Embed Size (px)
Citation preview
DETECÇÃO DE FALHAS ELÉTRICAS EM MOTORES DE INDUÇÃO UTILIZANDO REDE
RADIAL BASIS FUNCTION
AVYNER LORRAN DE OLIVEIRA VITOR, FERNANDO MARCOS DE OLIVEIRA, LARISSA AGNES RONQUI,
ALESSANDRO GOEDTEL, PAULO ROGÉRIO SCALASSARA, SÉRGIO AUGUSTO OLIVEIRA DA SILVA, MARCOS
BANHETI RABELLO VALLIM
Universidade Tecnológica Federal do Paraná – UTFPR
Programa de Pós-graduação em Engenharia Elétrica
Av. Alberto Carazzai, 1640, Cornélio Procópio, Paraná, Brasil E-mails: [email protected], [email protected],
[email protected], [email protected], [email protected],
[email protected], [email protected]
Abstract The application of three phase induction motors in industry is large, so many studies introduce strategies for the diagnosis and prediction of failures in these engines. The purpose of this paper is to present an alternative tool to traditional
methods for detection of several kinds of faults, like short circuit between the coils of the stator, rotor bar breakage, bearing and
normal operating conditions using radial basis function artificial neural network. Experimental results are presented to validate the proposal.
Keywords Artificial neural networks, three-phase Induction Motors, failures.
Resumo A aplicação de motores de indução trifásico na indústria é extensa e, com isso, vários estudos apresentam estratégias para o diagnóstico e predição de defeitos e falhas nestes motores. A proposta deste trabalho consiste em apresentar uma
ferramenta alternativa aos métodos tradicionais para a detecção de falhas de curto-circuito entre as espiras do estator, quebra das
barras do rotor, rolamento e condições normais de funcionamento utilizando redes neurais artificiais com função de base radial. Resultados experimentais são apresentados para validar a proposta.
Palavras-chave Redes neurais artificiais, motor de indução trifásico, falha.
1 Introdução
O motor de indução é o tipo de máquina elétrica
mais difundida e utilizada em processos industriais.
Essa máquina elétrica apresenta um princípio de
funcionamento simples, uma construção robusta,
facilidade na manutenção, baixo custo e
confiabilidade (Suetake, 2011).
Esses motores podem ser expostos a uma série
de ambientes hostis, desgastes em operações e
defeitos de fabricação provocando falhas internas ou
externas ao conjunto (Chow, 1997). O prognóstico
antecipado de falhas é importante para garantir
condições operacionais seguras, a manutenção
programada, minimizar os custos operacionais e
aumentar a confiabilidade da operação.
Existem diversas situações onde é possível
monitorar a condição do motor através de sensores
específicos no estator e no rotor. Entretanto, todas
estas técnicas disponíveis requerem o usuário com
alguma experiência para distinguir uma condição de
operação normal de um estado em potencial de falha
(Rodríguez, 2007).
A descoberta de falhas é realizada através de
quatro etapas: detecção das falhas, extração de sinais,
processamento da informação e diagnóstico das
falhas. As origens das causas de falhas nos motores
geralmente estão associadas ao rotor, estator e
rolamento, refletindo respectivamente em 10%, 38%,
40% das ocorrências, conforme Tabela 1. Segundo
Reis (2010) a extração de sinais, ou seja, a obtenção
de dados associado ao comportamento da máquina é
realizada através de variáveis do motor, tais como:
vibração, tensão, corrente, fluxo magnético, entre
outros. O processamento da informação consiste em
técnicas aplicadas aos sinais medidos para produzir
características ou parâmetros sensíveis à presença ou
ausência de falhas. Por fim, o diagnóstico de falhas é
responsável por examinar estes parâmetros e
características gerados e decidir se uma falha ou
defeito existe neste motor e, em caso positivo, qual o
tipo de falha.
Os métodos tradicionais para o diagnóstico de
falhas são fundamentados em modelos
determinísticos (model-based systems), os quais
levam à elaboração de programas complexos,
dificultando seu gerenciamento e manutenção
(Bellini, 2008). Em vista disso, o diagnóstico
baseado em técnicas computadorizadas
convencionais tem sido recentemente substituído por
sistemas baseados em Inteligência Computacional
(IC). Esse termo engloba diversas técnicas distintas,
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
3830
tal como expert systems, Redes Neurais Artificiais
(RNA), lógica fuzzy, entre outras.
