prognÓstico e detecÇÃo de falhas em plantas … · partidas ou paradas ou falhas nos...
TRANSCRIPT
PROGNÓSTICO E DETECÇÃO DE FALHAS EM PLANTAS INDUSTRIAIS
LUCIANO M. TEIXEIRA, MARLON R. GOUVÊA, RODRIGO O. S. ASSIS, HENRIQUE R. O. SOUZA,
MARCO A. SILVEIRA
Gerdau – Usina Ouro Branco
MG 443 Km 07 – Fazenda do Cadete – CEP 36420-000 - Ouro Branco – MG
Brasil - Tel: 5531 3749 2524
E-mails: [email protected],
[email protected],[email protected]
[email protected], [email protected]
Abstract: In this work fault prognostic and detection methods based on Computational Intelligence are presented as an important allied to industries, considering their processes that demand high productivity as important factor to global
competitiveness. In that direction, fault prognostic and detection applications to rotary machines and hydraulic systems that have
as base Evolutionary Algorithm of Gaussian Participative Cluster are presented, as well as, the platform architecture developed to support those applications.
Keywords: Fault prognostic, fault detection, evolutionary algorithm, maintenance.
Resumo 2: Neste trabalho a aplicação de métodos de prognóstico e detecção de falhas com base em Inteligência Computacional são apresentados como aliados da indústria, dentro dos processos produtivos que demandam alta produtividade como fator
decisivo para a competitividade global. Para tanto, aplicações de prognóstico e detecção de falhas em máquinas rotativas e em
sistemas de controle hidráulicos que utilizam Algoritmo Evolutivo de Agrupamentos Participativos Gaussianos são apresentadas, bem como a arquitetura da plataforma desenvolvida para suportar tais aplicações.
Palavras-chave: Prognóstico de falhas, detecção de falhas, algoritmos evolutivos, manutenção.
1 Introdução
Nos dias atuais, o processo de globalização colocou
as indústrias de praticamente todo o mundo frente à
necessidade de trabalharem com altos níveis de
produtividade, sendo este, fator determinante de
sobrevivência de muitas delas. O conceito de se fazer
mais com menos se tornou uma das pautas principais
do mundo moderno. Neste contexto, a simples
redução da mão-de-obra não necessariamente
significa maior produtividade. Se esta não estiver
aliada a melhor qualificação profissional desta mão-
de-obra e, principalmente, à maior eficiência dos
processos industriais, dificilmente será possível se
obter a desejada mudança de patamar da
produtividade.
Este trabalho tem o objetivo de contribuir para o
aumento da produtividade industrial a partir da
utilização de metodologias de diagnóstico e
prognóstico de falhas em plantas industriais. A base
desta proposta é a utilização do Algoritmo Evolutivo
de Agrupamentos Participativos Gaussianos (Lemos,
2011) no diagnóstico e detecção de falhas em
máquinas rotativas e em sistemas de controle
hidráulico.
Além disto, a plataforma utilizada como suporte
das aplicações descritas neste trabalho, bem como
para todo o processo de manutenção de uma planta
industrial de grande porte é apresentada. de forma
sucinta.
2 Inteligência computacional aplicada no
Prognóstico e Detecção de falhas
A utilização de Inteligência Computacional em
processos industriais no Brasil vem se expandindo ao
longo dos anos. A utilização de uma estrutura neuro-
fuzzy para detecção e diagnóstico de falhas em
acionamentos elétricos de corrente contínua de alta
potência, tendo como foco falhas na comutação de
tiristores, curto-circuito em conversores duais, além
de falhas de sensores são tratados em (Gouvêa,
2002).
Sistemas inteligentes com base em redes neurais
são amplamente utilizados atualmente para detecção
e isolamento de falhas em motores de indução
trifásicos. Em (Neto, 2006) falhas de origem
mecânica e elétrica tais como falhas de rolamentos,
alinhamento do mancal, desbalanceamento, curto-
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
4226
circuito entre espiras, quebra de barra do rotor e
abertura de enrolamento do estator são tratadas.
A metodologia do Algoritmo de Agrupamento
Participativo Modificado, tendo como base Sistemas
Evolutivos Inteligentes é utilizada em (Braga, 2010)
na detecção e diagnóstico de falhas em motores de
indução, apresentando robustez frente a ruídos
gerados durante as transições entre os vários pontos
de operação do sistema de acionamento considerado.
