estimador neural de severidade de … neural de severidade de falhas de rolamentos em motores de...

ESTIMADOR NEURAL DE SEVERIDADE DE FALHAS DE ROLAMENTOS EMMOTORES DE INDUCAO TRIFASICOS

Wagner F. Godoy∗ Daniel Morınigo-Sotelo† Oscar Duque-Perez† Alessandro Goedtel∗

Rodrigo H. C. Palacios∗ Ivan N. da Silva‡

∗Universidade Tecnologica Federal do Parana, Depto. de Engenharia EletricaAv. Alberto Carazzai, 1640, Centro, 86.300-000

Cornelio Procopio, PR, Brasil

†Universidade de Valladolid, Depto. de Engenharia EletricaPaseo del Cause s/n, 47011

Valladolid, Espanha

‡Universidade de Sao Paulo, Escola de Engenharia de Sao Carlos, Depto. de Engenharia EletricaAv. Trabalhador Sao Carlense, 400, Centro, 13.566-590

Sao Carlos, SP, Brasil

Email: [email protected], [email protected], [email protected]

[email protected], [email protected], [email protected],

Abstract— Bearing fault diagnosis in induction motors is an open field of research. The three-phase inductionmotor is considered one of the most important elements of industrial processes. Despite their great reliability androbustness, these machines can present faults due to the time and operating conditions, power quality problems,among other factors. Hence, this work presents an intelligent approach as a support tool to the operator in thedecision process of machine shut-down, based on the estimation of the level of evolution of a bearing defect ininduction motors. The technique consists in using the discretization of current signals from a machine operatingat steady state under different load levels as the inputs to the estimator. The diagnosis and the estimation of thelevel of evolution of a bearing defect are obtained by using artificial neural networks type multilayer perceptron.Experimental results obtained from 120 laboratory tests are presented to validate this proposal. The resultsshow that it is possible to accurately estimate the evolution level of a bearing defect in induction motors fromthe amplitude of current signals in the time domain.

Keywords— Artificial Neural Networks, Bearing faults, Estimation, Three-Phase Induction Motor

Resumo— O diagnostico de falhas de rolamento em motores de inducao e um assunto que tem atraıdo muitaspesquisas. O motor de inducao trifasico e considerado um dos elementos mais importantes dos processos indus-triais. Apesar de sua grande confiabilidade e robustez, estas maquinas podem apresentar falhas em funcao dotempo e condicoes de operacao, problemas de qualidade de energia, entre outros fatores. Este trabalho apresentauma abordagem inteligente para o suporte do operador no processo decisorio de parada da maquina, a partirda estimacao do nıvel de evolucao de um defeito de rolamento em motores de inducao. A tecnica consiste emutilizar a discretizacao de sinais de correntes da maquina operando em regime permanente, sob diferentes nıveisde carga empregando estes sinais como entradas do estimador. O diagnostico e a estimacao do nıvel de evolu-cao de um defeito de rolamento sao obtidos utilizando redes neurais artificiais do tipo perceptron multicamadas(PMC). Resultados experimentais obtidos a partir de 120 ensaios de laboratorio sao apresentados para validaresta proposta. Os resultados obtidos demonstram que e possıvel estimar com precisao o nıvel de evolucao de umadefeito de rolamento em motores de inducao a partir da amplitude dos sinais de corrente no domınio do tempo.

Palavras-chave— Estimacao, Falhas de rolamentos, Motor de Inducao Trifasico, Redes Neurais Artificiais

1 Introducao

Os motores de inducao trifasicos sao amplamenteutilizados em grande parte das aplicacoes indus-triais devido a sua construcao simples, robustez eelevada confiabilidade (Bellini et al., 2008).

