rede fuzzy artmap para classificaÇÃo de falhas de … · rede fuzzy artmap para classificaÇÃo...

REDE FUZZY ARTMAP PARA CLASSIFICAÇÃO DE FALHAS DE ESTATOR EM MOTORES DE INDUÇÃO TRIFÁSICOS

WAGNER FONTES GODOY1, IVAN NUNES DA SILVA

1, ALESSANDRO GOEDTEL2, RODRIGO HENRIQUE CUNHA PALÁ-

CIOS1, CLAYTON LUIZ GRACIOLA

2, PAULO BRONIERA JUNIOR2.

1. Departamento de Engenharia Elétrica, Universidade de São Paulo

Av. do Trabalhador São Carlense, 400, São Carlos, SP, Brasil

E-mail:[email protected], [email protected], [email protected]

2. Departamento de Engenharia Elétrica, Universidade Tecnológica Federal do Paraná

Av. Alberto Carazzai, 1640, Cornélio Procópio, PR, Brasil

E-mails: [email protected], [email protected], agoed-

[email protected]

Abstract The induction motor is considered one of the most important elements in manufacturing processes. The use of strate-gies based on intelligent systems capable to classify the presence or absence of failures and also to determine its origin for the di-agnosis and faults prediction is widely investigated in three phase induction motors. The aim of this paper is to present a metho-dology of short-circuit faults classification in the stator windings of three-phase induction motors by using a fuzzy ARTMAP network. This type of network allows to obtain solutions with great speed of response and also with great flexibility in adding new patterns. In order to evaluate classification accuracy, proposed structure is compared with Multilayer Perception and Radial Basis Function network. Experimental results are presented in order to validate this proposal.

Keywords Intelligent systems, Failures prediction, Three phase induction motor, Stator faults.

Resumo O motor de indução trifásico é considerado um dos mais importantes elementos nos processos produtivos. A utiliza-ção de estratégias baseadas em sistemas inteligentes capazes de classificar a existência ou não das falhas bem como determinar a origem das mesmas para diagnóstico e predição de falhas em motores de indução trifásicos tem sido amplamente investigada. Assim, a proposta deste trabalho consiste em apresentar uma metodologia de classificação de falhas de curto-circuito nos enro-lamentos de estator de motores de indução trifásicos utilizando uma rede Fuzzy ARTMAP. Este tipo de rede permite obter solu-ções com grande rapidez de resposta e com grande flexibilidade na inclusão de novos padrões. Para avaliar a precisão de classi-ficação a estrutura proposta é comparada com uma rede Perceptron Multicamadas e uma rede Função de Base Radial. Resulta-dos experimentais são apresentados para validar o estudo.

Palavras-chave Sistemas inteligentes, Predição de falhas, Motor de indução trifásico, Falhas de estator.

1 Introdução

A busca por padrões em determinados conjuntos de dados trata-se de um problema fundamental e possui uma longa história de sucesso. A área de re-conhecimento de padrões fundamenta-se na desco-berta automática de regularidades em dados através do uso de algoritmos computacionais e com o uso destas regularidades para tomada de ações tais como classificação destes dados em diferentes categorias (Bishop, 2006).

Os Motores de Indução Trifásicos (MIT) são os principais elementos de conversão eletromecânica de energia em aplicações industriais. Este fato ocorre devido as suas características já consolidadas, tais como baixo custo, versatilidade e robustez (Suetake et. al., 2011).

Embora estes motores sejam usualmente bem construídos e robustos a possibilidade de falhas é inerente a operação do dispositivo. Defeitos incipien-tes dentro da máquina geralmente afetam seu desem-penho antes mesmo que falhas significativas ocor-ram, trazendo assim, prejuízos ao processo industrial (Brito, 2002; Filho, 2003; Bellini et al., 2008; Sueta-ke, 2012).

De acordo com Bellini et al. (2008) as principais falhas encontradas em motores de indução trifásicos são provinientes de problemas elétricos ou mecânicos. Dentre os problemas elétricos destacam-se as falhas no estator que são da ordem de 38% do total (Thorsen & Dalva, 1994; Bellini et al., 2008).

O diagnóstico deste tipo de falha pode ser realizado por meio de técnicas tradicionais não-invasivas. Estas estratégias se fundamentam na ánalise de grandezas como vibração, tensão, corrente, torque e velocidade (Bellini et al., 2008; Santos et

al., 2012). Inseridos neste contexto, os sistemas inteligen-

tes têm sido utilizados na identificação e resolução de diversos problemas relacionados ao controle e acionamento de máquinas elétricas. Os referidos sistemas são capazes de classificar e determinar a origem de falhas ainda em evolução (Santos et. al., 2011; Sayouti et. al., 2011).