2 Sistema de Monitoramento e Diagnóstico
Online – SMDO
A figura 1 traz a configuração básica do Sistema de
Monitoramento e Diagnóstico Online – SMDO, que é
a plataforma de aplicação das metodologias de
prognóstico e diagnóstico de falhas em máquinas
rotativas e em sistemas de controle hidráulicos
apresentadas neste trabalho.
Figura 1 – SMDO – Sistema de Monitoramento e Diagnóstico
Online
Este sistema possui uma base de dados onde as
principais variáveis do processo produtivo são
armazenadas dentro de uma freqüência de
amostragem condizente com as necessidades dos
algoritmos de prognóstico e detecção de falhas.
Assim, variáveis digitais e contínuas tais como
velocidade, corrente, pressão, fluxo, posição,
indicadores de presença, etc., são disponibilizadas em
tempo real, além de comporem um vasto histórico de
dados, conforme representado pelo bloco de dados.
Desta forma, os dados necessários para o
desenvolvimento de métodos para detecção e
prognóstico de falhas são disponibilizados.
Além disto, esta plataforma permite que as
inspeções de equipamentos que envolvam a
verificação de parâmetros tais como temperatura,
pressão, vazão, etc., sejam feitas sem grande
dispêndio de tempo, principalmente se as
informações necessárias estiverem agrupadas por
equipamentos, processos, ou mesmo por rotas de
inspeção. O método convencional de inspeção
parametrizada, ou seja, inspeções feitas diretamente
no local de instalação do equipamento onde são
verificados se valores das variáveis estão dentro de
uma faixa normal de trabalho, demandam tempo
significativo para serem realizadas. Também é
importante considerar o fator de segurança, levando-
se em conta uma menor exposição do homem aos
ambientes de riscos. Por fim, vale observar, que esta
plataforma também proporciona acesso a toda a
documentação técnica do processo, tendo um sistema
de navegação baseado em imagens intuitivo para
quem o utiliza, contribuindo diretamente para a
redução do tempo de pesquisa de falhas.
3 O processo de Manutenção
A manutenção pode ser definida como o conjunto de
atividades e recursos aplicados aos sistemas e
equipamentos, visando garantir a continuidade de sua
função dentro de parâmetros de disponibilidade, de
qualidade, de prazo, de custos e de vida útil
adequada.
Existe uma grande variedade de denominações de
tipos de manutenção, dos quais vale a pena destacar
os três principais: corretiva, preventiva e preditiva.
A manutenção corretiva é a atuação para a
correção da falha ou do desempenho. Ela pode ser
planejada ou não. A manutenção corretiva não
planejada ocorre de maneira aleatória, não havendo
tempo para preparação do serviço implicando em
altos custos devido as perdas de produção, perda de
qualidade do produto e elevados custos indiretos de
manutenção. Além disso, as quebras aleatórias
„podem ter consequências graves para o
equipamento, provocando danos maiores, ou até
mesmo risco de acidentes com pessoas. Este tipo de
manutenção deve ser aplicado quando os custos da
manutenção corretiva envolvidos são menores que os
custos da manutenção preventiva ou preditiva, ou
quando estas não podem ser aplicadas ao
equipamento, seja por indisponibilidade de parada ou
impossibilidade de monitoração e diagnóstico do
estado de funcionamento do mesmo.
A manutenção preventiva tem o objetivo de
reduzir ou evitar a falha ou queda no desempenho,
obedecendo a um plano previamente elaborado,
baseado em intervalos de tempo previamente
definidos. A principal dificuldade neste tipo de
manutenção é a definição do intervalo de tempo, que
pode levar inicialmente a ocorrência de falhas antes
de completar o período estimado ou a abertura do
equipamento/substituição de componentes
prematuramente. A manutenção preventiva permite
um bom planejamento das atividades e dos recursos
necessários, porém ela pode introduzir defeitos
devido à falha humana ou de sobressalentes,
contaminações no sistema de óleo, danos durante
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
4227
partidas ou paradas ou falhas nos procedimentos de
manutenção.
A manutenção preditiva é realizada com base em
monitoramento de parâmetro de condição ou
desempenho. Seu objetivo é permitir a operação
contínua do equipamento pelo maior tempo possível.