As RNA’s demandam um grande número de
amostras e produzem resultados limitados a
determinados sistemas, aos quais foram treinadas.
Portanto, a fase de treinamento da rede é critica.
Contudo, uma vez que forneça uma base confiável de
dados à rede, essa técnica se mostra eficiente,
confiável e simples, e, em função disso, tem sido
aplicada extensivamente na área de monitoramento
de falhas. Ainda, utilizando RNA’s é possível reduzir
de forma significativa o número de elementos
sensores que monitoram as condições de operação da
máquina. Tais sensores contribuem de forma direta
com o aumento dos custos de implementação das
técnicas tradicionais (Suetake, 2012).
Dentro do cenário de identificação de falhas,
podem-se citar alguns trabalhos. Broniera et al.
(2013) identificaram falhas de curto-circuito entre
espiras de estator de uma mesma fase, utilizando
apenas amostras da forma de onda original de
corrente. As amostras mencionadas serviram
diretamente como entrada para três arquiteturas de
redes neurais, a fim de comparação. Outro exemplo
de análise no domínio do tempo é o trabalho de
Gongora et al. (2013), no qual é proposto um sistema
inteligente para detecção de falhas online,
empregando somente sinais de tensão e corrente no
tempo e redes neurais artificiais. Santos (2013)
apresentou uma metodologia para diagnóstico da
condição do motor, considerando falhas por barras
quebradas e curto circuito no enrolamento de estator.
Foi aplicada a TWD até o terceiro nível para o motor
quando acionado pela rede elétrica e até o quarto
nível quando acionado por inversor. Os coeficientes
de Detalhes do último nível analisado foram
utilizados como entradas para três RNA’s distintas, a
saber: Perceptron Multi Camadas (MLP), rede de
Elman e Radial Basis Function (RBF). Conclui-se
que a rede de Elman exibiu melhor desempenho para
classificação das falhas analisadas. Silva (2014), da
mesma forma, utiliza modelos wavelets e RNAs,
contudo, desenvolve um método baseado em
medidas de previsibilidade, Potência de Previsão
(PP) e Predictable Component Analysis (PrCA).
Após realizar a transformada wavelet-packet, cada
componente da decomposição foi reconstruído
individualmente avaliando-se os respectivos erros de
reconstrução. Posteriormente, foram comparados os
resultados obtidos empregando-se PP e PrCA. A proposta deste trabalho consiste em
desenvolver uma metodologia para a detecção de
falhas de curto-circuito entre as espiras do estator,
quebra das barras do rotor, rolamento e condições
normais de funcionamento através do monitoramento
da corrente trifásica do motor de indução. A
estratégia utilizada para extrair características típicas
de cada falha se fundamenta em transpor os sinais de
correntes trifásicas para o eixo dq, empregando para
tanto as transformadas de Clarke e Park. Por fim, a
rede RBF é aplicada para classificar os padrões e
auxiliar na determinação da existência, ou não, de
falha no motor que originou o sinal e ainda qual o
tipo de falha, se houver.
O artigo está organizado da seguinte maneira: na
Seção 2 apresenta-se uma descrição das principais
falhas nos motores elétricos; na Seção 3 são
apresentados os aspectos relacionados às redes
neurais artificiais; na Seção 4 são apresentados o
desenvolvimento e os resultados experimentais; a
Seção 5 é referente às conclusões.
2 Classificação de falhas em motores de indução
O defeito de um componente em uma máquina
elétrica significa um indício de capacidade reduzida
para atender aos requisitos mínimos especificados.
Caso este defeito não seja identificado, ou caso seja
permitido o prosseguimento da operação, isto pode
conduzir a uma falha. Logo, essas falhas são
registradas como causa que conduziram a um colapso
ou a uma parada não planejada da máquina (Thorsen
e Dalva, 1999). Quando uma máquina desenvolve
uma falha, ela apresenta indícios de defeitos de
várias formas: mudanças nos sinais de vibrações,
variação na temperatura, ruídos e alterações no
campo eletromagnético.
As falhas podem ser divididas em dois grandes
grupos, falhas elétricas e falhas mecânicas.
Considerando falhas elétricas, são destacados os
problemas relativos a enrolamento de estator,
enrolamento de rotor, os quais estão presentes em
alguns modelos de motores, barras quebradas no
rotor, anéis quebrados no rotor, conexões, entre
outras. Por outro lado, as falhas mecânicas podem ser
oriundas de problemas de rolamento,
desalinhamento, entre outros, conforme relata Singh
e Kazzas (2003).