A area de monitoramento e estimacao dascondicoes de operacao de motores de inducao trifa-sicos trata-se de um campo de pesquisa que aindadesperta grande interesse. Nos ultimos anos forampublicados uma quantidade significativa de artigosrelacionados a deteccao e ao diagnostico incipientede falhas nestas maquinas. Especialmente, as fa-lhas relacionadas com defeitos de rolamento temrecebido muita atencao, uma vez que compoemuma porcentagem substancial das falhas do mo-tor de inducao de uma forma global. Alem disso,

a literatura descreve que os resultados de detec-cao e diagnostico de falhas tem evoluıdo recente-mente, especialmente os relacionados a falhas deestator, rolamentos e barras quebradas de rotor(Riera-Guasp et al., 2015).

Na industria, muitos processos requerem va-riacoes de velocidade, ocasionando significativasalteracoes no perfil de acionamento de cargas aolongo da ultima decada. Assim, busca-se o au-mento da eficiencia energetica, da qualidade deenergia eletrica, do cumprimento de requisitos le-gais, bem como na geracao de benefıcios aos pro-prios usuarios. O monitoramento das condicoesde operacao destas maquinas atingiu significa-tiva relevancia, a medida que os mesmos fazemparte importante de muitos processos industriais

XIII Simposio Brasileiro de Automacao Inteligente

Porto Alegre – RS, 1o – 4 de Outubro de 2017

ISSN 2175 8905 1306

(Ghorbanian and Faiz, 2015).

Embora estes motores sejam usualmente bemconstruıdos e robustos, a possibilidade de falhas einerente a operacao do dispositivo. Defeitos inci-pientes dentro da maquina geralmente afetam seudesempenho antes mesmo que falhas significativasocorram, trazendo assim prejuızos ao processo in-dustrial. A aplicacao de metodologias de diagnos-tico permitem a execucao de procedimentos efi-cazes de manutencao e consequente aumento dedisponibilidade de processos (Seera et al., 2014).Diversos sao os metodos empregados no diagnos-tico e acompanhamento da evolucao de falhas nes-tas maquinas (Ghorbanian and Faiz, 2015; Riera-Guasp et al., 2015).

Falhas neste componente comumente podemser diagnosticadas de forma nao-invasiva por in-termedio do monitoramento quantitativo de va-riaveis como vibracao, corrente, temperatura, ve-locidade entre outros (Bellini et al., 2008; Yilmazand Ayaz, 2009; Abu-Rub et al., 2010). No en-tanto, a tecnica de analise da assinatura de cor-rente do motor (do ingles - MCSA) apresenta al-gumas vantagens baseadas no processo de moni-toramento. A tecnica MCSA nao requer sensoresespeciais, nao e invasiva e pode ser realizada deforma on-line, alem de questoes praticas em ins-talacoes industriais onde alguns motores podemoperar simultaneamente (Jung et al., 2017). Noentanto, os componentes de frequencia no espectroda corrente eletrica produzidos pelos defeitos derolamento sao comparativamente pequenos paraas demais frequencias (Blodt et al., 2008). Fatoeste explicado pelas vibracoes de energia relativa-mente baixas causadas pelos defeitos do rolamento(Zarei and Poshtan, 2006; Blodt et al., 2008).

De acordo com Seera et al. (2012), tecnicas dediagnostico que utilizam o monitoramento da assi-natura de corrente frequentemente sao implemen-tadas com menor custo em maquinas de diferentestamanhos devido ao seu facil controle mediante autilizacao de transformadores de corrente, dispen-sando a instalacao de sensores adicionais. A litera-tura descreve a utilizacao de diferentes tecnicas deanalise espectrais, como a transformada de Fou-rier (Tran et al., 2013), Wavelets (Seshadrinathet al., 2014) e transformada Hilbert-Huang (Zhuet al., 2014). No entanto, estas tecnicas tem adesvantagem de um alto custo computacional as-sociado.