Os sistemas inteligentes mais utilizados no diag-nóstico de máquinas são baseados nas Redes Neurais Artificiais, Lógica Fuzzy e Sistemas Híbridos (Ghate & Dudul, 2009; Seera et. al., 2012).

Muitas pesquisas baseadas nos sistemas inteligen-tes buscam soluções para o diagnóstico de falhas em máquinas elétricas. Estas falhas envolvem desde problemas elétricos, como curto-circuito nos enrola-

Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014

3838

mentos do estator até problemas mecânicos, como falhas nos rolamentos (Baccarini, 2005; Araújo, et

al., 2010; Georgakopoulos et. al., 2010; Chen et. al., 2011; Santos, 2012; Suetake, 2012).

Assim, a proposta deste trabalho consiste em apresentar uma estratégia para a classificação de falhas no enrolamento de estator baseada em siste-mas inteligentes através do monitoramento dos sinais de corrente e tensão eficazes. Mais especificamente, a rede deve ser capaz de aprender os padrões dos sinais de corrente e tensão do estator e identificar as falhas de curto-circuito entre as espiras.

Este artigo está organizado da seguinte forma: na Seção 2, uma descrição das principais falhas em motores elétricos, com foco em falhas de estator. Na Seção 3, são revisados alguns conceitos de sistemas inteligentes. Na Seção 4, tem-se a metodologia pro-posta para avaliação de desempenho das redes e também são apresentados os resultados com dados experimentais. Finalmente, na Seção 5, as conclusões finais do trabalho são apresentadas.

2 Definição do problema

O monitoramento das condições de operação de um MIT possibilitando diagnóstico de falhas e previ-são das suas condições de operação tem atraído a atenção de vários pesquisadores durante os últimos anos. Tal fato se deve à considerável influência do MIT sobre a continuidade operacional de muitos processos industriais (Bellini et. al., 2008).

A detecção e o correto diagnóstico precoce de fa-lhas incipientes permitem minimizar a ocorrência de danos ao processo, aumento da disponibilidade dos equipamentos e conseqüente manutenção dos resul-tados financeiros.

Os motores elétricos estão sujeitos a vários tipos de falhas, que podem ser divididas em dois grupos distintos: i) falhas elétricas e ii) falhas mecânicas (Bellini et. al., 2008). A Tabela 1 apresenta a classi-ficação dos principais tipos de falhas em MIT.

Tabela 1. Tipos de falhas

Falhas Elétricas Falhas Mecânicas

Enrolamento de estator Desgaste de acoplamento Enrolamento de rotor Desalinhamento

Barras quebradas Excentricidade Anéis quebrados Rolamento

Conexões - Fonte: Bellini, et. al. 2008

Falhas no enrolamento de estator respondem por

aproximadamente 21% das causas associadas as paradas indesejadas de motores elétricos (Bellini et

al., 2008; Thorsen & Dalva, 1994; Gandhi et. al., 2011). Este tipo de falha comumente ocorre devido a falhas de isolamento e sua evolução é rápida levando ao curto-circuito entre espiras. As falhas de isola-mento são atribuídas a diferentes razões, sendo rela-cionadas como causa principal as elevações térmicas excessivas (Gandhi et. al, 2011).

Outras razões para a falha de isolamento incluem surtos de tensão, envelhecimento, vibrações ou ma-nuseio mecânico inadequado durante a montagem (Stiebler & Plotkin, 2005; Briz et al., 2008; Stojcic et. al., 2012).

O monitoramento deste tipo de falha é essencial, pois a detecção da falta ainda em seu estágio inicial de evolução permitirá que a máquina seja reutilizada após rebobinamento do estator (Suetake, 2012).

A deterioração do isolamento do estator normal-mente começa com o curto-circuito envolvendo pou-cas espiras. De acordo com Baccarini et. al. (2010) a corrente de curto-circuito é aproximadamente duas vezes a corrente de rotor bloqueado e provoca aque-cimento localizado que rapidamente se estende para outros setores do enrolamento.

O tempo de evolução da falha depende das con-dições de operação do motor e é difícil de ser esti-mado. No entanto, sabe-se que a sua evolução é rápi-da, e, desta forma, caracteriza-se como indispensável o monitoramento contínuo do motor para a detecção deste tipo de falha (Baccarini, 2010).