O Institute of Eletrical and Electronics
Engineers – IEEE e o Electric Power Research
Institute – EPRI conduziram algumas pesquisas
estatísticas para avaliar a confiabilidade dos motores
e identificar características operacionais. Parte destes
estudos especificaram as razões de falhas dos
motores como mostra a Tabela 1.
Tabela 1. Porcentual de falhas de componentes do motor
Falha no
rolamento Falha no estator
Falha no rotor
Outros
EPRI 40% 38% 10% 12%
IEEE 42% 28% 8% 22%
A Tabela 1 demonstra que o rolamento,
estator e rotor são componentes mais suscetíveis a
falhas, nesta ordem. Estes três componentes
concentram a maioria dos defeitos e falhas
constatados em motores. Essas falhas podem ocorrer
devido a situações internas e externas, como erros na
produção, problemas de montagem ou devido ao
funcionamento incorreto.
Os sinais de corrente para cada uma dessas
condições é tratado, buscando-se características
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
3831
específicas para cada tipo de falha. Posteriormente, a
rede deve ser capaz de aprender tais padrões e assim
identificar as diferentes classes de falhas
mencionadas.
3 Redes neurais artificiais
Redes neurais artificiais são técnicas
computacionais que apresentam um modelo
matemático inspirado na estrutura neural de
organismos inteligentes e que adquirem
conhecimento através da experiência. Uma rede
neural artificial é composta por várias unidades de
processamento, cujo funcionamento é bastante
simples (Silva et al, 2010). Essas unidades,
geralmente são conectadas por canais de
comunicação que estão associados a determinado
peso. As unidades fazem operações apenas sobre
seus dados locais, que são entradas recebidas pelas
suas conexões. O comportamento inteligente de uma
Rede Neural Artificial vem das interações entre as
unidades de processamento da rede.
Dentre as arquiteturas de redes neurais que
possibilitam o reconhecimento e classificação de
padrões, podem-se citar a perceptron de camada
simples, a adaline, a perceptron multicamadas, as
redes de Kohonen e a RBF. O perceptron simples é
considerada a mais elementar rede neural capaz de
classificar padrões, desde que estes sejam
linearmente separáveis. A rede adaline sofre da
mesma limitação da perceptron de camada simples.
No caso da perceptron multicamadas, suas camadas
intermediárias permitem que a rede crie mais de um
hiperplano separador, possibilitando uma
representação mais rica e complexa do sistema.
Portanto, essas redes são, a princípio, capazes de
solucionar problemas não-linearmente separáveis.
Contudo, possuir várias camadas não é critério
imprescindível para classificar padrões complexos. A
rede de Kohonen é constituída de uma única camada,
todavia, tem a capacidade de detectar correlações
entre os padrões do conjunto de entrada, agrupando-
os em classes (clusters), mesmo sem qualquer
informação a respeito das saídas desejadas (Silva et
al, 2010). Já a RBF pode ser entendida como uma
rede de alimentação direta. Em sua forma básica a
sua construção envolve três camadas as quais têm
funções específicas. Essa é a arquitetura utilizada na
proposta deste trabalho e, portanto, é detalhada na
subseção seguinte.
3.1 RBF
A Figura 1 ilustra a topologia da rede com
função de base radial. Na camada de entrada estão os
neurônios que irão conectar a rede a seu ambiente. A
camada intermediária realiza uma transformação não
linear do espaço de entrada para o espaço
intermediário. As ativações das funções de base
radial da camada intermediária são criadas pelos
neurônios não lineares os quais tem ativação local e
os neurônios da camada de saída formam uma
combinação linear das funções de base radial
calculadas na camada intermediaria.
Figura 1. Rede RBF.
As funções de base radial na camada
escondida produzem uma resposta diferente de zero
somente quando o padrão de entrada está dentro de
uma região pequena localizada no espaço de
entradas. Por este motivo a RBF algumas vezes é
citada na literatura como redes de campos receptivos
localizados (Haykin, 1999).
Este tipo de rede apresenta duas fases
distintas de treinamento. A primeira etapa de
treinamento apresenta um estágio não supervisionado
onde é adotado um método de aprendizagem que
dependem apenas das características dos dados de
entrada. Para este estágio a RBF utiliza funções de
ativação do tipo Gaussiana, e, portanto as fronteiras
delimitadoras são definidas por campos receptivos
hiperesféricos. E a segunda etapa apresenta um
estágio no qual são vinculados os ajustes de pesos
dos neurônios da camada de saída e utiliza a regra
delta generalizada para a convergência tal qual a
topologia perceptron multicamadas.
