Aplicação de Técnicas de Machine Learning no Âmbito do Diagnóstico da Ocorrência de Curtos-Circuitos Estatóricos em Motores de Indução Trifásicos
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
RCAP_213a7be39b3c22ae0ab89a983d815e13 |
---|---|
oai_identifier_str |
oai:ubibliorum.ubi.pt:10400.6/11982 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Aplicação de Técnicas de Machine Learning no Âmbito do Diagnóstico da Ocorrência de Curtos-Circuitos Estatóricos em Motores de Indução TrifásicosCurto-CircuitoDiagnóstico de Avarias EstatóricasExtended Park’SMachine LearningMotor Current Signature AnalysisPark’S Vector ApproachPower Current SignatureVector Approach.Domínio/Área Científica::Engenharia e Tecnologia::Gestão IndustrialA 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.Industry 4.0 brings the concept of intelligent factories, that arise to meet a growing need for high flexibility and efficiency in the manufacture of products. Three-phase induction motors are already used on a large scale by the industry and will play a key role in Smart Factories. In order to keep them in operation with a high degree of reliability, and to reduce the costs associated with stoppages and interventions, it is necessary to identify faults at an early stage, in order to schedule maintenance before the electric machine stops completely. Online fault diagnostics methods have been studied for many years. However, the assessment of their results depends on an expert for accurate interpretation and diagnosis. This study addresses the use of Artificial Intelligence to detect malfunctions in electric motors, in an automated way, at an early stage. Machine Learning algorithms, namely Support Vector Machines and Decision Trees, were used for the detection of stator interturn short circuits, in a predictive way, based on real data acquired at the Laboratory of Electromechatronic Systems of CISE - Electromechatronic Systems Research Centre. As a main difference in relation to other works, an approach based on the Extended Park's Vector Approach, which is currently used for this purpose, will be presented. Therefore, it is a hybrid approach, and its main objective is to obtain maximum efficiency with minimum features, from a tool already used for this purpose. As a result, an automated diagnostic system, that uses Support Vector Machine and Decision Tree, is presented for the detection of stator short circuits in three-phase induction motors, which includes scenarios of normal and unbalance in the phase or amplitude of the supply voltages. After optimizing the models, validation will be performed on raw data and its results will be discussed.Cardoso, António João MarquesuBibliorumFernandez, Carlos Fernando Ferreira Mosquera2022-01-24T16:09:30Z2021-11-252021-10-112021-11-25T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.6/11982TID:202890627porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-12-15T09:54:45Zoai:ubibliorum.ubi.pt:10400.6/11982Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T00:51:41.193211Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Aplicação de Técnicas de Machine Learning no Âmbito do Diagnóstico da Ocorrência de Curtos-Circuitos Estatóricos em Motores de Indução Trifásicos |
title |
Aplicação de Técnicas de Machine Learning no Âmbito do Diagnóstico da Ocorrência de Curtos-Circuitos Estatóricos em Motores de Indução Trifásicos |
spellingShingle |
Aplicação de Técnicas de Machine Learning no Âmbito do Diagnóstico da Ocorrência de Curtos-Circuitos Estatóricos em Motores de Indução Trifásicos Fernandez, Carlos Fernando Ferreira Mosquera 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 |
title_short |
Aplicação de Técnicas de Machine Learning no Âmbito do Diagnóstico da Ocorrência de Curtos-Circuitos Estatóricos em Motores de Indução Trifásicos |
title_full |
Aplicação de Técnicas de Machine Learning no Âmbito do Diagnóstico da Ocorrência de Curtos-Circuitos Estatóricos em Motores de Indução Trifásicos |
title_fullStr |
Aplicação de Técnicas de Machine Learning no Âmbito do Diagnóstico da Ocorrência de Curtos-Circuitos Estatóricos em Motores de Indução Trifásicos |
title_full_unstemmed |
Aplicação de Técnicas de Machine Learning no Âmbito do Diagnóstico da Ocorrência de Curtos-Circuitos Estatóricos em Motores de Indução Trifásicos |
title_sort |
Aplicação de Técnicas de Machine Learning no Âmbito do Diagnóstico da Ocorrência de Curtos-Circuitos Estatóricos em Motores de Indução Trifásicos |
author |
Fernandez, Carlos Fernando Ferreira Mosquera |
author_facet |
Fernandez, Carlos Fernando Ferreira Mosquera |
author_role |
author |
dc.contributor.none.fl_str_mv |
Cardoso, António João Marques uBibliorum |
dc.contributor.author.fl_str_mv |
Fernandez, Carlos Fernando Ferreira Mosquera |
dc.subject.por.fl_str_mv |
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 |
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 |
description |
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. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-11-25 2021-10-11 2021-11-25T00:00:00Z 2022-01-24T16:09:30Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10400.6/11982 TID:202890627 |
url |
http://hdl.handle.net/10400.6/11982 |
identifier_str_mv |
TID:202890627 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799136405485518848 |