Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/28144| Título: | Detecção de falhas em rolamentos de motores de indução trifásicos baseada em máquina de vetores de suporte e redes de Bragg em fibra óptica |
| Título(s) alternativo(s): | Bearing fault detection in three-phase induction motors using support vector machine and fiber Bragg grating |
| Autor(es): | Brusamarello, Beatriz |
| Orientador(es): | Guarneri, Giovanni Alfredo |
| Palavras-chave: | Análise de componentes principais Localização de falhas (Engenharia) Rolamentos Motores elétricos de indução Redes de Bragg Principal components analysis Fault location (Engineering) Bearings (Machinery) Electric motors, Induction Bragg gratings |
| Data do documento: | 7-Mar-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | BRUSAMARELLO, Beatriz. Detecção de falhas em rolamentos de motores de indução trifásicos baseada em máquina de vetores de suporte e redes de Bragg em fibra óptica. 2022. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2022. |
| Resumo: | Devido a robustez e ótima relação custo-benefício, o motor de indução o tornou-se a máquina elétrica mais difundida atualmente. Mas, como qualquer outro equipamento, e vulnerável a falhas, sendo as falhas em rolamentos as mais comuns nos motores de indução. Este trabalho apresenta um sistema supervisionado de detecção e diagnóstico de falhas na pista externa do rolamento fundamentado em máquina de vetores de suporte (Support Vector Machine, SVM) e em sinais da deformação dinâmica do motor, coletados por um sensor baseado em redes de Bragg em fibra óptica (Fiber Bragg Grating, FBG) instalado na tampa do motor. Foram considerados três graus de severidade diferentes para falhas na pista externa: falha em estágio inicial, falha intermediária e falha grave. Os ensaios foram realizados no motor operando a vazio, com 47 frequências de alimentação o diferentes. Também foram realizados ensaios do motor com carga com o rolamento apresentando falha em estágio inicial, com frequência de alimentação de 60 Hz. Os sinais medidos foram tratados no domínio da frequência usando a Transformada Rápida de Fourier e a densidade espectral de potência. O classificador SVM foi treinado com dois conjuntos de dados diferentes, resultantes de duas técnicas de redução de dimensionalidade via extração de características: a seleção o dos quatro maiores picos dos espectros de frequência e a análise de componentes principais (Principal Component Analysis, PCA). A otimização e definição dos parâmetros da SVM foram feitas utilizando as técnicas grid-search e k-fold cross-validation. Para os ensaios do motor a vazio, os resultados dos classificadores SVM mostram que conjunto de características formado pela PCA apresentou uma taxa de acerto superior ao conjunto de características constituído pelos quatro maiores picos dos espectros de frequência, com valores de 99,82% e 99,73%, respectivamente. Tal fato se repetiu para os classificadores SVM treinados com os conjuntos de dados que continham os ensaios realizados no motor com carga, a redução de dimensionalidade via PCA apresentou uma precisão maior que o conjunto de dados formado pelos quatro maiores picos dos espectros de frequência, 99,31% e 92,27%, respectivamente. A partir da metodologia apresentada neste trabalho foi possível validar a utilização da FBG para detecção de falhas em rolamentos, visto que, independentemente do grau de severidade da falha testada a FBG possui sensibilidade o suficiente para detectar todas as condições de falha na pista externa do rolamento. |
| Abstract: | Due to its robustness and great cost-benefit ratio, the induction motor has become the most widespread electric machine today. However, it is vulnerable to a fault like any other equipment, with bearing faults being the most common in induction motors. This work presents a supervised system for detecting and diagnosing faults in the outer bearing’s raceway based on support vector machine (SVM) and motor dynamic strain signals, collected by a sensor based on fiber Bragg grating (FBG) installed inside the motor end shield. Three different degrees of severity were considered for faults in the outer bearing’s raceway: early-stage fault, intermediate fault, and severe fault. The tests were carried out on the motor operating at no load, with 47 different power frequencies. Tests were also carried out on the motor under load with the bearing showing fault at an early stage, with a supply frequency of 60 Hz. The measured signals were treated using Fast Fourier Transform and power spectral density in the frequency domain. The SVM classifier was trained with two different datasets, resulting from two-dimensionality reduction techniques via feature extraction: the selection of the four highest peaks of the frequency spectra and the principal component analysis (PCA). The optimization and definition of the SVM parameters were performed using the grid Search and cross Validation techniques. For the no-load motor tests, the results of the SVM classifiers show that the set of characteristics formed from the PCA presented a higher hit rate than the set of characteristics constituted by the four highest peaks of the frequency spectra, with values of 99.82% and 99.73%, respectively. This fact was repeated for the SVM classifiers trained with the datasets that contained the tests performed on the motor with load; the dimensionality reduction via PCA presented a greater precision than the dataset formed by the four highest peaks of the frequency spectra, 99.31%, and 92.27%, respectively. From the methodology presented in this work, it was possible to validate the use of FBG to detect faults in bearings since, regardless of the degree of severity of the fault tested, the FBG has enough sensitivity to detect all fault conditions in the outer bearing’s raceway. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/28144 |
| Aparece nas coleções: | PB - Programa de Pós-Graduação em Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| deteccaofalhasrolamento.pdf | 6,16 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