Para o caso em estudo neste trabalho, as tensões e correntes foram medidas em um MIT de 1 CV, 4 pólos, 220/380V, do fabricante WEG.

3 Sistemas Inteligentes

Os sistemas inteligentes podem ser descritos co-mo um conjunto de ferramentas que tentam incorpo-rar aspectos habitualmente associados ao comporta-mento inteligente humano, tais como percepção, raciocínio, aprendizagem, adaptação, entre outras.

Dentre os sistemas inteligentes com vastas apli-cações em engenharia pode-se citar as redes neurais artificiais e a lógica difusa.

3.1 Teoria Fuzzy

A teoria dos conjuntos nebulosos foi desenvol-

vida a partir de 1965 com os trabalhos de Lotfi Za-deh (Zadeh, 1965). Formalmente, um conjunto nebu-loso A do universo de discurso Ωé definido por uma função de pertinência µA :� [0,1]. Essa função associa a cada elemento x de Ω o grau µA (x) com o qual x pertence a A. A função de pertinência µA (x)

indica o grau de compatibilidade entre x e o conceito expresso por A:

• µA (x) = 1 indica que x é completamente compatível com A;

• µA (x) = 0 indica que x é completamente in-compatível com AA;

• 0 < µA (x) < 1 indica que x é parcialmente compatível com A, com grau µA (x).

Um conjunto A da teoria dos conjuntos clássica

pode ser visto como um conjunto nebuloso específi-co, denominado usualmente de “crisp”, para o qual µA : � {0, 1}, ou seja, a pertinência é do tipo “tudo ou nada”,“sim ou não”, e não gradual como para os


3839

conjuntos nebulosos. A lógica nebulosa é uma das tecnologias atuais bem sucedidas para o desenvolvi-mento de sistemas para controlar processos sofistica-dos. Com a sua utilização, requerimentos complexos podem ser implementados em controladores simples, de fácil manutenção e baixo custo (Sandri & Correia, 1999). A inferência fuzzy está dividida em dois sis-temas; a saber: Madani e Takagi-Sugeno (Fontes et

al., 2011). Ambas as estruturas são formadas por regras do

tipo SE-ENTÃO onde os antecedentes são formados por variáveis lingüísticas conectadas por “E” ou “OU”. A diferença entre as metodologias se encontra no conseqüente e, neste sentido, a estrutura Takagi-Sugeno considera a inserção de uma função matemá-tica (saída em função das entradas) no conseqüente de cada regra.

�� : SE�é ��E…� é ��

ENTÃO�� = �()|��,�,….� onde i representa a regra (i = 1, 2, ..., r) e j o

numero de variáveis de entrada do modelo, � a vari-ável de entrada em forma de conjunto fuzzy “single-

ton” ou “non-sigleton”, �� é o conjunto fuzzy o qual � pertence com um certo nível de pertinência � !"(�) ∶ � → %0, 1(, ��é o valor da variável de

saída do modelo para a regra i e �()a função em cada consequente (Fontes et. al., 2011).

3.2 Redes Neurais Artificiais As RNA são modelos computacionais inspirados

no sistema nervoso de seres vivos para o processa-mento de informações paralelas (Silva et. al., 2010).

Tais modelos são uma composição simples de u-nidades de processamento interligadas entre si por conexões conhecidas como sinapses artificiais (Hay-kin, 2001).

As redes são modeladas matematicamente e ten-dem a imitar o processamento de informações por um neurônio cerebral humano (Hebb, 1949), e, desta forma, adquirem a capacidade de aprendizagem e adequação do conhecimento.

O processamento das informações se dá por cál-culos matriciais onde os valores apresentados como entradas são multiplicados por uma constante, co-nhecida como peso sináptico. Estes novos valores, somados entre si, representam o valor do neurônio.

Figura 1. Neurônio artificial

Tal unidade, por sua vez, é processada por uma

função de ativação, característica do neurônio e mo-delo da rede. Assim, obtém a resposta da rede já treinada (Rosenblatt, 1958), como observado na Figura 1.

Uma rede neural extrai seu potencial computa-cional máximo através de sua estrutura e sua habili-dade de aprender e generalizar (Haykin, 2001). Tais redes produzem saídas adequadas mesmo recebendo entradas que não estavam no processo de treinamen-to, assim podendo até interpretar falsas leituras sem alterar resultados.

As RNAs podem ser empregadas para classifica-ção de padrões, análise de séries temporais, minera-ção de dados, agrupamento de dados e estimação de resultados baseadas em um conhecimento previa-mente adquirido e em sua capacidade de generaliza-ção das situações (Haykin, 2001; Silva et. al., 2010).