Os sistemas inteligentes sao uteis para moni-torar varios tipos de falhas nestas maquinas, con-forme observado nas pesquisas de (Seera et al.,2014; Riera-Guasp et al., 2015). Entretanto, al-guns deles normalmente possuem muitos parame-tros de ajuste, levando a modelagem de instanciasde ruıdos como verdadeiras relacoes subjacentes.Esse fato torna na pratica que modelos complexos,treinados com um conjunto reduzido de observa-coes de falhas, apresentem falsas indicacoes das

reais condicoes de operacao da maquina, sem se-rem capazes de interpretar de forma adequada onıvel de evolucao de falhas em condicoes de opera-cao em tempo real. Particularmente, as tecnicascombinadas, baseadas no processamento de sinaise nos algoritmos de classificacao, apresentam re-sultados muito promissores neste sentido, como eo caso das abordagens baseadas em redes neurais(Seera et al., 2014).

Os rolamentos do motor de inducao trifasicosao os elementos que apresentam o maior ındicede falhas associadas a paradas indesejadas de mo-tores eletricos (Bellini et al., 2008; Riera-Guaspet al., 2015). Dentre as diversas causas de fa-lhas em MIT, os problemas de rolamentos sao res-ponsaveis por 50% a 90% das causas associadas aparadas indesejadas de motores eletricos (Belliniet al., 2008; Riera-Guasp et al., 2015). Este tipo defalha e comumente associada a causas tais como:desalinhamento da maquina, montagem incorretado rolamento, contaminacao, corrosao, lubrifica-cao insuficiente ou excessiva, sobrecarga mecanica,entre outras (Onel et al., 2009).

Assim, este trabalho apresenta a aplicacaode redes neurais tipo PMC para o diagnostico eestimacao do nıvel de severidade de uma falhade rolamento em um motor de inducao trifasico,tendo como parametros de entrada as amplitudesdos sinais de corrente do estator, no domınio dotempo. As estruturas foram treinadas e validadaspor meio de um conjunto composto por 120 en-saios experimentais, coletados sob diferentes con-dicoes de desgaste de um rolamento e nıveis decarga. Como resultado, sera investigada a evolu-cao de uma falha de rolamento, contribuindo comos estudos relacionados a predicao de falhas e a to-mada de decisao em relacao a parada da maquina.

Este artigo esta organizado da seguinte forma:a Secao 2, tem-se a metodologia proposta para ge-racao da falha, tratamento dos dados e parametrosde configuracao empregados nas redes. Os resul-tados experimentais sao apresentados na Secao 3.Finalmente, na Secao 4, as conclusoes finais dotrabalho sao apresentadas.

2 Metodologia

Os motores de inducao ao longo de sua vida util,sao suscetıveis a operacoes com cargas variaveis eoperacoes sob condicoes ambientais adversas, cau-sando o desgaste natural de suas partes. A cor-reta deteccao de defeitos no estagio inicial pro-pıcia melhor programacao de manutencao, redu-zindo custos e evitando falhas inesperadas (Belliniet al., 2008). No contexto deste trabalho, a es-timacao de falhas de rolamento e efetuada utili-zando redes PMC.

A literatura consultada mostra que algunstrabalhos cientıficos, tais como S. and Hegde(2016), utilizam procedimentos artificiais de inser-



1307

cao de falhas buscando controlar as diversas va-riaveis e assim tentar reproduzir as caracterısticasassociadas as falhas de rolamentos.

Assim, a abordagem para insercao de falha derolamentos utilizada considera a evolucao progres-siva do desgaste de um rolamento causada pelacontaminacao da lubrificacao durante a monta-gem, buscando assim a similaridade do processode desgaste do rolamento pelo uso excessivo, lu-brificacao inadequada e excesso de carga no eixo,fatores estes que conduzem o rolamento a sua con-sequente degradacao. Este tipo de situacao e co-mumente encontrada no ambiente industrial.

A bancada de ensaios experimentais utilizadaneste trabalho e constituıda por um motor de in-ducao trifasico tipo gaiola de esquilo, 4 polos, po-tencia nominal de 0,75 kW, 400 VAC, correntenominal de 1,9 A e velocidade nominal de 1395RPM, ligado em estrela.

A carga do motor e simulada com auxılio deum freio magnetico, sendo testadas duas condi-coes de carga (motor operando a vazio e motoroperando com a carga nominal). Para a coletados dados de tensoes e correntes de linha foramempregadas placas de condicionamento de sinalutilizando sensores de efeito Hall (LEM), e umaPAD modelo PCI-6250 M (16 entradas analogicas- 16-bit 1 MS/s) da National InstrumentsTM.