A próxima Seção objetiva exibir o
desenvolvimento e os resultados obtidos a partir dos
sinais oriundos de máquinas com falhas e condições
normais de funcionamento utilizando uma RNA de
função base radial como classificadora de padrões.
4 Detecção de falhas usando RBF
As falhas em motores de indução influenciam
diretamente o seu desempenho, uma vez que essas se
refletem tanto em grandezas elétricas, tais como
corrente elétrica e fluxo eletromagnético, quanto em
grandezas mecânicas, como a vibração, o torque e a
velocidade. As alterações indesejáveis nessas
grandezas podem ser utilizadas para revelar o
problema do Motor de Indução Trifásico (MIT). Para
tanto, as redes neurais mostram-se uma solução
atrativa, uma vez que são capazes de aprender e
generalizar o conhecimento adquirido.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
3832
A estratégia utilizada para classificação dos
sinais de corrente da linha do MIT nas condições
especificadas consiste em evidenciar características
peculiares referentes à cada classe de falha, tornando
possível a utilização da rede neural para realizar o
diagnóstico. O método empregado para extração de
características foi a transformação para o eixo dq e a
rede neural escolhida para classificação de padrões
foi a RBF como ferramenta auxiliar para tomada de
decisão quanto a estado de falha ou não apresentado
no sinal. A Figura 2 ilustra essa metodologia, na qual
ressalta-se que os dados foram obtidos
experimentalmente numa bancada de testes.
Figura 2. Metodologia empregada.
Assim, apresentam-se de forma resumida os
passos metodológicos para o desenvolvimento do
trabalho de acordo com os seguintes tópicos:
Aquisição de dados;
Análise dos dados;
Processamento do sinal;
Fase de treinamento da rede RBF;
Fase de operação.
4.1 Aquisição dos dados
Para realização do presente trabalho foram
utilizadas medições das correntes do motor sem
defeito, com curto circuito da ordem de 7% das
bobinas danificadas, com 4 barras quebradas e com
falha de rolamento oriunda de desgaste excessivo por
falta de lubrificação. Todas as condições de falhas
que proporcionaram as aquisições foram
reproduzidas no Laboratório de Sistemas Inteligentes
da UTFPR – Campus Cornélio Procópio (LSI-
UTFPR/CP) em parceria Laboratório de Automação
Inteligente de Processos e Sistemas da Escola de
Engenharia de São Carlos (LAIPS-USP/SC). As
subseções seguintes possuem a finalidade de
descrever as falhas mencionadas e o modo como
foram recriadas.
4.1.1 Curto circuito no estator
Com o passar do tempo, o esmalte das
bobinas tende a ressecar, podendo ter sua
propriedade isolante prejudicada. A temperatura na
qual o motor está condicionado é um fator de grande
influência na determinação do tempo de vida útil
dessa isolação. Para simular um curto circuito entre
as espiras em função da degradação dos isolantes
térmicos é procedida a danificação da proteção dos
fios de cobre das bobinas de estator. Quanto maior o
número de espiras avariadas, maior a corrente de
curto circuito na bobina. Para o estudo em questão
foram utilizados dados de ensaios a partir de um
curto circuito oriundo de 7% de espiras danificadas.
4.1.2 Falta de lubrificação no rolamento
A correta lubrificação dos rolamentos, além
de promover o aperfeiçoamento do rendimento, ajuda
a evitar a elevação da temperatura prejudicial a vida
útil dessas peças. Os defeitos referentes à falta de
lubrificação nos rolamentos foram obtidos
substituindo o lubrificante original da peça por uma
pasta abrasiva. O motor foi submetido a tensões e
conjugado nominal no eixo durante uma hora de
funcionamento.
4.1.3 Barras de rotor quebradas
Quando do motor é exigido um carregamento
excessivo, ou ainda sob condições de vibração,
excentricidade e desalinhamento, pode ocorrer a
ruptura das barras do rotor (Gongora, 2012). Essa
condição pode ser simulada em laboratório
perfurando-se o rotor com auxílio de uma furadeira.
Os dados de corrente utilizados para essa condição
são referentes ao motor em funcionamento com 4
barras perfuradas.
