16
1 . SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE INDUÇÃO NA MODERNA AUTOMAÇÃO INDUSTRIAL

SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

Embed Size (px)

Citation preview

Page 1: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

1

. SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE INDUÇÃO NA MODERNA AUTOMAÇÃO INDUSTRIAL

Page 2: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

2

SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE INDUÇÃO NA MODERNA AUTOMAÇÃO INDUSTRIAL.

Cesar da Costa [email protected]

IFSP - Instituto Federal de Educação, Ciência e Tecnologia de São Paulo.

Mauro Hugo Mathias UNESP- Universidade Estadual Paulista Julio de Mesquita

[email protected]

Abstract

The fuzzy logic approach may help diagnose induction motor faults. The fuzzy system can identify motor condition with high accuracy. In this study, we present an example of fusion between the embedded software and hardware in an FPGA-based processor. The embedded architecture consists of a real-time processor, field programmable gate array (FPGA) chipset, and I/O modules. Experimental results are presented in terms of motor fault detection accuracy and knowledge extraction feasibility. Preliminary results show that the fuzzy logic-based processor described herein can be used for accurately detecting broken bars in induction motors. Keywords: Rotating electrical machine, Condition monitoring, Diagnostic, Digital

signal processing.

Resumo

A abordagem utilizando Lógica Fuzzy pode ajudar no diagnóstico de falhas em motores de indução. O sistema Fuzzy pode identificar a condição de um motor com alta precisão. Neste estudo, apresenta-se um exemplo da fusão entre hardware e software embarcado em um processador baseado em FPGA. A arquitetura embarcada consiste em um processador FPGA operando em tempo real, interligado em módulos de E/S. Os resultados experimentais são apresentados em termos de precisão na detecção de falhas em motores de indução e a viabilidade de extração do conhecimento humano de um especialista. Os resultados preliminares

Page 3: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

3

demonstram que o processador baseado em Logica Fuzzy aqui descrito, pode ser utilizado para a detecção precisa de falhas de barras quebradas em motores de indução, em tempo real, na moderna automação industrial.

Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico de falhas,

Processamento digital de sinais.

1. INTRODUÇÃO

O monitoramento, a detecção de falhas e o diagnóstico de motores de indução estão tornando-se cada vez mais importante na área de máquinas elétricas, com o advento de novas técnicas de processamento de sinais e métodos de análise da corrente do estator do motor. O monitoramento da máquina desempenha um papel crucial na detecção de falhas incipientes e, portanto, a manutenção preventiva é agora um fator crítico de sucesso da Automação Industrial. Desta forma, a combinação ideal de técnicas e procedimentos, bem como a implementação de novas ferramentas de análise e equipamentos de diagnóstico com as novas tecnologias, devem ser revisados constantemente. Especial atenção tem sido dedicada a métodos não invasivos, capazes de detectar falhas, utilizando dados adquiridos sem a necessidade de desmontagem do motor e suas partes estruturais [1-3].

Os motores de indução com rotor tipo gaiola de esquilo são robustos, confiáveis e baratos. Portanto, eles são amplamente utilizados nos processos de Automação Industrial. No entanto, as falhas elétricas e mecânicas de tais motores, muitas vezes atrapalham a produtividade e implicam numa alta taxa de serviços de manutenção, apresentando, assim, desafios especiais a produção. Na literatura, as falhas do rotor têm se mostrado responsáveis por uma grande proporção de falhas do motor em produção, ocasionalmente, sendo uma das principais causas de fracasso no campo [4-5]. O método conhecido como MCSA (Motor Current Signature Analysis ) pode ser classificado, como o método de detecção de falhas mais promissor na atualidade na área de manutenção de máquinas elétricas, pois permite a detecção de vários tipos de falhas, online, em motores de indução. Este método baseia-se na análise espectral dos sinais de estado estacionário da corrente do estator, no domínio da frequência.

Na última década, muitos trabalhos acadêmicos têm relatado o sucesso da aplicação de técnicas de Lógica Fuzzy no diagnóstico de falhas em máquinas elétricas [10 - 15]. Este tipo de aplicação torna o diagnóstico de falhas em motores de indução, menos dependente da experiência humana. Pois, a Lógica Fuzzy

Page 4: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

4

permite a integração do conhecimento e da experiência humana no sistema de diagnóstico.

