Aplicação de Técnicas de Machine Learning no Âmbito do Diagnóstico da Ocorrência de Curtos-Circuitos Estatóricos em Motores de Indução Trifásicos

• Autor(a) principal: Fernandez, Carlos Fernando Ferreira Mosquera
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.6/11982
• topic: Curto-Circuito; Diagnóstico de Avarias Estatóricas; Extended Park’S; Machine Learning; Motor Current Signature Analysis; Park’S Vector Approach; Power Current Signature; Vector Approach.; Domínio/Área Científica::Engenharia e Tecnologia::Gestão Industrial

A Indústria 4.0 traz associado o conceito de fábricas inteligentes, que surgem para atender a uma necessidade crescente de elevada flexibilidade e eficiência na fabricação dos produtos. Os motores de indução trifásicos já são utilizados em larga escala pela indústria e terão um papel primordial nas Smart Factories. A fim de mantê-los em funcionamento, com elevado grau de fiabilidade, e de reduzir os custos associados a paragens e intervenções, torna-se necessária a identificação de avarias, ainda em estágio precoce, de forma a programar a manutenção antes da paragem total daqueles equipamentos. Os métodos de diagnóstico de avarias online vêm sendo alvo de estudo há muitos anos. A avaliação dos resultados da aplicação desses métodos de diagnóstico depende de um especialista para uma interpretação e um diagnóstico precisos. Este trabalho aborda o uso de Inteligência Artificial para a deteção de avarias em motores elétricos, de forma automatizada, ainda em estágio precoce. Foram utilizados algoritmos de Machine Learning, nomeadamente Support Vector Machines e Decision Trees para a deteção de curtos-circuitos entre espiras, de forma preditiva, baseando-se em dados reais adquiridos no Laboratório de Sistemas Electromecatrónicos do CISE - Centro de Investigação em Sistemas Electromecatrónicos. Como principal diferença em relação a outros trabalhos, será apresentada uma abordagem baseada no Extended Park’s Vector Approach, que já é atualmente utilizada para esta finalidade. Trata-se, portanto, de uma abordagem híbrida e tem como principal objetivo obter o máximo de eficiência com o mínimo de features, a partir de uma ferramenta já utilizada para este fim. Como resultado, é apresentado um sistema de diagnóstico automatizado para a deteção de curtos-circuitos estatóricos em motores de indução trifásicos que utiliza Support Vector Machine e Decision Tree, contemplando cenários de funcionamento distintos, nomeadamente condição normal e condição de desequilíbrio na rede de alimentação, relativo ao deslocamento de fase ou à amplitude das tensões. Após a otimização dos modelos, será realizada a validação em dados novos e os seus resultados serão discutidos.