerto dos sensores magnéticos nem permitem afirmar que um sistema instalado em campo terá o mesmo desempenho.

Essa diferença é relevante porque a revisão demonstra o potencial técnico da abordagem, mas não estabelece uma solução pronta para qualquer motor.

Da identificação da falha à previsão
Outro aspecto explorado pelo artigo é a passagem do diagnóstico para o prognóstico. Identificar que um equipamento apresenta comportamento anormal responde apenas a uma parte do problema. Para a manutenção, também existe interesse em saber como essa condição está evoluindo e quanto tempo pode restar até que uma intervenção se torne necessária.

A revisão aborda modelos utilizados para estimar a chamada vida útil remanescente dos componentes. Em vez de produzir somente um alerta de “normal” ou “com falha”, o objetivo passa a ser acompanhar tendências e estimar a progressão do problema.

É uma mudança relevante na forma como o dado pode chegar à operação. Um alerta instantâneo indica que algo merece investigação. Uma estimativa de degradação, quando suficientemente confiável, acrescenta uma dimensão de tempo à informação e pode ajudar a relacionar a condição do ativo à programação de uma parada, à disponibilidade de equipe e à necessidade de reposição de componentes.

O estudo também discute o uso de Edge AI, no qual parte do processamento ocorre próximo ao próprio equipamento. Em vez de depender exclusivamente do envio de grandes volumes de dados para sistemas externos ou para a nuvem, dispositivos locais podem executar parte da análise e encaminhar informações já processadas.

A revisão aponta essa arquitetura como uma possibilidade para sistemas de manutenção preditiva, mas também não estabelece que ela seja a melhor configuração para todas as instalações. Capacidade de processamento, conectividade, quantidade de ativos e características do sistema de monitoramento interferem nessa escolha.

Como isso pode se traduzir para Facilities
​A revisão mostra que sensores magnéticos combinados com Inteligência Artificial conseguem identificar padrões associados a falhas e, em alguns casos, acompanhar a evolução da degradação de máquinas elétricas. Para Facilities, essa possibilidade chama atenção porque motores estão presentes em bombas, ventiladores, exaustores e sistemas HVAC, ativos cuja indisponibilidade pode afetar diretamente a operação de um edifício.

Nesses equipamentos, o monitoramento magnético poderia funcionar como uma fonte adicional de informação sobre a condição do ativo. A pesquisa, porém, não testa diretamente essa aplicação em edifícios, o que significa que fatores como custo de instrumentação, facilidade de instalação, confiabilidade dos alertas e integração com os sistemas de manutenção ainda precisam ser avaliados em cada contexto.

O papel da IA, nesse cenário, não é substituir a decisão de manutenção, mas transformar sinais difíceis de interpretar em informações mais úteis para a operação. Uma anomalia identificada pelo sistema pode ganhar valor quando é relacionada ao histórico do equipamento, à sua criticidade, à existência de redundância e à possibilidade de programar uma intervenção.

Essa é a principal tradução da pesquisa para a rotina predial: ampliar a capacidade de perceber alterações em motores antes que elas resultem em falha e usar essa informação para apoiar decisões de manutenção. O estudo não apresenta uma solução pronta para edifícios, mas indica uma nova camada de monitoramento que pode ganhar espaço à medida que for testada em aplicações reais.

Como construímos este material
Esta matéria foi elaborada a partir da revisão científica sobre Inteligência Artificial e sensores magnéticos aplicados à manutenção preditiva, publicada por pesquisadores vinculados à Universidade do Estado de Minas Gerais (UEMG). O texto procurou separar os resultados e possibilidades apresentados pela literatura analisada das aplicações que ainda precisam ser verificadas em ambientes prediais. Caso identifique alguma inconsistência ou queira sugerir novas pautas, entre em contato pelo e-mail [email protected].​