3.2.1 Redes Multicamadas

A abordagem proposta neste trabalho também uti-liza a rede neural para classificação de padrões. Con-forme Silva et al. (2010), tanto a rede Perceptron Multicamadas (PMC) quanto a rede de Função Base Radial (RBF), podem ser usadas para esta finalidade.

As redes PMC possuem arquitetura feedforward, cujo treinamento é realizado de forma supervisiona-da. Desta forma a rede ajusta seus respectivos pesos sinápticos de forma adequada para uma determinada aplicação. A topologia da rede neural RBF é consti-tuída por uma camada de entrada, apenas uma cama-da neural intermediária e uma camada de saída. Os neurônios da camada intermediária possuem a função de ativação do tipo gaussiana e os neurônios da ca-mada de saída contêm a função de ativação do tipo linear (Haykin, 2001).

A RBF também é caracterizada por conter duas etapas de treinamento distintas, sendo que a primeira está associada aos ajustes dos pesos da camada in-termediária através de um método de aprendizagem não supervisionado o qual é exclusivamente depen-dente das características dos dados de entrada. Já a segunda etapa de treinamento está associada aos ajustes dos pesos dos neurônios da camada neural de saída, a qual utiliza-se da técnica de aprendizagem do tipo regra delta generalizada (Silva et. al., 2010).

3.3 Rede Fuzzy ARTMAP A rede Fuzzy Artmap (FAM) esta baseada na teo-

ria da ressonância adaptativa (ART) desenvolvida por Carpenter & Grossberg (1987), como uma possí-vel solução para o dilema estabilidade-plasticidade (Carpenter & Grossberg, 1992).

Durante a apresentação de novos padrões a um classificador neural, faz-se necessário adaptar os pesos da rede, adicionando uma nova parcela de conhecimento; ou seja, o sistema deve ser capaz de adquirir informação. Ao mesmo tempo, é preciso que o conhecimento acumulado referente aos padrões


3840

previamente apresentados seja mantido, ou seja, o classificador deve ser estável.

De acordo com Isoda (2009) a rede FAM, bem como qualquer outra da família ART, permite obter soluções com grande rapidez de resposta e com grande flexibilidade na inclusão de novos padrões, mudanças topológicas, etc., ou seja, capacidade de continuar a aprender após a inclusão de novos pa-drões, sem perder a memória relacionada aos padrões anteriores (característica de plasticidade).

A estrutura de uma rede FAM engloba o treina-mento simultâneo de dois módulos Fuzzy ART, para a associação de um padrão análogo no modo supervi-sionado. Cada um destes módulos é responsável por associar dois espaços vetoriais distintos, porém rela-cionados. Em problemas de classificação, de padrões, um dos espaços é o espaço dos rótulos, enquanto o outro é o espaço de entrada (Isoda, 2009).

Em problemas de classificação de padrões su-pervisionados, os padrões de entrada são mapeados em uma classe de saída o que permite que a rede ARTb seja suprimida e esses padrões de saída sejam mapeados diretamente no módulo Mapfield conforme proposto por Kasuba (1993). Ou seja, não existe o processo de auto-organização.

Esta versão é normalmente chamada de Simplifi-

ed Fuzzy ARTMAP (SFAM), devido a sua simplici-dade de entendimento e rapidez no processamento em comparação com a FAM. A rede SFAM será a utilizada para o desenvolvimento deste trabalho, no entanto, a denominação de FAM será mantida. A Figura 2 ilustra a arquitetura geral da rede FAM.

Figura 2. Diagrama de Blocos da rede FAM Adaptado de Isoda (2009).

O primeiro passo do treinamento do FAM é a apresentação de cada padrão de entrada para a cama-da �). Esta camada é responsável por calcular a codificação complementar do padrão apresentado à rede. Ou seja, o pré-processamento na camada �)

transforma o vetor de entrada a de tamanho M em um vetor I = (a, a

c) de tamanho 2M, onde ac = (1- a)

sendo definido como o complemento de a. O vetor de ganhos sinápticos é inicializado *�+ = 1, onde j = 1,...., Na representa as Na categorias da rede ARTa e k = 1,...,2M representa cada elemento que com-põem os ganhos sinápticos de cada categoria. Além disso, os ganhos sinápticos do Mapfield são coloca-dos também em 1 (,�+)-= 1). Após o processo de inicialização, o vetor A é enviado a camada �) para que seja calculado a função de escolha de categoria Tj (I) que pode ser definida como:

.�(/) = 01 ∧ ,�)03 + 0,�)0

onde α > 0 é um pequeno valor positivo. O processo de escolha é iniciado fazendo com

que o maior valor para a função de escolha de cate-goria seja escolhido através do processo de competi-ção (winner takes all) onde o vencedor leva tudo:

.5678 = max<.�=, > = 1,… , ?)