A taxa de aquisicao considerada para todosos testes foi de 25.000 amostras/s, e um tempo deaquisicao de 25 segundos, considerando desde o re-gime transitorio ate o permanente. Para medir avelocidade foi utilizado um sensor optico Datalo-gic modelo S60-PA-5-W08-NH. A Figura 1 mostraa bancada utilizada no laboratorio de maquinaseletricas da Universidade de Valladolid.

Figura 1: Bancada de ensaios experimentais

Para os testes foi utilizado um rolamento rı-gido de uma carreira de esferas da marca SKF,modelo 6004, com um diametro interno 20 mme diametro externo de 42 mm. Inicialmente, umrolamento novo foi usado para geracao dos dadosrelativos ao motor operando em condicao sauda-vel. Em seguida, foram executados os testes nacondicao rolamento com defeito, onde a graxa do

rolamento dianteiro foi contaminada com carbetode silıcio (SiC), um material ceramico com altaresistencia a erosao, corrosao e alto ciclo termico.

Os primeiros testes, realizados imediatamenteapos a contaminacao da lubrificacao, foram con-siderados como o estagio inicial na evolucao dafalha. Entao, para obter a evolucao de diferen-tes estagios do desgaste do rolamento, o motorfoi acionado de forma ininterrupta durante um in-tervalo de 12 horas, operando a vazio. Este pro-cedimento foi repetido para cada uma das condi-coes descritas acima, durante um perıodo de 10dias onde ocorreu a completa degradacao do rola-mento. Cada um dos 10 dias de testes representaum grau de evolucao no desgaste do rolamento emestudo neste trabalho. O banco de dados com-preende 120 ensaios experimentais realizados sobdiferentes condicoes de velocidade e conjugado decarga.

2.1 Tratamento dos dados de entrada

Os metodos empregados para reducao da dimen-sao dos dados de entrada sao extremamente im-portantes na area de aprendizagem de maquinas ereconhecimento de padroes. O pre-processamentode dados de alta dimensao por uma ferramentaadequada, pode conduzir a um menor custo com-putacional alem de uma melhora na interpretacaodas caracterısticas de interesse associadas ao sinalem analise.

Assim, a metodologia proposta considera autilizacao da discretizacao dos sinais das amplitu-des das correntes do estator, no domınio do tempo,apresentadas como entradas, visando estimar o nı-vel de evolucao de uma falha de rolamento.

Considerando que um motor em operacao comfalhas apresenta um sinal caracterıstico ao longodo tempo, a fim de otimizar o conjunto de da-dos, tres semi-ciclos do sinal positivo sao aleato-riamente escolhidos para representar cada expe-rimento. Os sinais de corrente sao normalizadospelo seu valor de pico. Este procedimento garanteque estes dados possam ser utilizados indepen-dente do nıvel de carga ou de frequencia.

Assim, 50 pontos por semi-ciclo de cada sinalde corrente (Ia, Ib e Ic) sao extraıdos, bem comoo valor da amplitude de cada ponto das correntesdo estator sao apresentados como entradas paraos algoritmos de classificacao, a partir da discre-tizacao linear do sinal, que e capaz de traduzir ainformacao necessaria sem descaracterizar a formade onda, seguindo o metodo proposto por do Nas-cimento et al. (2011).

Como os sinais representam as correntes deestator, faz-se necessario a montagem de um ve-tor coluna com pontos adquiridos sequencialmentepara cada uma das fases do sistema, criando umamatriz de entrada de 150 pontos. Uma breve des-cricao dos processos de aquisicao, processamento



1308

e estimacao do nıvel de evolucao de uma falha derolamentos e mostrada na Figura 2.

Figura 2: Fluxograma da metodologia de deteccaode falhas baseada na discretizacao dos sinais decorrente.