1.2 Diagnósticos de Falhas Pela literatura, em geral, devido à assimetria do rotor, as seguintes frequências

aparecem em diferentes espectros do sinal: (i) 0

(1 2 )ks f± na corrente do estator e na

potência instantânea; (ii) 0

(2 1)k sf− na corrente do rotor; (iii) 0

2ksf na velocidade e no

torque; e (iv) 0

ksf no fluxo axial, onde 1,2,3...k = .; 0

f é a frequência da rede e s o escorregamento do motor. Assim sendo, diversos parâmetros do motor em teste devem ser configurados e calculados para que o sistema possa implementar o algoritmo correspondente a metodologia MCSA [2, 3, 4, 5, 6].

2. SISTEMA DE DIAGNÓSTICO COM LÓGICA FUZZY

Lógica refere-se ao estudo dos métodos e princípios do raciocínio humano. A

lógica clássica lida com proposições que são verdadeiras ou falsas, onde cada proposição tem um oposto. Assim, a lógica clássica trata de combinações de variáveis que representam proposições. Como cada variável representa uma proposição hipotética qualquer combinação, eventualmente, assume um valor de verdade (verdadeiro ou falso), mas nunca entre os dois. O conteúdo principal da lógica clássica é o estudo das regras, que permitem novas variáveis lógicas a serem produzidas, como funções de certas variáveis existentes. A Lógica Fuzzy pode traduzir sistematicamente conceitos linguísticos aos números e elementos associados a partir de um número definido de conceitos [10, 11, 12, 13, 14, 15]. Este recurso fornece um método simples para analisar e interpretar o espectro de frequência obtido da corrente de estator de um motor de indução. Os algoritmos baseados em Lógica Fuzzy são bem adaptados a situações em que não há distinção clara entre o conceito de verdadeiro e falso. A Lógica Fuzzy pode lidar com situações em que a resposta está em algum lugar no meio. Este é o caso típico de diagnóstico de barras rompidas. Em geral, é difícil afirmar a condição real de um motor de indução em termos da existência ou não de uma falha de barras rompidas. No entanto, é mais adequado classificar a falha em termos do grau de severidade.

2.1 Variáveis de Entrada e Saída de um Sistema Fuzzy O mundo real não é um sistema de lógica binária. Um objeto no mundo real não é

uma imagem em preto-branco. A teoria dos conjuntos Fuzzy tem sido amplamente

Page 5: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

5

usada para descrever os objetos do mundo real e fornecer apoio à decisão [15]. Na construção de um modelo de Lógica Fuzzy, normalmente utiliza-se ferramentas de desenvolvimento de software denominadas Toolbox, disponíveis em programas como o LabVIEW ou o MATLAB. Os conceitos fundamentais do sistema de Lógica Fuzzy são aplicados para criar, no caso desse trabalho, um sistema de diagnóstico da condição do rotor do motor de indução.

A partir da metodologia MCSA, espectro de frequência da corrente do estator, pode-se extrair as amplitudes das componentes de frequência de falha lateral esquerda ( )

flesqA F e falha lateral direita ( )

fldirA F . A Figura 1 ilustra o sistema de

diagnóstico proposto neste trabalho.

Figure 1. Diagrama de bloco do sistema de diagnóstico utilizando Lógica Fuzzy.

3. MATERIAIS E PROCESSOS

3.1 Sistema de Lógica Fuzzy Proposto O sistema de Lógica Fuzzy proposto neste trabalho é constituído por três partes:

Page 6: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

6

• Variáveis linguísticas; • Funções Pertinências (Membership); • Regras.

3.1.1 Variáveis Linguísticas As variáveis linguísticas representam, em palavras, as variáveis de entrada e de

saída do sistema, que se quer controlar. A seguir são apresentadas as variáveis de entrada e saída do sistema proposto.

A.1. Variáveis de Entrada As variáveis de entrada do sistema proposto são:

• ( )lesq

A F - Amplitude da frequência de falha lateral esquerda, normalizada de 0 a 1;

• ( )ldir

A F - Amplitude de frequência de falha lateral direita, normalizada de 0 a 1.