As intervenções no equipamento são planejadas e só
acontecem quando os sinais monitorados indicam a
existência de uma falha incipiente, antes do
equipamento interromper a produção. É o tipo de
manutenção que possui maior eficiência, e sua
evolução está relacionada com a evolução
tecnológica. A principal dificuldade neste tipo de
manutenção está relacionada ao processo de análise e
diagnóstico dos sinais. Não basta medir, é necessário
ser capaz de analisar os resultados e predizer a falha.
É muito comum encontrar em empresas sistemas de
coleta e registro de informações para a manutenção
preditiva sem produzir ações de intervenção com a
mesma qualidade dos dados registrados.
4 Análise de vibração em maquinas rotativas
Um dos métodos mais importantes utilizados na
manutenção preditiva é a análise de vibração de
máquinas rotativas. Usando análise de vibração a
máquina pode ser monitorada continuamente e uma
análise mais detalhada pode ser feita sobre suas
condições atuais, bem como sobre a tendência de
falhas futuras.
O sinal de vibração pode ser usado para
identificar um padrão que caracteriza um
determinado estado da máquina. Muitas vezes é
necessário aplicar algum tratamento do sinal para
extrair determinada característica. As análises podem
ser feitas no domínio do tempo ou da frequência.
Neste caso utiliza-se a transformada de Fourier.
A análise de vibração pode ser utilizada para
detectar falhas incipientes (prognóstico) ou quando
elas acontecem, e também diagnosticar qual é a falha.
A dificuldade para se identificar uma falha é
determinar os parâmetros que devem ser monitorados
e também o gatilho para indicar a existência da falha.
É muito comum encontrar nas indústrias sistemas de
monitoramento de vibração apresentando falsos
alarmes, porque o gatilho está ajustado para um nível
de vibração muito baixo. Também é comum que estes
sistemas não detectem a falha incipiente e nem
mesmo quando ela acontece porque o gatilho está
ajustado para um nível de vibração muito alto.
Uma das propostas deste trabalho é a de utilização
de um Algoritmo Evolutivo de Agrupamento
Participativo Gaussiano para detectar o reconhecer os
modos de trabalho de uma máquina rotativa, e
detectar quando ocorre uma mudança, sem a
necessidade de definição dos gatilhos para alarme.
Para verificar o funcionamento do algoritmo,
serão utilizados dados reais de duas falhas que
ocorreram em um formador de espiras de uma planta
de laminação de fio-máquina. Nas duas falhas foram
utilizados dados coletados um mês antes que o
equipamento parasse devido ao problema. A primeira
falha foi causada por danos no rolamento e a segunda
por folga no eixo.
O algoritmo inicia o monitoramento sem
informações das falhas, e quando é detectada
mudança no modo de operação da máquina é
necessária a intervenção do mantenedor da máquina
para classificar o novo modo. Na segunda falha o
algoritmo utiliza o aprendizado da primeira para
detectar a falha incipiente sem necessidade de
intervenção do mantenedor, mesmo sendo falhas
diferentes.
5 Falhas em sistemas de controle hidráulico
Em sistemas hidráulicos empregados em processos
de alta precisão, comumente são utilizadas válvulas
proporcionais para controle de força, posição e
velocidade. O controle destas variáveis é realizado
por controladores que emitem sinais elétricos de
comando para as válvulas hidráulicas. Conhecendo-
se o padrão de operação destes sinais de entrada,
bem como dos sinais de saída deste sistema, torna-se
possível o diagnóstico de falhas através do uso de
sistemas computacionais inteligentes (Filho, 2009),
(Jayaswal, 2008).
Uma válvula proporcional é composta
basicamente por carcaça (1), solenóide proporcional
(2), êmbolo ou carretel de comando (3), circuito
eletrônico (4) e captador indutivo de curso (5),
conforme figura 3. O controle proporcional é obtido
através da aplicação de corrente no solenóide que
cria um campo magnético gerando uma força de
deslocamento no carretel. Esta força é proporcional a
corrente, e o deslocamento do carretel libera a
passagem do fluxo de óleo hidráulico do pórtico P
para A ou B. Variando-se este fluxo de corrente,
varia-se o fluxo de óleo e obtém-se o controle da
variável de processo. O controle de velocidade e
posição normalmente é feito por monitoramento do
atuador através de transdutores de posição. Já o
controle de força é realizado por monitoramento de
pressão.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
4228
Figura 2 – Válvula Proporcional
As características dos componentes hidráulicos,
tais como, histerese, curva de vazão em função do
deslocamento do carretel, precisão de repetibilidade,
entre outros, sofrem variações devido ao desgaste
natural dos componentes mecânicos e possíveis
contaminações do óleo hidráulico. Para manter as
variáveis de processo constantes e a máquina em
boas condições de funcionamento, o controlador da
válvula proporcional desloca o seu ponto de
operação. Conhecendo o padrão inicial de operação, é
possível monitorar e verificar quando este está se
alterando.