4.2 Análise dos dados
Esta fase inclui o pré-processamento do sinal e o
exame das curvas obtidas. Uma vez que as aquisições
foram realizadas com tempos de amostragem e
durante períodos de tempo diferentes, é necessário
tratamento dos dados para uniformizar as amostras e
permitir uma análise adequada.
A escolha das correntes trifásicas para esta
aplicação consiste no fato de que estas demonstram
maiores deformidades características em cada tipo de
falha. As Figuras 3 a 6 mostram as características de
corrente no tempo para cada falha considerando um
carregamento de 1Nm constante.
Verifica-se que para nenhum dos casos a
corrente apresenta uma senóide perfeita, nem para o
caso do motor sem falhas, como o exemplo ilustrado
na Figura 3. Isso ocorre principalmente em função de
problemas de qualidade de energia na rede elétrica à
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
3833
qual o equipamento está conectado. Tais condições
são comuns no ambiente industrial e impossível de
ser eliminados completamente. À vista disso, não
podem ser desconsideradas no presente estudo. Nas
Figuras 4, 5 e 6, percebe-se que cada tipo de falha
provoca distorções diferentes nos sinais de corrente,
sendo essa constatação o ponto de partida para o
desenvolvimento do trabalho.
Figura 1. MIT Sem falhas.
Figura 2. MIT com falhas de Curto circuito.
Figura 3. MIT com falhas de barras quebradas.
Figura 4. Corrente do MIT com falha de Rolamento.
4.3 Processamento do sinal
Os sinais de corrente no tempo apresentados no
tópico anterior são transformados para o eixo dq, de
modo a obter os sinais característicos de cada tipo de
falha no eixo síncrono. Para tanto, foram utilizadas
as transformações de Clarke e Park. Esta abordagem
propõe, primeiramente, a mudança de coordenadas
do eixo estacionário trifásico abc para o eixo αβo,
também conhecida como Transformação de Clarke,
através da Equação (1), na qual e
representam as grandezas de corrente de cada fase do
MIT.
(1)
O sistema trifásico estacionário abc pode ser
representado por um sistema bifásico apenas pelas
grandezas e . Após obter as grandezas de
corrente em uma nova operação se faz necessária
para transformação no sistema de coordenadas
síncrona. Este método e conhecido como
Transformada de Park e pode ser visto conforme a
Equação (2).
(2)
Após essa transformação, as componentes
das correntes na frequência angular fundamental
tornam-se grandezas contínuas e os distúrbios
presentes em cada tipo de falha, podem ser
observados na saída da transformada de Park de
forma oscilatória, com características e amplitudes
próprias.
Os sinais no eixo síncrono, para todos os
casos de falha e não falha, podem ser conferidos na
Figura 5. Caso os sinais de corrente de entrada
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
3834
apresentassem forma de senóides perfeitas, os sinais
dos eixos d e q seriam totalmente contínuos. Percebe-
se que em nenhum dos casos isso foi alcançado.
Como já foi destacado, mesmo o sinal de corrente do
motor sem defeito possui imperfeições, que são
representadas pelas oscilações visualizadas na Figura
5.
Figura 5. Correntes no eixo síncrono
A partir dos dados de corrente no eixo dq,
foram separadas as amostras de treinamento e de
validação. Os dados utilizados foram os valores de
corrente apenas no eixo d. Os vetores foram
amostrados tais que cada ciclo da rede seja
representado por um vetor no eixo d constituído de
49 pontos. Sendo assim, cada amostra de treinamento
ou validação utilizada na RBF possui 49 entradas.
4.4 Fase de treinamento da RBF
Na etapa anterior os sinais originais de corrente
do motor de indução submetido a diversas condições
foram transformados em sinais no eixo síncrono.
Posteriormente, foram amostrados, formando um
conjunto de 88 amostras para cada condição, que
totalizam 264 amostras. Para a fase de treinamento
foi utilizado um total de 75% dessas amostras. Como
mencionado, cada amostra contém 49 entradas. Essas
por sua vez devem ser separadas em grupos na
camada escondida da RBF. Portanto, essa camada
deve possuir um número de neurônios capaz de
agrupar corretamente as entradas dentro do domínio
das fronteiras delimitadoras dos respectivos campos
receptivos hiperesféricos. Métodos empíricos foram
utilizados para determinar o número de neurônios
necessários nessa fase.