2.2 Estruturas de Classificacao

Os dados sao aleatoriamente apresentados as es-truturas de classificacao binaria (classificacao demotor saudavel/motor com falha de rolamento) eestimacao do nıvel de severidade da falha (redePMC implementada como aproximador funcio-nal), de tal forma que as amostras apresentadasas redes representem todo o domınio de operacaoda maquina. Os dados experimentais foram di-vididos em dois grupos: treinamento e validacao(percentual 70/30), e os conjuntos foram subme-tidos para execucao via software Matlab.

O algoritmo de treinamento destas redes PMCe o backpropagation, que tem a funcao de encon-trar as derivadas da funcao de erro com relacaoaos pesos e bias da RNA. Neste trabalho, foramutilizados 76 neuronios na camada intermediariapara ambas as estrategias, considerando topolo-gias com 150 entradas.

Conforme (Godoy et al., 2014) observa-se quea funcao de ativacao tangente hiperbolica na ca-mada intermediaria e funcao de ativacao linearna camada de saıda apresentaram os melhores re-sultados. O parametro taxa de aprendizado (η)apresenta forte influencia sobre o tempo de trei-namento, e neste trabalho este parametro foi de-finido como 0,01.

Como criterio de parada, foi estabelecido oerro quadratico medio (EQM) de 5.10−5. Nova-mente, para ambas as estrategias foi consideradoapenas 1 neuronio na camada de saıda. O detalha-mento profundo e a base cientifica dos conceitossobre redes neurais artificiais podem ser encontra-dos em (Silva et al., 2010).

3 Resultados experimentais

As topologias propostas para os classificadores fo-ram submetidas ao treinamento utilizando as am-plitudes dos sinais das correntes trifasicas, ondecada ponto e apresentado como uma entrada paraos classificadores, resultando assim em 3 amostrasreferentes a cada ensaio experimental realizado.

3.1 Classificacao binaria

Primeiramente, considera-se uma classificacao bi-naria de apenas dois estados, a saber: (i) rola-mento saudavel correspondente a Condicao 1 e (ii)rolamento com defeito, correspondendo as Condi-coes de 2 a 5, conforme definido na Secao 3.

A Tabela 1 apresenta os resultados de classifi-cacao do conjunto composto por 120 ensaios expe-rimentais, utilizadas para treinamento e validacaodo classificador PMC configurado para o diagnos-tico de motor operando com rolamento saudavel emotor operado com rolamento defeituoso.

Tabela 1: Resultados experimentais - Classifica-cao binaria de falhas de rolamentos

Atributos ResultadosAcuracia (%) 98,8

Estatıstica Kappa 0,97Falso positivo 4Falso negativo 1

3.2 Estimador neural de nıvel de severidade

Em seguida, sao apresentados os resultados consi-derando a estimacao da evolucao progressiva dodesgaste de um rolamento utilizando uma redePMC implementada como aproximador funcional.

Neste cenario os conjuntos de amostras repre-sentando cada um dos 10 dias de testes foram defi-nidos como escala (0,1 - 1,0) representando a evo-lucao progressiva do nıvel de desgaste, desde umafalha incipiente, seguindo por uma falha interme-diaria, evoluindo para uma falha avancada, ateatingir um nıvel crıtico (nıvel atribuıdo as amos-tras referentes ao nono e decimo dias de testes),onde a imediata substituicao do rolamento faz-senecessaria visando manutencao da integridade doprocesso.

Como esperado, os resultados sao diferentespelo processo de aproximacao quando comparadosaos resultados obtidos atraves da classificacao bi-naria, onde apenas duas condicoes extremas foramconsideradas. Embora de um ponto de vista algo-rıtmico, e importante classificar corretamente to-dos os estados, a partir de uma perspectiva de ma-nutencao, e especialmente relevante prever o se-gundo estado corretamente, uma vez que o mesmocorresponde ao acompanhamento do nıvel de de-feito desde uma falha incipiente ao longo de sua



1309

Figura 3: Estimador neural da evolucao do des-gaste de uma falha de rolamento

evolucao ate que seja atingida uma condicao crı-tica.