Existem três valores linguísticos para as variáveis de entrada ( )ldir

A F e ( )lesq

A F

que são “Pequena (P)”, “Média (M)” e “Grande (G)”. A.2. Variáveis de Saída (Condições do Rotor) As condições de saída do rotor (variáveis de saída) são três:

• Bom - rotor sem defeito; • Defeito - rotor com defeito, com uma a duas barras quebradas;

• DefeitoSevero - rotor com defeito, com mais de três barras quebradas;

A Tabela 1 descreve a faixa de valores para as variáveis de saída. Tabela 1 – Faixa de valores de saída

Faixa (dB) Condição do Rotor

Nº de Barras quebradas

100 45saída− ≤ ≤ − Bom 1

45 30saída− ≤ ≤ − Defeito 2/3

30 0saída− ≤ ≤ Defeito Severo Mais de 3

Page 7: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

7

3.1.2 Função Pertinência

A função de pertinência mostra o grau de ligação de um elemento em relação a

um determinado conjunto. Ela associa cada elemento “x” pertencente à “A”, um número real µA(x), no intervalo [0, 1]. Este valor representa o grau de possibilidade de que o elemento “x” venha a pertencer ao conjunto “A”, isto é, o quanto é possível para o elemento “x” pertencer ao conjunto “A”.

Na Figura 2 têm-se os gráficos das funções de pertinência das entradas do sistema proposto. A Figura 2 (a) mostra a frequência de falha lateral esquerda

( )flesq

A F , com seus valores linguísticos: (i) Pequeno (P); Médio (M); (iii) Grande (G).

No eixo das abscissas têm-se os valores que a variável linguística pode assumir (módulo dos valores em dB), enquanto no eixo das ordenadas, o grau de pertinência que determinado valor representa perante aquele valor linguístico. A Figura 2 (b) mostra a frequência de falha lateral direita ( )

fldirA F , com seus valores

linguísticos, que são idênticos aos da entrada ( )ldir

A F . De fato, uma variável linguística é caracterizada por quatro parâmetros: o nome

da variável, o conjunto dos valores linguísticos, o domínio (os valores que a variável linguística pode assumir) e o grau de pertinência. Tomando como exemplo as variáveis linguísticas da Figura 2, teremos:

• Variável Linguística: Frequência de falha lateral esquerda e direita; • Valores Linguísticos: Pequena (P), Média (M) e Grande (G); • Domínio da Variável é o intervalo 0 -100 dB, em módulo; • Grau de Pertinência pode ser acompanhado pelo gráfico.

Page 8: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

8

Figura 2 – Gráficos de funções de pertinência: (a) Frequência de falha lateral esquerda. (b)

Frequência de falha lateral direita.

Na Figura 3 têm-se o gráfico da função de pertinência da saída do sistema proposto. A condição do rotor com seus valores linguísticos: (i) Bom (B); (ii) Defeito (D); (iii) Defeito severo (DS). No eixo das abscissas têm-se os valores que a variável linguística pode assumir (módulo dos valores em dB), enquanto no eixo das ordenadas, o grau de pertinência que determinado valor representa perante aquele valor linguístico.

Figure 3 – Gráficos de funções de pertinência das variáveis de saída do sistema de Lógica Fuzzy.

Page 9: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

9

3.1.3 Regras A base de regras obtidas a partir do conhecimento humano disponível e

habilidades práticas no diagnóstico de falhas, em relação às condições do rotor, são apresentadas a seguir:

1. IF ‘ ( )lesq

A F ’ IS ‘Pequena (P)’ AND ‘ ( )ldir

A F ’ IS ‘Pequena (P)’ THEN ‘CR’ IS ‘Bom

(B)’. 2. IF ‘ ( )

lesqA F ’ IS ‘Media (M)’ AND ‘ ( )

ldirA F ’ IS ‘Pequena (P)’ THEN ‘CR’ IS ‘Defeito

(D)’. 3. IF ‘ ( )

lesqA F ’ IS ‘Media (M)’ AND ‘ ( )

ldirA F ’ IS ‘Media (M)’ THEN ‘CR’ IS ‘Defeito

(D)’. 4. IF ‘ ( )

lesqA F ’ IS ‘Media (M)’ AND ‘ ( )

ldirA F ’ IS ‘Grande (G)’ THEN ‘CR’ IS ‘ Defeito

Severo (DS)’. 5. IF ‘ ( )

lesqA F ’ IS ‘Grande (G)’ AND ‘ ( )

ldirA F ’ IS ‘Pequena (P)’ THEN ‘CR’ IS ‘

Defeito Severo (DS)’. 6. IF ‘ ( )

lesqA F ’ IS ‘Grande (G)’ AND ‘ ( )

ldirA F ’ IS ‘Media (M)’ THEN ‘CR’ IS ‘ Defeito

Severo (DS)’. 7. IF ‘ ( )

lesqA F ’ IS ‘Grande (G)’ AND ‘ ( )

ldirA F ’ IS ‘Grande (G)’ THEN ‘CR’ IS ‘

Defeito (DS)’. O painel frontal, interface com o usuário, do sistema automático de diagnóstico de

falhas de barras rompidas é apresentado na Figura 4.

