Iot em motores de indução trifásico

Abstract

Este trabalho de conclusão de curso, aborda a implementação de um sistema para monitoramento de temperatura, corrente e vibração, em motores de indução. Ele envia as medições em tempo real, para um broker na internet via protocolo MQTT, onde podem ser visualizadas por qualquer computador conectado à internet, com o software Node.js instalado. Para isso, foram utilizadas duas plataformas modelo Heltec ESP32 v2 com LoRa. Uma delas é a emissora, que fica ligada próxima ao motor, recebendo os dados dos sensores de temperatura e vibração que foram instalados externamente na carcaça deste, e do sensor de corrente conectado em uma das fases deste. Caso a corrente medida passe do valor selecionado na programação em linguagem C++, a placa ESP32 emissora envia um pulso no módulo relé, instalado no contato de selo do motor, desligando-o. Para religá-lo alguém deverá verificar em campo o que ocorreu, e apertar manualmente o botão ligar, no painel elétrico. A outra plataforma Heltec ESP32 v2 com LoRa, é a receptora que pode estar ligada a uma distância de até 3,5 km em área aberta, recebendo as informações do motor via protocolo de rádio LoRa, e enviando estas para a internet via protocolo MQTT, garantindo transmissão rápida e confiável. Esses dados são apresentados em um dashboard interativo desenvolvido com Node-Red, que oferece visualização em tempo real, e alertas de condições anômalas. A interface amigável do Node-Red facilita a interpretação dos dados, permitindo intervenções de manutenções preventivas. Os testes realizados confirmaram a eficácia do sistema, que demonstrou capacidade de detectar anomalias em tempo real, contribuindo para a redução dos custos operacionais, e aumentando a vida útil dos motores de indução. A solução se mostrou robusta e escalável, proporcionando uma ferramenta poderosa para a manutenção preventiva na indústria. Futuras melhorias podem incluir mais sensores e algoritmos avançados de análise de dados, integrar com banco de dados para gerenciamento e manutenções preditivas, aproveitando assim o contínuo avanço das tecnologias de IoT.

This course completion work addresses the implementation of a system for monitoring temperature, current and vibration in induction motors. It sends the measurements in real time to an internet broker via the MQTT protocol, where they can be viewed by any computer connected to the internet, with the Node.js software installed. For this, two Heltec ESP32 v2 platforms with LoRa were used. One of them is the transmitter, which is connected close to the motor, receiving data from the temperature and vibration sensors that were installed externally on its housing, and from the current sensor connected to one of its phases. If the measured current exceeds the value selected in programming in C++ language, the sending ESP32 board sends a pulse to the relay module, installed on the motor's seal contact, turning it off. To turn it back on, someone must check what happened in the field and manually press the power button on the electrical panel. The other Heltec ESP32 v2 platform with LoRa is the receiver that can be connected at a distance of up to 3.5 km in an open area, receiving information from the engine via the LoRa radio protocol, and sending this to the internet via the MQTT protocol, ensuring fast and reliable transmission. This data is presented in an interactive dashboard developed with Node-Red, which offers real-time visualization and alerts for anomalous conditions. Node-Red's user-friendly interface facilitates data interpretation, allowing preventive maintenance interventions. The tests carried out confirmed the effectiveness of the system, which demonstrated the ability to detect anomalies in real time, contributing to the reduction of operating costs and increasing the useful life of induction motors. The solution proved to be robust and scalable, providing a powerful tool for preventive maintenance in the industry. Future improvements may include more sensors and advanced data analysis algorithms, integration with databases for management and predictive mainte