Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/41412| Título: | Identificação de sistemas aplicada a motores de indução trifásicos |
| Título(s) alternativo(s): | System identification applied to three-phase induction motors |
| Autor(es): | Dias, Vitor Braz de Oliveira |
| Orientador(es): | Maciejewski, Narco Afonso Ravazzoli |
| Palavras-chave: | Motores elétricos de indução Modelos matemáticos Aprendizado do computador Redes neurais (Computação) Modelos lineares (Estatística) Electric motors, Induction Mathematical models Machine learning Neural networks (Computer science) Linear models (Statistics) |
| Data do documento: | 16-Jun-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | DIAS, Vitor Braz de Oliveira. Identificação de sistemas aplicada a motores de indução trifásicos. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Controle e Automação) - Universidade Tecnológica Federal do Paraná, Curitiba, 2025. |
| Resumo: | Os motores de indução trifásicos são os elementos responsáveis pelo maior consumo de energia na indústria, sendo as principais máquinas de conversão de energia elétrica em mecânica. Os motores de indução são amplamente utilizados devido a sua robustez e aplicabilidade em diferentes cenários operacionais, sendo necessário o conhecimento do comportamento físico dessas máquinas para o controle e supervisão dos processos, como na identificação de defeitos. Para isso, é importante a construção de modelos representativos da máquina, que sejam fidedignos ao ponto de representarem as não linearidades que aparecem apenas em aplicações reais. Nesse sentido, este trabalho apresenta uma análise comparativa entre métodos de identificação de sistemas aplicados à modelagem de motores de indução trifásicos, utilizando abordagens clássicas e baseadas em aprendizado de máquinas. Para isso, dados experimentais do funcionamento de motores de indução trifásicos foram coletados em bancada, considerando variações de torque de 0,5 a 4,0 N.m, e utilizados para treinar e validar modelos lineares do tipo ARX e ARMAX e não lineares do tipo NARX, combinados com diferentes técnicas inteligentes, como redes neurais artificiais, redes wavelet e árvores binárias. Os modelos ARX e ARMAX apresentaram bom desempenho em cenários com baixa não linearidade, com o ARMAX de quarta ordem alcançando 96,9% de precisão. Simples e de baixo custo computacional, são úteis em aplicações industriais bem definidas. Entre os NARX, a estrutura com árvore binária foi a mais precisa (97,1%) e com menor desvio-padrão (0,112%), seguida pela rede wavelet (96,7%), ambas superando os modelos lineares e outros NARX. A análise destaca a importância de modelos não lineares para representar motores de indução em cenários complexos, com a árvore binária como melhor opção. Modelos lineares, porém, continuam viáveis quando simplicidade e interpretabilidade são prioridades. O trabalho reforça o valor da identificação de sistemas para manutenção preditiva, simulação e digital twins, e sugere incluir dados de falhas e variáveis mecânicas em futuros estudos para ampliar a aplicação prática. |
| Abstract: | Three-phase induction motors are responsible for the highest energy consumption in the industry, serving as the main machines for converting electrical energy into mechanical energy. They are widely used due to their robustness and applicability across different operational scenarios. Understanding the physical behavior of these machines is essential for process control and monitoring, such as fault detection. For this, it is important to develop representative models that accurately capture the nonlinearities that typically appear only in real-world applications. In this context, this work presents a comparative analysis of system identification methods applied to the modeling of three-phase induction motors, using both classical approaches and machine learning-based techniques. Experimental data from the operation of threephase induction motors were collected on a test bench, considering torque variations from 0.5 to 4.0 N.m, and used to train and validate linear models (ARX and ARMAX) and nonlinear models (NARX) combined with different intelligent techniques, such as artificial neural networks, wavelet networks, and binary trees. The ARX and ARMAX models showed good performance in scenarios with low nonlinearity, with the fourthorder ARMAX model achieving 96.9% accuracy. Being simple and computationally inexpensive, these models are useful in well-defined industrial applications. Among the NARX models, the binary tree structure was the most accurate (97.1%) with the lowest standard deviation (0.112%), followed by the wavelet network (96.7%), both outperforming the linear models and other NARX configurations. The analysis highlights the importance of nonlinear models for accurately representing induction motors in complex scenarios, with the binary tree emerging as the best option. However, linear models remain viable when simplicity and interpretability are priorities. This work reinforces the value of system identification as a strategic tool for predictive maintenance, simulation, and digital twins, and suggests including fault data and mechanical variables in future studies to expand the practical applicability of the models. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/41412 |
| Aparece nas coleções: | CT - Engenharia de Controle e Automação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| identificacaosistemasmotorestrifasicos.pdf | 3,98 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