Após a escolha da categoria vencedora a verifi-cação do critério de similaridade ou condição de ressonância deve ser realizada na camada �).

01 ∧ ,�)0|1| ≥ AB

onde, ρa é o parâmetro de vigilância. Se o teste da condição de ressonância falhar com

a primeira categoria (vencedora), o mecanismo de reset é acionado e a categoria vencedora é inibida, então a segunda categoria (segundo lugar) é selecio-nada e o processo de verificação da condição de ressonância é refeito. Se não for possível encontrar uma categoria que passe no teste de similaridade para o padrão apresentado, uma nova categoria pode ser criada e que inicialmente representa exclusivamente o padrão apresentado. Por outro lado, se a categoria promove uma ressonância com o padrão apresentado o processo de aprendizagem é acionado:

,�)(C + 1) = (1 − E),�)(C) + E F1 ∧ ,�) (C)G

onde 0 ≤ β ≤ 1 é a taxa de aprendizado. Um procedimento similar é realizado em na

ARTb, gerando Nb categorias que serão associadas às categorias da ARTa através do mapfield que é res-ponsável por manter a associação de predição entre as categorias das duas redes ARTa e ARTb. Esse módulo implementa o mecanismo de Match tracking que promove um aumento do parâmetro de vigilância ρa em resposta a uma associação incorreta entre cate-gorias das redes. O processo de treinamento termina quando as mudanças nos ganhos sinápticos permane-cem inalteradas durante uma época de treinamento.

Match

tracking

W = [w1, w2,..., wNw]

Padrão de entrada a

Codificação complementar

I = [a, ac]

�)

Neurônio vencedor

�- Neurônio vencedor

�)

M = [m1, m2,..., mNw]

ρ

Reset

(1)

(2)

(3)

(4)


3841

4 Tratamento dos dados de entrada

A proposta deste trabalho consiste na utilização dos sinais das correntes e das tensões eficazes de um MIT no domínio do tempo, apresentadas a uma rede capaz de classificar a existência ou não de falha de curto-circuito entre as espiras do enrolamento de estator.

A bancada utilizada neste estudo foi proposta o-riginalmente por Goedtel (2007), projetada para monitoramento da tensão, corrente, vibração, torque e velocidade de um motor de indução trifásico. A Figura 3 ilustra a estrutura de ensaios do laboratório.

Figura 3. Visão geral da bancada de aquisição de dados

As placas de condicionamento de sinais dos sen-

sores Hall modulam as tensões de fase e correntes de linha que são repassadas às entradas analógicas da placa de aquisição de dados.

Assim, os sinais de corrente e tensão foram cole-tados de forma individual por seis sensores Hall conforme apresentado na Figura 4. Estes foram co-nectados a uma placa de aquisição de sinais a qual está ligada a um microcomputador.

Figura 4. Condicionamento de corrente e tensão da bancada de

aquisição de dados

A bancada de ensaios dispõe de um MIT acopla-do a um motor de corrente contínua (CC) que faz a imposição de torque no eixo da máquina. Ainda é possível observar os variadores de tensão indepen-dentes por fase utilizados para o desequilíbrio de tensões. A bancada conta ainda com um torquímetro de dupla faixa de atuação com sensor de velocidade integrado. Os sinais de corrente e tensão são medidos no painel de alimentação da máquina onde placas individuais monitoram a corrente de linha e tensão de

fase. O sinal de -10V a +10V disponibilizado pela placa é dado como entrada da Placa de Aquisição de Dados (DAQ) em um canal analógico isolado. O descritivo detalhado de funcionamento da bancada de ensaios em máquinas elétricas pode ser encontrado no trabalho de Santos et. al. (2014).

A taxa de amostragem dos sinais de corrente e tensão utilizada neste trabalho foi de 25 kamostras/s em um tempo de aquisição igual a 5s.

Desta forma foram realizados 239 ensaios e ob-teve-se um total de 125.000 pontos para cada fase. Deste conjunto de dados, 5.000 pontos foram esco-lhidos de forma aleatória e armazenados em vetores para condicionamento dos sinais.

