DETEÇÃO DE FALHAS EM MOTORES ELÉTRICOS ATRAVÉS DA CLASSIFICAÇÃO DE PADRÕES DE VIBRAÇÃO UTILIZANDO UMA REDE NEURAL ELM

Geraldo Luis Bezerra Ramalho, Adriano Holanda Pereira, Pedro Pedrosa Rebouças Filho, Cláudio Marques de Sá Medeiros

Resumo


O monitoramento das condições dos motores elétricos industriais fornece informações que auxiliam o planejamento as intervenções de manutenção antes da ocorrência de falhas. Este trabalho propõe uma nova abordagem para o monitoramento de condição operacionais de motores de indução trifásicos baseada na extração de características de um sinal de vibração obtido com acelerômetros MEMS. Os dados extraídos da decomposição do sinal de vibração, por Transformada Haar e através da dimensão fractal, são utilizadas para treinar uma rede neural ELM. Através do resultado de experimentos é demonstrada a viabilidade da metodologia para aplicação na detecção e identificação de falhas mecânicas e elétricas.

Texto completo:

PDF

Referências


Chakraborty, K., De, A. and Chakrabarti, A. Voltage stability assessment in power network using self organizing feature map and radial basis function, Computers and Electrical Engineering 38: 819–826, 2012.

Chen, Y., Ni, J.-Q., Diehl, C. a., Heber, A. J., Bogan, B. W. and Chai, L.-L. Large Scale Application of Vibration Sensors for Fan Monitoring at Commercial Layer Hen Houses, Sensors 10(12): 11590–11604, 2010.

Oliveira, A. G., Bessa, R., Coelho, D. N., Medeiros, C. M. de Sá, Pontes, R. S. T. Técnicas computacionais para deteção de falhas por curto-circuito entre espiras de um motor de indução acionado por conversor de frequência. SBAI 2013 (1), 2013.

Falconer, K. Fractal Geometry: Mathematical Foundations and Applications, 2a. ed., John Wiley & Sons, 2003.

Hassan, L. H, Moghavvemi, M., Almurib, H. A. F., Steinmayer, O. Current state of neural networks applications in power system monitoring and control. Electrical Power and Energy Systems 51: 134–144, 2013.

Huang, G.-B., Zhu, Q.-Y. and Siew, C.-K. (2004). Extreme learning machine: A new learning scheme of feedforward neural networks, IEEE International Joint Conference on Neural Networks. Proceedings 2: 985–990, 2004.

Huang, G., Zhu, Q. and Siew, C. Extreme learning machine: Theory and applications, Neurocomputing 70(1-3): 489–501, 2006.

Jiang, D. and Liu, C. Machine condition classification using deterioration ma- chine condition classification using deterioration feature extraction and anomaly deter- mination, IEEE Transactions on Reliability 60(1): 41–48, 2011.

Konar, P. and Chattopadhyay, P. Bearing fault detection of induction motor using wavelet and Support Vector Machines (SVMs), Applied Soft Computing 11(6): 4203–4211, 2011.

Li, B., Zhang, P.-L., Tian, H., Mi, S.-s., Liu, D.-s. and Ren, G.-q. (2011). A new feature extraction and selection scheme for hybrid fault diagnosis of gearbox. Expert Systems with Applications 38(8): 10000–10009, 2011.

Li, H., Zhang, Y. and Zheng, H. Application of hermitian wavelet to crack fault detection in gearbox. Mechanical Systems and Signal Processing 25(4): 1353–1363, 2010.

Mallat, S. A wavelet tour of signal processing, 2 ed., Academic Press, 1999.

Maruthi, G. S. and Vittal, K. P. Electrical Fault Detection in Three Phase Squirrel Cage Induction Motor by Vibration Analysis using MEMS Accelerometer, 2005 Interna- tional Conference on Power Electronics and Drives Systems 2: 838–843, 2005.

Nepomuceno, L. X. Técnicas de Manutenção Preditiva, 1a. ed., Edgard Blucher, São Paulo, 1989.

Paiva, H. M., Galvão, R. K. H. and Rodrigues, L. A wavelet-based multivariable approach for fault detection in dynamic systems, Revista Controle & Automação 20(4): 455– 464, 2009.

Ramalho, G. L. B., Pedrosa, P., Schmidlin Jr, C. R. and Dias, S. V. Deteção de condição de máquina utilizando acelerômetro MEMS rede SOFM, SBAI 2013 (1), 2013.

Fadini, P.S. Quantificação de carbono dissolvido em sistemas aquáticos, através da análise por injeção em fluxo. Campinas, 1995. Dissertação de mestrado-Faculdade de Engenharia Civil-Universidade Estadual de Campinas, 1995.

Ramalho, G. L. B., Schmidlin Jr, C. R., Bezerra, L. D. S. and Dias, S. V. Monitoramento de condição de máquina utilizando acelerômetro MEMS, Revista Tecnologia (UNIFOR) 33(1), 2012.

Wang, Y., Cao, F. and Yuan, Y. A study on effectiveness of extreme learning machine, Neurocomputing 74(16): 2483–2490, 2011.




DOI: https://doi.org/10.15628/holos.2014.1925



 

HOLOS IN THE WORLD