Figura 4 – Painel frontal, interface com o usuário, com lógica Fuzzy.

Page 10: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

10

3.2 Sistema Embarcado em FPGA

O sistema embarcado utilizado na bancada de ensaios e baseado em um controlador lógico programável - CLP, modelo CompactRIO-9073 da National Instruments. O CompactRIO-9073, mostrado na Figura 5, possui um processador industrial com clock de 400 MHz, gerenciado por um sistema operacional de tempo real, um FPGA de alto desempenho da empresa Xilinx, com 2 milhões de portas lógicas programáveis pelo usuário e um chassi reconfiguravel, que aloja até oito módulos de entrada e/ou saída (E/S) [16, 17].

O FPGA e conectado ao processador, por meio de um barramento PCI de alta velocidade e cada módulo de E/S e conectado diretamente ao FPGA. A programação do CompactRIO-9073 e desenvolvida com os softwares LabVIEW PC, LabVIEW Real-Time e LabVIEW FPGA. O processador do CompactRIO-9073 executa determinist icamente as aplicações desenvolvidas com o software LabVIEW Real-Time e o FPGA executa de forma simultânea as aplicações desenvolvidas com o software LabVIEW FPGA.

Figura 5 – CLP CompactRIO com os módulos e o chassis (Fonte: National Instruments).

No desenvolvimento do sistema automático de diagnóstico de falhas foi necessário desenvolver três programas (VIs). Dois programas foram desenvolvidos no LabVIEW Real-Time e LabVIEW FPGA, que rodam diretamente no

Page 11: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

11

CompactRIO. O outro programa foi desenvolvido no LabVIEW PC, que e executado n o computador pessoal (PC Host). O programa VI do PC Host comunica-se com o programa LabVIEW Real-Time, por meio de variáveis compartilhadas (shared variables), via protocolo TCP/IP. Para a transferência de dados entre os programas do LabVIEW FPGA e o LabVIEW Real-Time são utilizadas I/O Variables . A Figura 6 ilustra a comunicação entre o LabVIEW (PC Host), o LabVIEW Real-Time e o LabVIEW FPGA [16, 17, 18].

Figura 6 – Comunicação entre o LabVIEW (PC Host), LabVIEW Real-Time e o LabVIEW FPGA.

Page 12: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

12

3.3 Ensaios Práticos

Para a realização dos ensaios práticos foi desenvolvida e montada, no Laboratório de Mecatrônica do Departamento de Mecânica da FEG, Campus Guaratinguetá, uma bancada de testes de motores, conforme apresentada na Figura 7 (a).

A bancada de ensaios é constituída por: (i) motor de indução trifásico tipo gaiola de esquilo, empresa WEG, modelo W22 plus 90s, 1,5 kW (2,0 HP), 220/380 V, 1750 rpm (4 polos), 28 barras no rotor, 36 canais do estator; (ii) três rotores tipo gaiola de esquilo para motor WEG modelo W22 plus 90s, para simulação de defeitos de barras rompidas; (iii) Um gerador de corrente contínua, empresa ELETROMÁQUINA, modelo GC-4-B3/4 U-Lig 220S/SH/CP, 2kW, 1800 rpm; (iv) sistema de aquisição de dados, módulo de aquisição de sinais dinâmicos, empresa National Instruments, modelo NI 9234, 4 canais, 25 kS/s, resolução de 24 bits; (v) três resistores de 100ohms/400 w como carga elétrica do gerador de corrente contínua; (vi) uma garra de corrente, empresa Minipa, modelo HR-30, relação de saída: 100mV/A, faixa de frequência efetiva: DC ~ 20kHz; (vii) condicionador de sinal, empresa ENDEVCO; (viii) tacômetro, empresa Minipa, modelo MDT-2245B, faixa: 0,5 ~ 19999 RPM; (ix) célula de carga, empresa HBM, modelo S40 -100 kg.