A proposta deste trabalho é a de se utilizar um
sistema computacional inteligente, com base em um
Algoritmo Evolutivo de Agrupamento Participativo
Gaussiano, que através do monitoramento contínuo
de um sistema hidráulico com controle proporcional,
permita a identificação das mudanças do ponto de
operação deste sistema. Pretende-se, além disso, a
identificação dos modos de falha do sistema, tais
como desgaste de carretel, desgaste de atuador e
contaminação do óleo hidráulico.
6 Algoritmo Evolutivo de Agrupamento
Participativo Gaussiano
Para realizar a classificação do comportamento da
máquina, é utilizado o Algoritmo Evolutivo de
Agrupamento Participativo Gaussiano (Lemos,
2011). O algoritmo adquire o conhecimento através
de novas observações e o aprendizado é afetado pelo
conhecimento atual do processo. Isso torna o
algoritmo robusto a ruídos e “outliers” porque eles
são incompatíveis ao conhecimento atual do modelo,
logo eles são descartados ou suavizados no processo
de aprendizado.
O algoritmo assume que o conhecimento do
sistema é modelado pela estrutura de grupos. Os
parâmetros desta estrutura são o número de grupos c,
o centro de cada grupo vi, onde i = 1, ..., c e a forma
dos grupos definida pela matriz de dispersão ∑. A
cada nova observação o algoritmo pode criar novos
grupos, modificar os parâmetros dos grupos
existentes ou unir grupos similares.
A atualização dos grupos é afetada pela medida
de compatibilidade ρi. No algoritmo proposto em
(Lemos, 2011) a atualização também é afetada pelo
índice de alerta, que neste caso não foi utilizado por
não mostrar melhoria no resultado.
A medida de compatibilidade utiliza a distância
entre o novo ponto observado e o centro de cada
grupo normalizado pela matriz de dispersão de cada
grupo, conforme segue abaixo:
(1)
Para o calculo da distância, a matriz de dispersão
é calculada recursivamente:
(2)
O valor inicial da matriz de dispersão pode ser
predefinido com o conhecimento do processo, ou
utilizando dados para treinamento off-line.
Finalmente a medida de compatibilidade é dada
por:
(3)
Uma vez definida a medida de compatibilidade, é
necessário definir um gatilho para determinar se o
grupo com maior índice é compatível ou não. Para
evitar a maldição de dimensionalidade é utilizada a
distribuição chi-quadrado com intervalo de
confidência sendo definido pelo conhecimento do
processo e o número de graus de liberdade definido
pelo número de entradas. Segue a equação do
gatilho:
(4)
A cada nova observação, é calculada a medida de
compatibilidade do novo ponto com cada grupo
conforme equação 4. Se o maior índice de
compatibilidade encontrado for maior que o gatilho,
o centro do grupo é atualizado conforme abaixo:
(5)
Onde G é definido por:
(6)
Dessa forma a taxa de aprendizado é modulada
pelo índice de compatibilidade, fazendo com que os
pontos menores compatíveis, ou mais distantes do
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
4229
grupo, representem menor influência do que aqueles
com maior compatibilidade.
Além de não utilizar o índice de alerta no cálculo
da taxa de aprendizado, outra modificação foi o
critério de criação de um novo grupo.
Quando o maior índice de compatibilidade é
menor que o gatilho, o novo ponto é considerado
inicialmente um outlier e um grupo é criado com o
centro igual ao ponto e matriz de dispersão com valor
inicial. Este grupo não é considerado para classificar
o modo de operação, mas é utilizado para verificar a
compatibilidade com os próximos pontos que serão
observados.
Quando um determinado número de pontos é
alcançado para este grupo outlier ele passa a ser
considerado para a classificação. A classe desse novo
grupo é determinada pela intervenção do operador ou
mantenedor. O número de pontos necessário para o
grupo deixar de ser outlier é um parâmetro do
classificador.