Da mesma forma, algumas classificacoes in-corretas sao mais relevantes do que outras. Porexemplo, as previsoes incorretas entre as Condi-coes 2 e 3 nao sao susceptıveis de repercussoes im-portantes no processo, mas, pelo contrario, umaclassificacao incorreta entre as condicoes 2 e 5 pos-suem impacto direto na tomada de decisao em re-lacao a parada da maquina

A Figura 3 apresenta os resultados da estima-cao da evolucao progressiva do desgaste causadoem um dado rolamento apos execucao de um pro-cedimento incorreto de lubrificacao. Observa-seque o eixo y do referido grafico apresenta o nıvelde desgaste em funcao do numero de dias (nor-malizado), e o eixo x representa a quantidade deamostras de validacao.

Fica evidente por meio da Figura 3, que aoestimar amostras referentes a uma condicao de de-feito muito incipiente, como as condicoes 1 e 2, queo sistema tende a ter um desempenho mais baixode estimacao. Quando sao utilizadas as amostrasreferentes as condicoes 3, 4 e 5 observa-se que odesempenho de estimacao apresenta melhora nodesempenho.

Os resultados obtidos a partir do teste de vali-dacao apresentaram erro relativo medio de 16,34%e a variancia do erro foi 2,13%, considerando acomplexidade do problema abordado e principal-mente levando em conta o fato de serem utilizadasamostras obtidas a partir de diferentes nıveis defalhas e condicoes de carga. Estes resultados va-lidam a eficiencia da metodologia de insercao defalhas proposta visando a estimacao do desgasteprogressivo de um defeito de rolamento.

4 Conclusoes

Neste artigo e apresenta uma abordagem baseadaem redes tipo PMC para o diagnostico e estima-

cao da evolucao de uma falha de rolamento emmotores de inducao, obtida a partir da contami-nando da graxa de lubrificacao. Foram definidas5 condicoes distintas de nıveis de evolucao de umafalha de rolamento.

Os testes foram realizados utilizando umbanco de dados composto por varios sinais de ummotor operando sob diferentes condicoes de cargae diversos nıveis de evolucao de um defeito de ro-lamento.

Os resultados confirmaram que a abordagemproposta para o tratamento dos sinais de correntedos motores na deteccao de defeitos de rolamentose eficiente, apresentando 98% de acuracia na iden-tificacao binaria de uma falha de rolamento alemde propiciar a estimacao do nıvel de evolucao dedefeito em uma dada amostra, independente dascondicoes de operacao do motor.

A avaliacao do nıvel de severidade trata-se deuma ferramenta auxiliar no processo de tomadade decisao.

Agradecimentos

Os autores agradecem as contribuicoes da CA-PES (processo BEX 0309/15-0), “Ministerio deEconomıa y Competitividad” (MINECO) do go-verno da Espanha e o programa FEDER “Proyec-tos I+D del Subprograma de Generacion de Co-nocimiento, Programa Estatal de Fomento de laInvestigacion Cientıfica y Tecnica de Excelencia”(Processo # DPI2014-52842-P) e a UniversidadeTecnologica Federal do Parana - Campus CornelioProcopio, pelo apoio financeiro para o desenvolvi-mento desta pesquisa.

Referencias

Abu-Rub, H., Ahmed, S., Iqbal, A., Rahimian,M. and Toliyat, H. (2010). Incipient bearingfault diagnostics for inverter fed inductionmotor drive using anfis, XIX InternationalConference on Electrical Machines (ICEM),pp. 1–5.

Bellini, A., Filippetti, F., Tassoni, C. and Ca-polino, G.-A. (2008). Advances in diag-nostic techniques for induction machines,IEEE Transactions on Industrial Electronics55(12): 4109–4126.

