Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/30182| Título: | Desenvolvimento de sistema para detecção de falhas em rolamentos de motores de indução a partir de seus sinais de vibração |
| Autor(es): | Bórnea, Yuri Piccolo |
| Orientador(es): | Castoldi, Marcelo Favoretto |
| Palavras-chave: | Motores elétricos de indução Redes Neurais (Computação) Localização de falhas (Engenharia) Electric motors, Induction Neural networks (Computer science) Fault location (Engineering) |
| Data do documento: | 11-Fev-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | BORNEA, Yuri Piccolo. Desenvolvimento de sistema para detecção de falhas em rolamentos de motores de indução a partir de seus sinais de vibração. 2022. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2022. |
| Resumo: | O presente trabalho aborda o estudo e desenvolvimento de uma metodologia capaz de identificar condições de falhas em rolamentos de motores de indução durante o funcionamento dessas máquinas através de seus sinais de vibração. São utilizados sinais de vibração do banco de dados da Case Western Reserve University, que incluem a situação de motores com rolamentos saudáveis ou com falhas. É aplicada a Transformada de Hilbert-Huang como pré-processamento de sinais seguida da extração de características no domínio do tempo e no domínio do tempo-frequência do resultado da transformada. Por fim, com o intuito de se fazer a identificação e classificação de padrões das características extraídas, é utilizada uma rede neural artificial Perceptron Multicamadas para predição de condição dos rolamentos do motor e do tipo de falha, a fim de se obter um sistema de diagnóstico de falhas eficaz. Os resultados são medidos entre rolamentos saudáveis ou defeituosos e pelo o tipo de falha acometida pelos rolamentos, sendo que o sistema proposto apresentou 100% de acurácia na classificação de padrões entre falhas e não falhas, 58,97% entre as falhas, sem diferenciar os rolamentos, 78,57% somente para falhas relacionadas ao rolamento frontal e 72,73% para falhas do rolamento traseiro. |
| Abstract: | This work brings a study and development of an approach able to identify bearing induction motor faults from the vibration signals of these machines during their operation. Vibration signals from Case Western Reserve University Bearing Data Center are used, which include motors with healthy or faulty bearings in many situations of load and damage levels. The preprocessing tool Hilbert-Huang Transform is used, followed by extraction features in time and time-frequency domains. Having the purpose to identify and classify patterns from the extracted features, it is used an artificial neural network Multilayer Perceptron in order to predict the condition of bearings and the type of fault that happens to them. The results are measured between healthy and faulty bearings and the kind of mishappen that may be on this case, presenting 100% of accuracy in the classification of healthy and faulty patterns, 58,97% between all bearing faults, 78,57% for only drive end bearing faults, and 72,73% for fan end bearing faults. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/30182 |
| Aparece nas coleções: | CP - Programa de Pós-Graduação em Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| deteccaodefalhasrolamentosmotoresdeinducao.pdf | 3,83 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.