Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/3370
Título: Multiclassificação de falhas em motores de indução trifásicos utilizando um único transformador de corrente e redes neurais artificiais
Título(s) alternativo(s): Multiple faults classification on three-phase induction motors using a single current transformer and artificial neural networks
Autor(es): Lopes, Tiago Drummond
Orientador(es): Goedtel, Alessandro
Palavras-chave: Motores elétricos de indução
Redes neurais (Computação)
Rotores
Electric motors, Induction
Neural networks (Computer science)
Rotors
Data do documento: 26-Ago-2016
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Cornelio Procopio
Citação: LOPES, Tiago Drummond. Multiclassificação de falhas em motores de indução trifásicos utilizando um único transformador de corrente e redes neurais artificiais. 2016. 99 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2016.
Resumo: O elemento mais utilizado de conversão de energia elétrica em mecânica motriz é o motor de indução trifásico, o qual é indispensável nos processos produtivos industriais. Esse equipamento é constantemente alvo de pesquisas, as quais visam identificar defeitos a fim de diminuir as taxas de manutenções, minimizar as paradas não programadas no processo, reduzir custos e aumentar a disponibilidade dessas máquinas nos processos industriais. Esta dissertação propõe o estudo, desenvolvimento e implementação de um sistema para detecção e classificação de falhas de estator, rotor e rolamento de motores elétricos por meio do monitoramento dos sinais de corrente do motor no domínio do tempo por um transformador de corrente. Mais especificamente, o trabalho utiliza redes neurais artificiais do tipo Perceptron Multicamadas, as quais têm como entrada os sinais de corrente da máquina medidas por um único transformador de corrente, para identificar e classificar falhas deum motor de indução trifásico. A base de dados utilizada para desenvolvimento do trabalho foi obtida por meio de experimentos realizados com motores de 0,736 kW e 1,47 kW em uma bancada de testes. O sistema é validado com as duas máquinas trabalhando com variações de conjugado de carga e desequilíbrio de tensão em sua alimentação. Ainda, a proposta é embarcada em hardware dedicado baseado em um processador digital de sinais e testes experimentais são realizados com o sistema funcionando em tempo real.
Abstract: The element most used to convert electrical energy into mechanical is the phase induction motor, which is indispensable in industrial production processes. This equipment is constantly subject of research to identify defects in order to reduce maintenance costs, minimize unscheduled process stoppages, reduce costs and mainly increase availability. Hence, This work proposes the study, development and implementation of a system for detecting and classify stator short-circuit faults, broken rotor bars and bearing faults in induction motors by monitoring the stator current signals in the time domain by using a current transformer. More specifically, this work consider the usage of Artificial Neural Networks of Mult Layer Perceptron type, using as the inputs the current signals measured by the current transformer, to proper identify and classify induction motor faults. The database used for the development has been obtained through the experiments performed with motors of 0,736 kW and 0,736 kW on a test bench. The system is validated with both machines working with load torque variation and voltage unbalance. Still, the proposal is embedded in dedicated hardware based on a digital signals processor and experimental tests are performed with the system running in real time.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/3370
Aparece nas coleções:CP - Programa de Pós-Graduação em Engenharia Elétrica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
CP_PPGEE_M_Lopes, Tiago Drummond_2016.pdf
  Disponível a partir de 5000-01-01
4,96 MBAdobe PDFVisualizar/Abrir Solicitar uma cópia


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.