De posse dos dados e com uma rotina de impor-tação adequada, estes são manipulados e avaliados no software MATLAB. A Figura 5 ilustra a rotina de aquisição e tratamento dos dados.

Figura 5. Rotina de aquisição e tratamento dos dados Após o armazenamento dos vetores de corrente e

tensão para cada fase, os respectivos sinais foram condicionados a partir de seus valores eficazes os quais resultaram em seis entradas para cada topologia de rede. Para trabalhar com as redes propostas so-mente com informações das máquinas em aplicações reais, sem resultados de simulações, separam-se os vetores de amostras aleatoriamente em duas classes; uma de treinamento e outra de validação, sendo as mesmas divididas conforme Tabela 2.

Desta forma, os dados utilizados no treinamento da rede não são apresentados para a validação, per-mitindo assim a avaliação da sua capacidade de ge-neralização e resposta real do sistema.

Tabela 2. Divisão dos dados coletados

Classes (%) Ensaios experimentais

Amostras de treinamento 66 159 Amostras de validação 34 80 Número total de ensaios 100 239

Motor de indução

Placa de Aquisição Aquisição dos sinais de

tensão e corrente

Matlab

Tratamento dos dados

Cálculos das correntes e

tensões RMS

Normalização dos dados

Matriz de entrada RNA

FAM / RNA

Apresentação Validação dos dados

Treinamento da RNA

Classificação [ 1 ] - Falha

[ 0 ] - Normal


3842

As respectivas amostras de sinais com falhas de estator receberam uma tag de saída desejada igual a 1, e as amostras de sinais sem falhas receberam uma tag de saída desejada igual a 0.

4.1 Estrutura Neural A utilização das RNAs tem se mostrado eficien-

te na resolução de problemas da área de engenharia e projetos, neste caso identificar a existência ou não de falhas em estator de MIT (Ghandi et. al., 2011).

Neste trabalho, foram utilizadas três estruturas de rede distintas com treinamento supervisionado.

A análise é focada nas falhas de curto-circuito entre as espiras do enrolamento de estator, sob con-dições de conjugado de carga constante. As entradas para as redes PMC, RBF e FAM foram definidas como sendo o valor eficaz das correntes estatóricas e das tensões de alimentação da máquina. As caracte-rísticas e topologias das redes PMC e RBF são des-critas na Tabela 3.

Tabela 3. Parâmetros das RNAs

Tipo Rede 1 Rede 2

Arquitetura PMC RBF Nº de camadas 2 2 Neurônios 1º camada 8 12 Neurônios 2º camada 1 1 Algoritmo de treinamento BP AO Função de ativação 1º camada TH GS Função de ativação saída Linear Linear

(BP) Backpropagation; (GS) Gaussiana; (TH) Tangente Hiperbó-lica (AO) Auto organizado

Os parâmetros utilizados no processamento da rede FAM podem ser encontrados na Tabela 4.

Tabela 4. Parâmetros FAM Parâmetro de escolha (α) 1.10-3 Taxa de aprendizagem (β) 1 Parâmetro de vigilância (ρ) 0,75 Match Tracking (ε) 1.10-3 Épocas 10

4.2 Resultados da classificação

As redes propostas foram submetidas ao treina-

mento com os sinais de entrada conforme descrito na seção 4. Como critério de parada, foi estabelecido o erro quadrático médio (EQM), sendo este definido de acordo com o melhor desempenho para as Redes 1 e 2. A Rede 1 convergiu com 311 épocas, com 91,3% de acerto, enquanto a Rede 2 atingiu o critério de parada com 23.826 épocas com apenas 83,8% de acerto, como pode ser observado na Tabela 5.

Tabela 5. Resultados RNAs

Tipo Rede 1 Rede 2

EQM 1.10-3 1.10-9 Coeficiente de aprendizado 0,001 0,01 Épocas 311 23.826 Falso positivo 7 8 Falso negativo 0 3 Erro classificação 7/80 11/80 Percentual de acerto 91,3% 83,8%

A rede FAM atingiu 100% de acerto durante a fase de treinamento, e 97,5% de precisão na classifi-cação durante a fase de validação.

5 Conclusões

Neste trabalho foi apresentada a proposta de um método alternativo às técnicas tradicionais para de-tecção de falhas de curto-circuito entre as espiras do enrolamento de estator através da utilização de sis-temas inteligentes.

Tal proposta propicia a indicação de falhas e a correta tomada de decisão em tempo real sem a ne-cessidade de se recorrer a métodos convencionais de análise.