Blodt, M., Granjon, P., Raison, B. and Rostaing,G. (2008). Models for bearing damage detec-tion in induction motors using stator currentmonitoring, IEEE Transactions on IndustrialElectronics 55(4): 1813–1822.

do Nascimento, C. F., de Oliveira Jr., A. A., Goed-tel, A. and Serni, P. J. A. (2011). Harmonicidentification using parallel neural networks



1310

in single-phase systems, Applied Soft Com-puting 11(2): 2178 – 2185.

Ghorbanian, V. and Faiz, J. (2015). A sur-vey on time and frequency characteristicsof induction motors with broken rotor barsin line-start and inverter-fed modes, Mecha-nical Systems and Signal Processing 54 -55(0): 427 – 456.

Godoy, W., da Silva, I., Goedtel, A., Palacios, R.and Gongora, W. (2014). Neural approachfor bearing fault classification in inductionmotors by using motor current and voltage,2014 International Joint Conference on Neu-ral Networks (IJCNN), pp. 2087–2092.

Jung, J., Park, Y., Lee, S. B., Cho, C. H., Kim, K.,Wiedenbrug, E. J. and Teska, M. (2017). Mo-nitoring journal-bearing faults: Making useof motor current signature analysis for in-duction motors, IEEE Industry ApplicationsMagazine PP(99): XX1–XX1.

Onel, I., Aycicek, E. and Senoll, I. (2009). An ex-perimental study, about detection of bearingdefects in inverter fed small induction mo-tors by concordia transform, Journal of In-telligent Manufacturing 20(2): 243–247.

Riera-Guasp, M., Antonino-Daviu, J. A. and Ca-polino, G. A. (2015). Advances in electricalmachine, power electronic, and drive condi-tion monitoring and fault detection: Stateof the art, IEEE Transactions on IndustrialElectronics 62(3): 1746–1759.

S., M. G. and Hegde, V. (2016). Applicationof mems accelerometer for detection and di-agnosis of multiple faults in the roller ele-ment bearings of three phase induction mo-tor, IEEE Sensors Journal 16(1): 145–152.

Seera, M., Lim, C., Ishak, D. and Singh, H. (2012).Fault detection and diagnosis of inductionmotors using motor current signature analy-sis and a hybrid fmm-cart model, IEEE Tran-sactions on Neural Networks and LearningSystems 23(1): 97–108.

Seera, M., Lim, C. P., Nahavandi, S. and Loo,C. K. (2014). Condition monitoring of induc-tion motors: A review and an application ofan ensemble of hybrid intelligent models, Ex-pert Systems with Applications 41(10): 4891– 4903.

Seshadrinath, J., Singh, B. and Panigrahi, B.(2014). Investigation of vibration signa-tures for multiple fault diagnosis in vari-able frequency drives using complex wave-lets, IEEE Transactions on Power Electro-nics, 29(2): 936–945.

Silva, I. N., Spatti, D. H. and Flauzino, R. A.(2010). Redes Neurais Artificiais Para Enge-nharia e Ciencias Aplicadas, ArtLiber, SaoPaulo.

Tran, V. T., AlThobiani, F., Ball, A. and Choi,B.-K. (2013). An application to transient cur-rent signal based induction motor fault diag-nosis of fourier bessel expansion and simpli-fied fuzzy artmap, Expert Systems with Ap-plications 40(13): 5372 – 5384.

Yilmaz, M. and Ayaz, E. (2009). Adaptive neuro-fuzzy inference system for bearing fault de-tection in induction motors using tempera-ture, current, vibration data, IEEE EURO-CON 2009, pp. 1140–1145.

Zarei, J. and Poshtan, J. (2006). An advancedpark’s vectors approach for bearing fault de-tection, 2006 IEEE International Conferenceon Industrial Technology, pp. 1472–1479.

Zhu, H., Hu, J., Gao, L. and Huang, H. (2014).Fault diagnosis of broken rotor bars ofinverter-fed squirrel-cage induction motor atno-load using supply-side current based onhilbert demodulation technique, Yi Qi YiBiao Xue Bao/Chinese Journal of ScientificInstrument 35(1): 139–147.



1311

estimador neural de severidade de … neural de severidade de falhas de rolamentos em motores de...

Documents