Uma vez que existem 3 tipos de falhas a serem
classificadas, além do motor sadio, a rede neural
deve ser constituída de 4 neurônios na saída. A
função de ativação utilizada na camada de saída é a
tangente hiperbólica, o que significa que a resposta é
limitada no intervalo [-1,1]. No entanto, o valor da
saída é arredondado após a operação, de forma que
apresente somente respostas “-1” ou “1”. Por
convenção, uma saída positiva indica ocorrência de
determinada condição de falha, enquanto que uma
saída negativa indica o oposto. Em outras palavras,
cada um dos 4 neurônios é responsável pelo
julgamento de um tipo de falha.
Nesta etapa foi utilizada uma taxa de
aprendizagem no segundo estágio de
treinamento e uma precisão de . Foram
necessárias 13 iterações no estágio não-
supervisionado e 18397 iterações no estágio
supervisionado.
4.4 Fase de operação
Nesta etapa, a validação da rede foi realizada
com 25% das amostras contendo as mesmas
quantidades de entrada e saída da etapa de
treinamento. A Tabela 2 apresenta os resultados de
classificação da rede RBF para qual foram utilizados
5 neurônios na camada escondida, considerando os
sinais do MIT com carregamento de 1Nm.
Tabela 2. Resultados da classificação
SAÍDA
DESEJADA
SAÍDA
RBF
SAÍDA
DESEJADA
SAÍDA
RBF
1 1 -1 -1 -1 1 -1 -1 -1 45 -1 -1 1 -1 -1 -1 1 -1
2 1 -1 -1 -1 1 -1 -1 -1 46 -1 -1 1 -1 -1 -1 1 -1
3 1 -1 -1 -1 1 -1 -1 -1 47 -1 -1 1 -1 -1 -1 1 -1
4 1 -1 -1 -1 1 -1 -1 -1 48 -1 -1 1 -1 -1 -1 1 -1
5 1 -1 -1 -1 1 -1 -1 -1 49 -1 -1 1 -1 -1 -1 1 -1
6 1 -1 -1 -1 1 -1 -1 -1 50 -1 -1 1 -1 -1 -1 1 -1
7 1 -1 -1 -1 1 -1 -1 -1 51 -1 -1 1 -1 -1 -1 1 -1
8 1 -1 -1 -1 1 -1 -1 -1 52 -1 -1 1 -1 -1 -1 1 -1
9 1 -1 -1 -1 1 -1 -1 -1 53 -1 -1 1 -1 -1 -1 1 -1
10 1 -1 -1 -1 1 -1 -1 -1 54 -1 -1 1 -1 -1 -1 1 -1
11 1 -1 -1 -1 1 -1 -1 -1 55 -1 -1 1 -1 -1 -1 1 -1
12 1 -1 -1 -1 1 -1 -1 -1 56 -1 -1 1 -1 -1 -1 1 -1
13 1 -1 -1 -1 1 -1 -1 -1 57 -1 -1 1 -1 -1 -1 1 -1
14 1 -1 -1 -1 1 -1 -1 -1 58 -1 -1 1 -1 -1 -1 1 -1
15 1 -1 -1 -1 1 -1 -1 -1 59 -1 -1 1 -1 -1 -1 1 -1
16 1 -1 -1 -1 1 -1 -1 -1 60 -1 -1 1 -1 -1 -1 1 -1
17 1 -1 -1 -1 1 -1 -1 -1 61 -1 -1 1 -1 -1 -1 1 -1
18 1 -1 -1 -1 1 -1 -1 -1 62 -1 -1 1 -1 -1 -1 1 -1
19 1 -1 -1 -1 1 -1 -1 -1 63 -1 -1 1 -1 -1 -1 1 -1
20 1 -1 -1 -1 1 -1 -1 -1 64 -1 -1 1 -1 -1 -1 1 -1
21 1 -1 -1 -1 1 -1 -1 -1 65 -1 -1 1 -1 -1 -1 1 -1
22 1 -1 -1 -1 1 -1 -1 -1 66 -1 -1 1 -1 -1 -1 1 -1
23 -1 1 -1 -1 -1 1 -1 -1 67 -1 -1 -1 1 -1 -1 -1 1
24 -1 1 -1 -1 -1 1 -1 -1 68 -1 -1 -1 1 -1 -1 -1 1
25 -1 1 -1 -1 -1 1 -1 -1 69 -1 -1 -1 1 -1 -1 -1 1
26 -1 1 -1 -1 -1 1 -1 -1 70 -1 -1 -1 1 -1 -1 -1 1
27 -1 1 -1 -1 -1 1 -1 -1 71 -1 -1 -1 1 -1 -1 -1 1
28 -1 1 -1 -1 -1 1 -1 -1 72 -1 -1 -1 1 -1 -1 -1 1
29 -1 1 -1 -1 -1 1 -1 -1 73 -1 -1 -1 1 -1 -1 -1 1
30 -1 1 -1 -1 -1 1 -1 -1 74 -1 -1 -1 1 -1 -1 -1 1
31 -1 1 -1 -1 -1 1 -1 -1 75 -1 -1 -1 1 -1 -1 -1 1
32 -1 1 -1 -1 -1 1 -1 -1 76 -1 -1 -1 1 -1 -1 -1 1
