Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/35277
Título: Identificação de falhas em motores de indução empregando redes neurais
Título(s) alternativo(s): Identification of induction motors failures using neural networks
Autor(es): Milani, Victor Hugo
Orientador(es): Nakano, Alberto Yoshihiro
Palavras-chave: Motores elétricos de indução
Sistemas de reconhecimento de padrões
Processamento de sinais
Electric motors, Induction
Pattern recognition systems
Signal processing
Data do documento: 16-Nov-2020
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Toledo
Citação: MILANI, Victor Hugo. Identificação de falhas em motores de indução empregando redes neurais. 2020. Trabalho de Conclusão de Curso (Bacharel em Engenharia Eletrônica) - Universidade Tecnológica Federal do Paraná, Toledo, 2020.
Resumo: Motores de indução trifásicos (MIT) estão presentes em muitas atividades industriais. Contudo, em muitas situações, ficam sujeitos a condições inadequadas tais como temperaturas e pressões elevadas, variações de carga e vibrações constantes. Tais condições, os deixam mais suscetíveis a falhas, seja de natureza externa ou interna, indesejadas no processo industrial. Neste contexto, a manutenção preditiva desempenha um papel relevante, onde a detecção e o diagnóstico de falhas em tempo hábil possibilita o aumento do tempo de uso do motor e a possibilidade de diminuição de custos. Assim, é importante que sejam desenvolvidos métodos de detecção de falhas para realização de manutenção preditiva. Os métodos tradicionais para a identificação de falhas são fundamentados em modelos determinísticos, os quais levam à elaboração de programas complexos, dificultando seu gerenciamento e manutenção. Em vista disso, a identificação de falhas baseada em técnicas computadorizadas convencionais tem sido substituída por sistemas baseados em inteligência computacional. Este trabalho teve como objetivo desenvolver um método de identificação de falhas nas barras do rotor gaiola de esquilo de um MIT por meio de Redes Neurais Artificiais. O uso de Redes Neurais poderia reduzir significativamente o número de elementos sensores que monitoram as condições de operação de um MIT. Tais sensores contribuem de forma direta para o aumento dos custos de implementação das técnicas tradicionais. Para isso foram estudados parâmetros extraídos da assinatura de corrente de entrada de motores com e sem barras quebradas. Estes parâmetros foram utilizados no treinamento de Redes Neurais \textit{Feed Forward} para classificação de motores com e sem barras quebradas e também para a identificação da quantidade de barras quebradas.
Abstract: Three-phase induction motors (TIM) are very often found in the industry. Yet, in several situ-ations, they are exposed to improper conditions such as high pressure and temperature, load variations and continuous vibration. Such conditions leave them vulnerable to failure (from exter-nal or internal sources) unwanted on industrial processes. In this context, predictive maintenance plays a relevant role, where the diagnosis and detection of failure in a timely manner allows an increase of the motor working life and enables the decrease of costs. Thus, it's important that methods of failure detection are developed to perform predictive maintenance. The traditional methods of failure acquisition are based on deterministic models, that lead to the elaboration of complex softwares and makes its management and maintenance difficult. Therefore, the failure acquisition based on conventional computerized techniques have been replaced for systems based on computer intelligence. This work aimed at developing a method of rotor failure identification in squirrel cage induction motors using Artificial Neural Networks. The use of Neural Networks could substantially decrease the number of sensors that monitor the operational conditions of a TIM. Such sensors contribute directly to the increase in the traditional technique implementation costs. To achieve this, characteristic features extracted from the current signature from motors with and without broken bars in the rotor were studied. These features were applied in Feed Forward Neural Networks to classify motors with and without broken bars and also identify the number of broken bars.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/35277
Aparece nas coleções:TD - Engenharia Eletrônica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
identificacaofalhas.pdf2,18 MBAdobe PDFThumbnail
Visualizar/Abrir


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