Os resultados indicam que a rede FAM apresen-tou o melhor desempenho para a aplicação neste trabalho, considerando condições de operação com tensões equilibradas e carga nominal no eixo da máquina.

A forma robusta e com grande rapidez na obten-ção dos resultados possibilita sua aplicação em tem-po real, visto que o esforço computacional, muito pequeno, é alocado, basicamente, na fase de treina-mento.

Agradecimentos

Os autores agradecem as contribuições do CNPq (Processo 552269/2011-5) e FAPESP (Processo 2011/17610-0) pelo apoio financeiro para o desen-volvimento desta pesquisa.

Referências Bibliográficas Araújo, R. S.; Rodrigues, R.; Paula, H. e Baccarini,

L. (2010). Desgaste prematuro e falhas recor-rentes dos rolamentos de um mit:Estudo de ca-so, IndustryApplications (INDUSCON), 2010 9th IEEE/IAS InternationalConferenceon, pp. 1-6.

Baccarini, L. M. R. (2005). Detecção e diagnóstico

de falhas em motores de indução, Tese de Dou-torado, Universidade Federal de Minas Gerais.

Baccarini, L. M. R.; Menezes, B. R. e Caminhas, W. M.

(2010). Fault Induction dynamic model, suitable for computer simulation: Simulation results and experimental validation. Mechanical Systems and Signal Processing, pp 300-311.

Bellini, A.; Filippetti, F.; Tassoni, C. and Capolino,

G. A. (2008). Advances in diagnostic tech-niques for induction machines. IEEE Transac-tions on Industrial Eletronics, vol. 55, nº 12, pp. 4109-4126.


3843

Bishop, C. M. (2006). Patter Recognition and Machine Learning. XX, 738 p. Springer.

Brito, J. N. (2002). Desenvolvimento de um Sistema

Inteligente hibrido para diagnóstico de Falhas em Motores de indução Trifásicos. Universidade Estadual de Campinas - PDGEM/UNICAMP, Campinas, SP.

Briz, F.; Degner, M. W.; Garcia, P. and Diez, A. B.

(2008). High-frequency carrier-signal voltage selection for stator winding fault diagnosis in inverter-fed ac machines. IEEE Transactions on Industrial Electronics, 2008. v. 55, n. 12, p. 4181–4190.

Carpenter, G. A. and Grossberg, S. (1987). ART2: Self-

organizing of stable category recognition codes for analog input patterns. Applied Optics, New York, v.26, p.4919-4930.

Carpenter, G. A.; Grossberg, S.; Markuzon, N.;

Reynolds, J. H. and Rosen, D. B. (1992). Fuzzy ARTMAP: a neural network architecture for incremental supervised learning of analog multidimensional maps. IEEE Transactions on Neural Networks, New York, v.3, n.5, p.689-715.

Chen, C.; Zhang, B.; Vachtsevanos, G. and Orchard, M.

(2011). Machine condition prediction based on adaptive neuro fuzzy and high-order particle filtering. IEEE Transactions on Industrial Electronics, v. 58, n. 9, p. 4353–4364.

Filho, P. C. M. L. (2003). Acoplamento Preditivo de

Motores de Indução Trifásicos através da análise de Fluxo Magnético. Dissertação de Mestrado. Universidade Estadual de Campinas, Campinas - SP.

Fontes, R. M.; Fontes, C. H. O. e Kalid, R. (2011).

Obtenção de parâmetros ótimos para um modelo dinâmico fuzzy TSK considerando a incerteza de medição nas entradas. VI Congresso Brasileiro de Metrologia, 2011, Natal - RN. Anais do VI Congresso Brasileiro de Metrologia v. 1. p. 1-4.

Gandhi, A.; Corrigan, T. and Parsa, L. (2011). Re-

cent advances in modeling and online detection of stator interturn faults in electrical motors. IEEE Transactions on Industrial Electronics, v. 58, n. 5, p. 1564–1575.

Georgakopoulos, I. P.; Mitronikas, E. D. and Safa-cas, A. N. (2010). Rotor fault detection in inver-ter drive systems using inverter input current analysis. In: XIX International Conference on Electrical Machines (ICEM). [S.l.: s.n.], p. 1–5.

Ghate, V. and Dudul, S. (2009). Fault diagnosis of

three phase induction motor using neural net-work techniques, Emerging Trends in Engineer-

ing and Technology (ICETET), 2009 2nd Inter-national Conference on, pp. 922-928.

