Spectral vibration analysis using FFT for fault diagnosis in induction motors
DOI:
https://doi.org/10.69849/rp6tck84Keywords:
FFT, Induction motors, Mechanical vibration, Fault diagnosis, PredictiveAbstract
The operational reliability of industrial systems depends significantly on the proper monitoring of three-phase induction motors, as these devices are responsible for driving a large portion of production processes. However, faults such as bearing damage, broken rotor bars, and misalignments can compromise efficiency and productivity, making it essential to adopt predictive strategies for early fault detection. In this context, this study aimed to investigate the application of the Fast Fourier Transform (FFT) to vibration and electrical current signals for fault diagnosis in induction motors. The methodology consisted of experiments conducted in a controlled laboratory environment using three three-phase induction motors (one under normal conditions, one with a simulated bearing fault, and another with a simulated rotor fault). Vibration sensors (piezoelectric accelerometers) and a Hall-effect current sensor were employed, with data acquisition at 10 kHz. The collected signals were processed in the MATLAB environment, applying the FFT with a Hanning window, 16,384 points, and 50% overlap. The results demonstrated that the FFT is capable of identifying specific spectral patterns for each type of fault, highlighting characteristic peaks such as 150 Hz harmonics in damaged bearings and 25 Hz in rotors with broken bars. It is concluded that spectral analysis using FFT is an effective technique for diagnosing faults in induction motors and can be enhanced by artificial intelligence techniques to increase diagnostic robustness and enable its application under real industrial operating conditions.
References
BENBOUZID, Mohamed (Ed.). Signal processing for fault detection and diagnosis in electric machines and systems. IET, 2020.
BIANCHINI, Carolina A. Diagnóstico de falhas localizadas de rolamento em motores de indução utilizando inteligência artificial. 2023. Trabalho de Conclusão de Curso (Graduação) — Universidade Tecnológica Federal do Paraná, UTFPR, 2023.
BAZAN, Gustavo H. Identificação inteligente de falhas em máquinas elétricas utilizando informação mútua. 2020. Trabalho de Conclusão de Curso (Graduação) — Universidade Tecnológica Federal do Paraná, UTFPR, 2020.
GAWDE, Shreyas et al. Multi fault diagnosis of industrial rotating machines using FFT and deep learning. arXiv, 2022. Disponível em: https://arxiv.org/abs/2022. Acesso em: 10 jun. 2025.
MENDES NETO, Jose Francisco. Análise de vibração em máquinas industriais com inteligência artificial. 2021. Dissertação (Mestrado) — Pontifícia Universidade Católica de Goiás, PUC Goiás, 2021.
MOURA FILHO, Joaquim O. F. Diagnóstico de falhas em máquinas elétricas rotativas utilizando técnicas de ensemble learning. Anais do Simpósio Brasileiro de Automação Inteligente, SBAI, 2021.
NOVAES, Yuri S.; COSTA, Anderson F. Manutenção preditiva – análise de vibrações na Indústria 4.0. Revista Foco, 2023.
PEREZ, Robert X. (Ed.). Condition monitoring, troubleshooting and reliability in rotating machinery. Wiley, 2023.
RAMALHO, Geraldo L. B. Detecção de falhas em motores elétricos usando rede neural ELM. Holos, 2020.
TOLIYAT, Hamid A. et al. Electric machines: modeling, condition monitoring and fault diagnosis. CRC Press, 2013.
USMAN, Ali et al. A multimodal lightweight approach to fault diagnosis of induction motors. arXiv, 2025. Disponível em: https://arxiv.org/abs/2025. Acesso em: 10 jun. 2025.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Hilton Albuquerque Sanches, Ilmar Duartes dos Reis (Autor)
This work is licensed under a Creative Commons Attribution 4.0 International License.
"Os Autores que publicam nesta revista concordam com os seguintes termos:
-
Os Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a licença Creative Commons Attribution 4.0 International (CC BY 4.0). Esta licença permite que o trabalho seja compartilhado, copiado e adaptado em qualquer suporte ou formato, para qualquer fim, inclusive comercial, desde que seja atribuído o devido crédito de autoria e de publicação inicial nesta revista.
-
Os Autores têm autorização para assumir compromissos contratuais adicionais separadamente, para a distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
-
A revista permite e incentiva os autores a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) após o processo de edição e publicação, pois isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado."
