Predictive Fault Detection System for Three-Phase Induction Motors using Thermography and Convolutional Neural Networks with Grad-CAM Interpretability

Abstract

Este trabalho apresenta o desenvolvimento de um sistema de detecção preditiva de fal- has para motores de indução trifásicos utilizando imagens termográficas e Redes Neurais Convolucionais (CNNs) com interpretabilidade através do Grad-CAM (Gradient-weighted Class Activation Mapping). Falhas não planejadas em motores criam perdas operacionais e econômicas massivas em ambientes industriais, evidenciando a necessidade de soluções eficientes de manutenção preditiva. Foi construído um conjunto de dados de imagens térmicas com 369 amostras em cinco classes de falhas: operação normal, sobrecarga tér- mica, falha em rolamento, desbalanceamento mecânico e desalinhamento. Um modelo CNN baseado na arquitetura MobileNetV2 foi desenvolvido utilizando transferência de aprendizado, alcançando 80% de acurácia na classificação de falhas. A técnica Grad-CAM fornece explicações visuais das decisões do modelo, permitindo que operadores visualizem quais regiões térmicas influenciaram cada diagnóstico. Foram implementados protocolos de comunicação OPC UA e MQTT para integração industrial, possibilitando transmissão de dados em tempo real e conexão com sistemas de monitoramento existentes. Demonstrações práticas validaram a solução, apresentando tempos de inferência inferiores a 100ms, ad- equados para uso em tempo real. As principais contribuições incluem: (1) um conjunto de dados térmicos padronizado para detecção de falhas em motores; (2) um modelo CNN interpretável e funcional; (3) protocolos de comunicação industrial operacionais; e (4) val- idação completa do sistema em cenários reais. Os resultados confirmam a viabilidade da abordagem para manutenção preditiva industrial, combinando acurácia, interpretabilidade e integração com sistemas existentes.

This work presents the development of a predictive fault detection system for three-phase induction motors using thermal imaging and Convolutional Neural Networks (CNNs) with interpretability through Grad-CAM (Gradient-weighted Class Activation Mapping). Unplanned motor failures create massive operational and economic losses in industrial settings, highlighting the need for efficient predictive maintenance solutions. A thermal image dataset was built with 369 samples across five fault classes: normal operation, thermal overload, bearing failure, mechanical unbalance, and misalignment. A CNN model based on MobileNetV2 architecture was developed using transfer learning, achieving 80% accuracy in fault classification. The Grad-CAM technique provides visual explanations of model decisions, allowing operators to see which thermal regions influenced each diagnosis. OPC UA and MQTT communication protocols were implemented for industrial integration, enabling real-time data transmission and connection with existing monitoring systems. Practical demonstrations validated the solution, showing inference times under 100ms, suitable for real-time use. The main contributions include: (1) a standardized thermal dataset for motor fault detection; (2) a functional and interpretable CNN model; (3) working industrial communication protocols; and (4) full system validation in real scenarios. The results confirm the approach is viable for industrial predictive maintenance, combining accuracy, interpretability, and seamless integration with existing systems.