Quando o índice de alerta é utilizado, um novo
grupo é criado quando o novo ponto não é compatível
e o índice de alerta é maior que o gatilho. O índice de
alerta aumenta quando um número de pontos com
baixa compatibilidade aumenta, mesmo que os
pontos com baixa compatibilidade estejam distantes
entre eles. Dessa forma, o centro do grupo criado
quando o índice de alerta ultrapassa o gatilho é
definido pelo ponto observado, mesmo que ele não
tenha nenhuma compatibilidade com os pontos
outliers observados anteriormente que contribuíram
para aumentar o índice de alerta. Isso faz com que
novos grupos possam ser criados por pontos outliers
de acordo com a figura 3.
Figura 3 – Outliers
7 Resultados Práticos
7.1 Prognóstico e Detecção de falhas em máquinas
rotativas
Para verificar a eficiência do algoritmo, foram
utilizados dados de vibração de um formador de
espiras de uma linha de laminação de fio-máquina.
Esta é uma máquina que trabalha com altas
velocidades e altas cargas, condição que faz que o
rolamento trabalhe na sua capacidade máxima.
Foram utilizados dados que representam o
comportamento normal da máquina e a evolução de
duas falhas até o momento em que foi necessário
parar a máquina para manutenção. Para a primeira
falha, iniciou-se a coleta de dados com a criação de
um grupo; 8 dias depois um segundo grupo foi
criado, representando a presença de uma falha
incipiente; 2 dias depois um terceiro grupo foi criado
representando a progressão da falha; e 3 dias depois
a máquina parou em função da falha e a coleta de
dados foi interrompida. Para a segunda falha,
iniciou-se a coleta com a criação de um grupo; 7 dias
depois um segundo grupo foi criado indicando a
presença de uma falha incipiente; 2 dias depois a
máquina parou apresentando a segunda falha.
O sinal utilizado como entrada do algoritmo foi a
energia RMS de vibração, e sua taxa de variação. A
medição de vibração é feita por acelerômetros
instalados no equipamento. Estes acelerômetros são
ligados em um multiplexador, e é feita uma leitura a
cada 1 hora.
Para a primeira falha o classificador tinha
nenhuma informação sobre os modos de
funcionamento do equipamento, ou seja, não tinha
nenhum grupo. Inicialmente foi criado um grupo,
identificando o comportamento normal do
equipamento, conforme a figura 4. Após alguns dias
de operação outro grupo foi criado, identificando
uma modificação no funcionamento do equipamento
de acordo com a figura 5. Após mais alguns dias um
terceiro grupo é criado e o número de outliers
aumenta como é mostrado na figura 6. O segundo
grupo indica a falha incipiente e o terceiro grupo
indica a falha do equipamento, que neste caso foi a
quebra do rolamento.
Figura 4 – Grupo 1 – Comportamento normal
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
4230
Figura 5 – Grupo 2 – Mudança de comportamento (falha
incipiente)
Figura 6 – Grupo 3 – Falha no equipamento
Os dados da segunda falha foram aplicados no
algoritmo que já possuía informações adquiridas da
primeira falha, ou seja, ele já tinha os grupos que
identificavam os modos de funcionamento do
equipamento. Neste caso, inicialmente o
funcionamento do equipamento foi classificado como
normal conforme a figura 7, após alguns dias foi
classificado como falha incipiente, como mostrado na
figura 8. Neste caso o equipamento foi parado para
manutenção antes que ocorresse a quebra. A
mudança de funcionamento neste caso foi provocada
por uma folga no eixo.
Figura 7 – Grupo 1 – Comportamento normal
Figura 8 – Grupo 2 – Falha incipiente
7.2 Prognóstico e Detecção de falhas em sistemas
hidráulicos
Dentro dos processos industriais, os sistemas
hidráulicos desempenham um papel fundamental,
tanto do ponto de vista de acionamentos que
requerem a movimentação de equipamentos, quanto
na integração com os sistemas automação nos
processos de controle.
Neste sentido, elementos de controle hidráulico, tais
como válvulas proporcionais e servas-válvulas, são
largamente utilizados para controle de movimentos.
Desta forma, neste item se discute um dos principais
modos de falhas em válvulas proporcionais, que é o
desgaste de um de seus elementos internos, o
carretel. São realizados ensaios para a caracterização
deste modo de falha, procedendo-se a sua
identificação através do Algoritmo Evolutivo de
Agrupamento Participativo Gaussiano.