33 -1 1 -1 -1 -1 1 -1 -1 77 -1 -1 -1 1 -1 -1 -1 1
34 -1 1 -1 -1 -1 1 -1 -1 78 -1 -1 -1 1 -1 -1 -1 1
35 -1 1 -1 -1 -1 1 -1 -1 79 -1 -1 -1 1 -1 -1 -1 1
36 -1 1 -1 -1 -1 1 -1 -1 80 -1 -1 -1 1 -1 -1 -1 1
37 -1 1 -1 -1 -1 1 -1 -1 81 -1 -1 -1 1 -1 -1 -1 1
38 -1 1 -1 -1 -1 1 -1 -1 82 -1 -1 -1 1 -1 -1 -1 1
39 -1 1 -1 -1 -1 1 -1 -1 83 -1 -1 -1 1 -1 -1 -1 1
40 -1 1 -1 -1 -1 1 -1 -1 84 -1 -1 -1 1 -1 -1 -1 1
41 -1 1 -1 -1 -1 1 -1 -1 85 -1 -1 -1 1 -1 -1 -1 1
42 -1 1 -1 -1 -1 1 -1 -1 86 -1 -1 -1 1 -1 -1 -1 1
43 -1 1 -1 -1 -1 -1 -1 -1 87 -1 -1 -1 1 -1 -1 -1 1
44 -1 1 -1 -1 -1 1 -1 -1 88 -1 -1 -1 1 -1 -1 -1 1
Cada uma das 4 colunas representa a resposta de
um neurônio da camada de saída. Cada um das 88
linhas representa a saída da rede para uma
determinada amostra. Essas por sua vez estão
dispostas da seguinte maneira: as linhas 1 a 22
indicam saída para amostras de motor sem falhas; as
linhas 23 a 44 indicam saída para amostras de motor
com curto circuito; as linhas 45 a 66 indicam saída
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
3835
para amostras de motor com barras quebradas; as
linhas 65 a 88 indicam saída para amostras de motor
com falta de lubrificação no rolamento. Foi possível
obter um erro de 1,13%, no qual apenas uma
classificação resultou em um falso negativo (linha
43), haja vista que a rede deveria indicar uma falha
de curto circuito, todavia, apresentou um resultado
inconclusivo.
A rede foi retreinada para outros níveis de
carregamento, a saber, 2Nm, 3Nm, 4Nm e 5Nm. Foi
utilizada a mesma arquitetura, contudo, o número de
neurônios da camada escondida da RBF foi
modificado a fim de se encontrar resultados
satisfatórios.
A Tabela 3 indica os resultados obtidos para
os carregamentos supramencionados. As tabelas
referentes à validação para cada carregamento foram
omitidas, todavia, percebe-se que, para torque no
eixo de 2Nm e 3Nm a rede apresentou somente uma
resposta equivocada. Ainda, para os carregamentos
de 4Nm e 5Nm, o erro apresentado na etapa de
validação foi nulo.
Tabela 3. Resultados obtidos para demais carregamentos.
2Nm 3Nm 4Nm 5Nm
Neurônios na camada
escondida 8 7 6 7
Iterações estágio não-
supervisionado 15 22 8 9
Iterações estágio
supervisionado 2986 19871 6908 2045
Erro percentual 1,136 1,136 0 0
5 Conclusão
Os sinais de corrente de um motor de indução
trifásico submetidos a diversas condições de falhas
foram tratados e processados por meio de
transformadas no eixo síncrono. Foram realizadas as
classificações dos sinais com auxílio da rede RBF,
indicando as amostras referentes aos sinais sem
falhas e com os 3 tipos de falhas. Verificou-se que a
rede apresentou 1,33% de erro para carregamentos de
1Nm, 2Nm e 3Nm e erro nulo para carregamento de
4Nm e 5Nm. Portanto, a metodologia utilizada
realizou a correta classificação dos sinais
apresentados para esta aplicação.