Goedtel, A. (2007). Estimador neural de velocidade

para motores de indução trifásicos. Tese de Doutorado. Universidade São Paulo, São Car-los, SP.

Haykin, S. (2001). Redes Neurais: Princípios e Práti-

cas, 2ª edição, Porto Alegre: Bookman. Hebb, D. (1949). The organization of behavior: a

neuropsychological theory, Wiley book in clini-cal psychology, Wiley.

Isoda, L. Y. (2009). Análise da Estabilidade Estática

de Tensão de Sistemas Elétricos de Potência Usando uma Rede Neural Baseada na Teoria da Ressonância Adaptativa. Tese de doutorado. Universidade Estadual Paulista, Ilha Solteira, SP.

Kasuba T (1993). Simplified fuzzy ARTMAP. AI

Expert. 8:18–25. Rosenblatt, F. (1958). The perceptron: A probabilis-

tic model for information storage and organiza-tion in the brain, Phisicological Review 65(3): 386-408.

Sandri, S. e Correa, C. (1999). Lógica Nebulosa. V

Escola de Redes Neurais, Promoção: Conselho Nacional de Redes Neurais pp. c073-c090, 19 de julho, 1999 - ITA, São José dos Campos - SP.

Santos, T. H. dos; Goedtel, A.; Silva, S. and Suetake,

M. (2011). A neural speed estimator in three-phase induction motors powered by a driver with scalar control, Power Electronics Confe-rence (COBEP), 2011 Brazilian, pp. 44-49.

Santos, T. H. dos; Goedtel, A.; Silva, S. A. O. da and

Suetake, M. (2014). Scalar control of an induction motor using a neural sensorless technique. Electric Power Systems Research (Print), v. 108, p. 322-330, 2014.

Santos, F. M. C.; Silva, I. N. da e Suetake, M.

(2012). Sobre a Aplicação de Sistemas Inteli-gentes para Diagnósticos de Falhas em Máqui-nas de Indução - Uma Visão Geral. Controle & Automação 23, n. 5, pp 553-569.

Sayouti, Y.; Abbou, A.; Akherraz, M. and Mahmou-

di, H. (2011). Sensor less low speed control with ann mras for direct torque controlled in-duction motor drive, Power Engineering, Ener-gy and Electrical Drives (POWERENG), 2011 International Conference on, pp. 1-5.

Seera, M.; Lim, C. P.; Ishak, D. and Singh, H.

(2012). Fault detection and diagnosis of induc-


3844

tion motors using motor current signature anal-ysis and a hybrid fmm - cart model, Neural-Networks and Learning Systems, IEEE Trans-actions on 23(1): 97-108.

Silva, I. N. da; Spatti, D. H. e Flauzino, R. A. (2010).

Redes Neurais Artificiais para engenharia e ci-ências aplicadas, 1ª edição, São Paulo: Artliber.

Stiebler, M. and Plotkin, Y. (2005). Online winding

temperature monitoring of pwm inverter-fed in-duction machines. In: European Conference on Power Electronics and Applications. [S.l.: s.n.], p. 5 pp. - P.5.

Stojcic, G.; Joksimovic, G.; Vasak, M.; Peric, N. and

Wolbank, T. M. (2012). Inter turn short circuit detection at higher modulation indexes includ-ing six step operation. In: XXth International Conference on Electrical Machines (ICEM). [S.l.: s.n.], p. 2485–2491.

Suetake, M.; Silva, I. N. da and Goedtel, A. (2011).

Embedded DSP-Based Compact Fuzzy System and Its Application for Induction-Motor V/f Speed Control. IEEE Transactions on Industrial Electronics, v.58, n.3, p.750-760.

Suetake, M. (2012). Sistemas Inteligentes para Moni-

toramento e Diagnósticos de Falhas em Motores de Indução Trifásicos. Tese de Doutorado. Uni-versidade São Paulo, São Carlos, SP.

Thorsen, O. and Dalva, M. (1994). A survey of

faults on induction motors in offshore oil indus-try, petrochemical industry, gas terminals and oil refineries. In: 41st Annual Petroleum and Chemical Industry Conference. Record of Con-ference Papers, Institute of Electrical and Elec-tronics Engineers Incorporated Industry Appli-cations Society. [S.l.: s.n.], p. 1–9.

Zadeh, L. A. (1965). Fuzzy sets. Information and

Control. 8:338 – 353.


3845

rede fuzzy artmap para classificaÇÃo de falhas de … · rede fuzzy artmap para classificaÇÃo...

Documents