Um estator e três rotores originalmente idênticos foram utilizados para estudar o comportamento do motor de indução, com ou sem barras quebradas. Antes do início do processo de testes, dois dos três rotores são danificados deliberadamente por furos nas barras em toda a sua profundidade e usado com o mesmo estator, para garantir a precisão dos testes. O rotor sem defeito é considerado aqui como referência. A configuração dos rotores com barras rompidas são mostrados na Fig. 7 (b).

Figura 7 - Bancada de ensaios práticos (a), rotores com barras quebradas artificialmente (b).

Page 13: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

13

4. RESULTADOS

Para verificar a eficiência do Sistema de Diagnóstico inteligente com Lógica Fuzzy, vários testes foram realizados. Estes testes foram realizados sob diferentes cargas, com rotores saudáveis e defeituosos, com barras quebradas. Em cada caso, a corrente do estator é transformada para o domínio da frequência, usando o método MCSA (FFT). Depois, a amplitude das duas componentes de frequências de falhas laterais: ( )

lesqA F (esquerda) e ( )

ldirA F (direita) são extraídas do espectro de

frequência e transferidas para os universos correspondentes às entradas da lógica Fuzzy. O sistema de lógica fuzzy avalia as entradas e diagnostica a condição de rotor: (i) Bom (zero barra quebrada); (ii) Defeito (uma ou duas barras quebradas) e; (iii) Defeito Severo (três ou mais barras quebradas). A Figura 8 e 9 ilustra o diagnóstico de um rotor com uma e três barras quebradas respectivamente.

Figure 8 - Espectro de corrente: rotor com uma barra quebrada, com carga.

Page 14: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

14

Figura 9 - Espectro de corrente: rotor com três barras quebradas, com carga.

5. CONCLUSÃO

Neste trabalho foi apresentado um sistema de diagnóstico automático, on line, para a detecção de múltiplas falhas de barras quebradas em motores de indução, baseado em lógica fuzzy, embarcado em processador FPGA, que pode ser aplicado na moderna Automação Industrial. Foram realizados diversos ensaios práticos na bancada de teste desenvolvida no laboratório de Mecatrônica da FEG, no Campus Guaratinguetá. Os resultados obtidos foram satisfatórios, tendo sido, neste caso, a rede neural baseada em lógica Fuzzy, capaz de generalizar as falhas de barras quebradas, em rotores tipo gaiola de esquilo, em motores de indução. Os resultados obtidos com o sistema demonstraram precisão e repetibilidade. Sendo capaz de realizar diagnósticos de barras quebradas em motores de indução, sem a necessidade da presenca de um especialista em manutenção de motores de indução.

Referências Bibliográficas [1] Georgoulas, G., Tsoumas, I. P., Daviu, J. A. A., Alarcon, V. C., 2014, “ Automatic pattern identification based

on the complex empirical mode decomposition of the startup current for diagnosis of rotor asymmetries in asynchronous machines”, Industrial Electronics, IEEE Transactions on, Vol. 61, No 9, pp. 4937-4946.

[2] Pu ,S.; Zheng, C.; Yuriy, V.; Zoubir, Z., 2013, “A new diagnosis of broken rotor bar fault extent in three phase squirrel cage induction motor,” Mechanical Systems and Signal Processing, Vol. 42, pp. 388–403.

Page 15: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

15

[3] Oviedo, S. J, Quiroga, J. E, Borrás, C., 2011, “Experimental evaluation of motor current signature and vibration analysis for rotor broken bars detection in an induction motor”, Proceeding of the 2011 International Conference on Power Engineering (POWERENG), Vol. 1, Malaga, Espanha, May, pp. 1 – 6.

[4] Ying X., 2012, “ Investigation of broken rotor bar faults in three-phase squirrel-cage induction motors, finite element analysis - from biomedical applications to industrial developments”. 30 Mar. 2012, Available from: <http://www.intechopen.com/books/finite-element-analysisfrom-biomedical-applications-to-industrial-developments/investigation-of-broken-rotor-bar-faults-in-threephase- squirrel-cage-induction-motors>.

[5] Pu, S., Zheng, C., Yuriy, V., Zoubir, Z.,2013, “A new diagnosis of broken rotor bar fault extent in three phase squirrel cage induction motor”, Mechanical Systems and Signal Processing, Vol. 42, pp. 388 – 403.

[6] Kaikaa, M. Y. , Hadjami, M., 2014, “Effects of the simultaneous of static eccentricity and broken rotor bars on the stator current of induction machine”, Industrial Electronics, IEEE Transactions on, Vol. 61, No 5, pp. 2452-2463.