Agradecimentos
Este trabalho foi financiado pela Fundação Araucária
de Apoio ao Desenvolvimento Tecnológico do
Paraná (Processo No 06/56093-3), Conselho
Nacional de Desenvolvimento Científico e
Tecnológico – CNPq (Processo No 474290/2008-5,
473576/2011-2 e No 552269/2011-5) e Capes-DS.
Referências Bibliográficas
Bellini, A., Filippetti, F., Tassoni, C. and Capolino,
G (2008). Advances in Diagnostic Techniques
for Induction Machines. Industrial Electronics,
IEEE Transactions on , vol.55, no.12,
pp.4109,4126.
Broniera, P.J.; Gongora, W.S.; Goedtel, A.; Godoy,
W.F (2013). Diagnosis of stator winding inter-
turn short circuit in three-phase induction
Motors by using artificial neural networks. In:
IEEE international Symposium on Diagnostics
for Eletric Machines, Power Eletronics Drives
(SDEMPED’2013). Valencia, Espanha: [s.n.],
2013. P. 361-367.
Clarke, E (1943). Circuit and Analysis of AC Power
Systems. Vol. I- Symmetrical and Related
Components, New York, John Wiley & Sons,
Inc.
Chow, B., G, Goddu (1997). Knowledge based to
enhance the performance of neural network
based motor fault detectors, Industrial
Eletronics, Control and Instrumentios 3, pp
1113-1118.
Gongora, W. S., Silva, H. V. D., Goedtel, A e
Godoy, W. F (2012). Uma abordagem neural
para detecção de falhas em rolamentos de
motores de indução trifásicos, Congresso
Brasileiro de Automática.
Gongora, W. S (2013). Uma Abordagem Neural no
Diagnóstico de Falhas em Rolamentos de
Motores de Indução Trifásicos. Dissertação de
Mestrado, Universidade Tecnológica Federal do
Paraná, Cornélio Procópio, PR.
Guedes, M. V. (1994). O motor de indução trifásico
– seleção e aplicação. Faculdade de Engenharia
da Universidade do Porto.
Haykin, S (2001). Redes Neurais: Princípios e
Prática, Bookman, Porto Alegre, RS.
Reis, A. J. S (2010). Reconhecimento de Padrões de
Falhas em Motores Trifásicos Utilizando Redes
Neurais. Natal, RN.
Rodriguez, P. V. J (2007). Current, Force and
Vibration Based Techniques for Induction Motor
Condition Monitoring, Tese de doutorado,
Helsinki University of Technology, Espoo,
Finland.
Santos, F. M. C (2013). Identificação de falhas em
motores de indução trifásicos usando sistemas
inteligentes. Tese de Doutorado, São Carlos, SP.
Silva, I. N. da, Spatti, D. H. e Flauzino, R (2010).
Redes Neurais Artificiais. Artiliber, São Paulo,
SP.
Silva, L. R. B. (2014). Classificação de Falhas em
Máquina Elétricas Usando Rdes Neurais,
Modelos Wavelet e Medidas de Informação.
Dissertação de Mestrado, Universidade
Tecnológica Federal do Paraná, Cornélio
Procópio, PR.
Singh, G. e Kazzaz, S. A. S. A. (2003). Induction
machine drive condition monitoring and
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
3836
diagnostic research a survey, Electric Power
Systems Research.
Thorsen, O. V., and Magnus, D. (1999). Failure
identification and analysis for high voltage
induction motor in the petrochemical industry,
IEEE Transactions on Industry Applications
35(4), pp 810-818.
Suetake, M., Silva, I. N. da, Goedtel, A (2011).
Embedded DSP-Based Compact FuzzySystem
and Its Application for Induction Motor V/f
SpeedControl (Qualis Engenharia IV). IEEE
Transactions on Industrial Electronics (1982.
Print), v. 58, p. 750-760.
Suetake, M (2012). Sistemas Inteligentes para
Monitoramento e Diagnóstico de Falhas em
Motores de Indução Trifásicos. Tese de
Doutorado, São Carlos, SP.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
3837