A figura 9 apresenta o diagrama esquemático da
bancada de testes montada para a obtenção dos dados
de falhas em válvulas proporcionais. Apesar de neste
trabalho o foco ser desgaste de carretéis, pretende-se
na sequência dos testes, a obtenção de dados
referentes a outros modos de falhas, tais como
contaminação de óleo e vazamentos em atuadores.
Dentro deste processo de caracterização de falhas, as
informações obtidas são submetidas ao classificador
para a criação dos grupos que representam os
diferentes tipos de falhas. Vale observar que neste
caso, estarão sendo utilizados conhecimentos prévios
em relação às falhas para a classificação das mesmas.
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
4231
Figura 9 – Diagrama esquemático do sistema de aquisição de
dados de falhas em válvula proporcional utilizado
A figura 10 apresenta os resultados obtidos pelo
classificador em relação à condição normal de
operação e em relação à condição de falha na válvula
proporcional devido a desgaste no carretel. Vale
ressaltar que estes resultados foram obtidos com o
controle desta válvula sendo feito em malha aberta.
Figura 10 – Separação de pontos de operação da válvula
proporcional
Por fim, vale salientar que o sistema de aquisição de
dados representado esquematicamente na figura 9
permite que sejam feitas outros estudos de falhas em
sistemas de controle hidráulico, o que permite uma
nova abordagem para o prognóstico e detecção de
falhas neste tipo sistema a partir de um aprendizado
off-line. Em outras palavras, a incorporação do
conhecimento referente a condições de falhas poderá
ser obtida de forma antecipada, reduzindo a
necessidade da caracterização das falhas a partir de
sua ocorrência.
4 CONCLUSÃO
Neste trabalho, a importância dos sistemas de
prognósticos e detecção de falhas é discutida à luz da
crescente necessidade das indústrias de obterem
elevados níveis de produtividade, tendo como foco a
maior disponibilização dos equipamentos utilizados
nos diversos processos produtivos.
Os algoritmos inteligentes que têm com base
inteligência computacional se apresentam como
importantes aliados ao processo de prognóstico e
detecção de falhas. Neste sentido, o Algoritmo
Evolutivo de Agrupamento Participativo Gaussiano é
brevemente discutido e utilizado diretamente nos
processos de prognóstico e detecção de falhas
apresentados neste trabalho.
O algoritmo inteligente em questão é aplicado no
prognóstico e detecção de falhas em máquinas
rotativas e em sistemas de controle hidráulico,
evidenciando as qualidades do Algoritmo Evolutivo
de Agrupamento Participativo Gaussiano em
aplicações industriais. Estes resultados servem como
incentivo para que outras aplicações inteligentes
sejam desenvolvidas e aplicadas em ambientes
industriais como forma de aumento da
disponibilidade de equipamentos em processos
produtivos.
Agradecimentos
À Gerdau pelo apoio e incentivo.
Bibliografia
Gouvêa, Marlon R. Controle Neurofuzzy de Motor de
Indução Com Estimação de Parâmetros e Fluxo de
Estator. Simpósio Brasileiro de Redes Neurais -
SBRN, Recife, Novembro de 2002.
Neto, João L. R. Detecção e Isolamento de Faltas em
Motores de Indução Utilizando Técnicas de
Inteligência Computacional. Dissertação de Mestrado,
Belo Horizonte, Outubro, 2006
Jayaswal, P., Wadhwani, A. K. e Mulchandani, K.B.
Machine Fault Signature Analysis. International
Journal of Rotating Machinery. Article ID 583982, 10
pages, 2008.
Braga, R. R. e Caminhas, W. M. Uma Nova Abordagem
do Algoritimo de Agrupamento Participativo
Aplicada à Detecção e Diagnóstico de Falhas em
Sistemas Dinâmicos, UFMG, 2010.
Filho, José R. B. R. Análise Teórico-Experimental de
Falhas Em Válvulas Direcionais Servoproporcionais.
Dissertação de Mestrado, Florianópolis, Julho, 2009.
Lemos, A., Caminhas, W. e Gomide, F. Adaptive Fault
Detection and Diagnosis Using an Evolving Fuzzy
Classifier. Information Sciences, 2011.
Lemos, A., Caminhas, W. e Gomide, F.Multivariable
Gaussian Evolving Fuzzy Modeling System. IEEE
Transactions on Fuzzy Systems, Vol. 19, NO 1,
February 2011.
/
Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
4232