[7] Ebrahami, B. M., Faiz, J., Lotfi-fard, S., Pillay, P., 2012, “Novel indices for broken rotor bars fault diagnosis in induction motors using wavelet transform”, Mechanical Systems and Signal Processing, Vol. 30, pp. 131 – 145.

[8] Kim, Y. H., Young, Y. W. , Hwang, D. H., Sun, J. H., Kang, D. S., 2013, “High-resolution parameter estimation method to identify broken rotor bar faults in induction motors”, Industrial Electronics, IEEE Transactions on, Vol. 60, No 9, pp. 4103-4117.

[9] Magdaleno, J., J., R., Troncoso, R., J., R., Medina, L., M., C., Perez, A., G., 2008, “FPGA implementation of a novel algorithm for on-line bar breakage detection on induction motors”, IEEE International and Measurement Technology Conference, IMTC 2008, pp. 720-725.

[10] Silvert, A., Betin, F., Moghadasian, M., Yazidi, A., Capolini, G. A.,2012, “Position control of sis-phase induction motor using fuzzy logic: application to electric power steering”, Electrical Machines (ICEM), 2012 XXth International Conference on, pp. 1055-1061.

[11] Liu, B., Gao, Z., Benzing, J., 2013, “Practical aspects of rotor fault detection for medium-voltage induction motors”, Industry Applications Society Annual Meeting, 2013 IEEE, pp. 1- 9.

[12] Lin, F. J. , Hung, Y. C. , Hwang, J. C., Tsai, M. T. 2013, “Fault-tolerant control of a six-phase motor drive system using a Takagi-Sugeno-Kang type fuzzy neural networks with asymmetric membership functions”. Power Elecronics, IEEE Transactions on, Vol. 28, No 7, pp. 3557 – 3572.

[13] Saghafinia , A. , Kahourzade , S., Mahmoudi , A. , Hew, W. P., Uddin, M. N. , 2012, “On line trained fuzzy logic and adaptive continuous wavellet transform based high precision fault detection of IM with broken rotor bars”, Industry Applications Society Annual Metting (IAS), 2012 IEEE, pp. 1 - 8.

[14] Maslak, W., Butkiewcz, B. S., 2013, “Autonomous vehicle with fuzzy control”, Signal Processing Symposium (SPS), IEEE 2013, pp. 1- 6.

[15] Azgomi, H. F. , Poshtan, J., Poshtan, M. , 2013, “Experimental validation on stator fault detection via fuzzy logic”, 3rd International Conference on Electric Power and Energy Conversion Systems (EPECS), IEEE 2013, pp. 1- 6.

[16] Yepez, E. C., Rodriguez, M. V., Troncoso, R. J. R. , Perez, A. G., Rios, R. A. O. , Vidales, H. M., Salas, R. A. , 2012, “FPGA- based entropy neural processor for on line detection of multiple combined faults on induction motors”. Mechanical Systems and Signal Processing, Vol. 30. p. 123-130.

[17] Medina, L. M. C., Troncoso, R. J. R. , Cabal, E. Y. , Magdaleno, J. J. R., Almaraz, J. R. M. , 2010, “FPGA- based multiple channel vibration analyser for industrial applications in induction motor failure detection”. Instrumentation and Measurement, IEEE Transaction on, Vol. 15, No 1, p. 63- 72.

[18] National Instruments Corporation, 2010, “CompactRIO 9072/3/4 - Operation instruction and specification.

Page 16: SISTEMA INTELIGENTE DE DIAGNÓSTICO DE MOTORES DE …professorcesarcosta.com.br/upload/imagens_upload/Artigo_Final... · Palavras Chaves: Máquinas elétricas rotativas, Diagnóstico

16

Dados dos Autores

1. Cesar da Costa, IFSP - Instituto Federal de Educação, Ciência e Tecnologia de São Paulo- IFSP, Alameda Jau, 88/21, Canindé, CEP 01420-000, São Paulo, SP, Tel. (11) 3253-5693, E-mail: [email protected] 2. Mauro Hugo Mathias, UNESP- Universidade Estadual Paulista Julio de Mesquita, Av. Ariberto Pereira da Cunha, 333, Pedregulho, CEP 12.516-410, Guaratinguetá, SP, Tel. (12) 3123-2800, E-mail: [email protected]