Sobre o desempenho de algoritmos de aprendizado de mÃquinas na detecÃÃo de falhas em motores de induÃÃo trifÃsicos: um estudo comparativo

Detalhes bibliográficos
Autor(a) principal: David Nascimento Coelho
Data de Publicação: 2015
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFC
Texto Completo: http://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=16706
Resumo: Esta dissertaÃÃo visa a detecÃÃo de falhas incipientes por curto-circuito entre espiras de um motor de induÃÃo trifÃsico do tipo gaiola de esquilo acionado por conversor de frequÃncia com modulaÃÃo por largura de pulso do tipo senoidal. Para detectar este tipo de falha, uma bancada de testes à utilizada para impor diferentes condiÃÃes de operaÃÃo ao motor, e cada amostra do conjunto de dados foi extraÃda das correntes de linha do conversor de frequÃncia supracitado. Para extraÃÃo de caracterÃsticas, a anÃlise da assinatura de corrente do motor foi utilizada. Para solucionar este problema, a detecÃÃo desta falha à tratada como um problema de classificaÃÃo, por isso, diferentes algoritmos supervisionados de aprendizado de mÃquina sÃo utilizados: MÃnimos Quadrados OrdinÃrios, Redes Perceptron Simples, Redes Perceptron Multicamadas, MÃquina de Aprendizado Extremo, MÃquina de Vetor de Suporte, MÃquina de Vetor de Suporte por MÃnimos Quadrados, MÃquina de Aprendizado MÃnimo, e Classificadores Gaussianos. Juntamente com a tÃcnica de opÃÃo de rejeiÃÃo, estes classificadores sÃo testados e os resultados destes sÃo comparados entre si e com outros trabalhos que fizeram uso mesmo banco de dados. Taxas de acerto mÃximo de 100% com os classificadores MÃquina de Vetor de Suporte e MÃquina de Vetor de Suporte por MÃnimos Quadrados sugerem que, em um futuro prÃximo, um sistema embarcado pode ser desenvolvido com estes algoritmos.
id UFC_eb96792d5bf9f21ba89fc827a21c3741
oai_identifier_str oai:www.teses.ufc.br:10934
network_acronym_str UFC
network_name_str Biblioteca Digital de Teses e Dissertações da UFC
spelling info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisSobre o desempenho de algoritmos de aprendizado de mÃquinas na detecÃÃo de falhas em motores de induÃÃo trifÃsicos: um estudo comparativoPerformance Comparison of Machine Learning Algorithms for Three-phase Induction Motors Fault Detection2015-09-29Guilherme de Alencar Barreto32841450368http://lattes.cnpq.br/8902002461422112Charles Casimiro Cavalcante54039410378http://lattes.cnpq.br/4751699166195344ClÃudio Marques de Sà Medeiros02545216587MEDEIROS, C. M. S.Tobias Rafael Fernandes Neto6479702336803525081324http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4450411A6David Nascimento CoelhoUniversidade Federal do CearÃPrograma de PÃs-GraduaÃÃo em Engenharia de TeleinformÃticaUFCBRInteligÃncia computacional Aprendizado de mÃquina Motores de induÃÃo DetecÃÃo de falhas Curto circuitoComputational inteligence Machine learning Induction motors Fault detectionENGENHARIA ELETRICAEsta dissertaÃÃo visa a detecÃÃo de falhas incipientes por curto-circuito entre espiras de um motor de induÃÃo trifÃsico do tipo gaiola de esquilo acionado por conversor de frequÃncia com modulaÃÃo por largura de pulso do tipo senoidal. Para detectar este tipo de falha, uma bancada de testes à utilizada para impor diferentes condiÃÃes de operaÃÃo ao motor, e cada amostra do conjunto de dados foi extraÃda das correntes de linha do conversor de frequÃncia supracitado. Para extraÃÃo de caracterÃsticas, a anÃlise da assinatura de corrente do motor foi utilizada. Para solucionar este problema, a detecÃÃo desta falha à tratada como um problema de classificaÃÃo, por isso, diferentes algoritmos supervisionados de aprendizado de mÃquina sÃo utilizados: MÃnimos Quadrados OrdinÃrios, Redes Perceptron Simples, Redes Perceptron Multicamadas, MÃquina de Aprendizado Extremo, MÃquina de Vetor de Suporte, MÃquina de Vetor de Suporte por MÃnimos Quadrados, MÃquina de Aprendizado MÃnimo, e Classificadores Gaussianos. Juntamente com a tÃcnica de opÃÃo de rejeiÃÃo, estes classificadores sÃo testados e os resultados destes sÃo comparados entre si e com outros trabalhos que fizeram uso mesmo banco de dados. Taxas de acerto mÃximo de 100% com os classificadores MÃquina de Vetor de Suporte e MÃquina de Vetor de Suporte por MÃnimos Quadrados sugerem que, em um futuro prÃximo, um sistema embarcado pode ser desenvolvido com estes algoritmos.This dissertation aims at the detection of short-circuit incipient fault condition in a threephase squirrel-cage induction motor fed by a sinusoidal PWM inverter. In order to detect this fault, a test bench is used to impose different operation conditions to an induction motor, and each sample of the data set is taken from the line currents of the PWM inverter aforementioned. For feature extraction, the Motor Current Signature Analysis is used. The detection of this fault is treated as a classification problem, therefore different supervised algorithms of machine learning are used so as to solve it: Ordinary Least Squares, Singlelayer Perceptron, Multi-layer Perceptron, Extreme Learning Machine, Support-Vector Machine, Least-Squares Support-Vector Machine, the Minimal Learning Machine, and Gaussian Classifiers. Together with Reject Option technique, these classifiers are tested and the results are compared with other works that use the same data set. Maximum accuracy rates of 100% with Support-Vector Machine and Least-Squares Support-Vector Machine classifiers suggest that, in near future, an embedded system can be developed with these algorithms.CoordenaÃÃo de AperfeÃoamento de Pessoal de NÃvel Superior http://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=16706application/pdfinfo:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Teses e Dissertações da UFCinstname:Universidade Federal do Cearáinstacron:UFC2019-01-21T11:30:04Zmail@mail.com -
dc.title.pt.fl_str_mv Sobre o desempenho de algoritmos de aprendizado de mÃquinas na detecÃÃo de falhas em motores de induÃÃo trifÃsicos: um estudo comparativo
dc.title.alternative.en.fl_str_mv Performance Comparison of Machine Learning Algorithms for Three-phase Induction Motors Fault Detection
title Sobre o desempenho de algoritmos de aprendizado de mÃquinas na detecÃÃo de falhas em motores de induÃÃo trifÃsicos: um estudo comparativo
spellingShingle Sobre o desempenho de algoritmos de aprendizado de mÃquinas na detecÃÃo de falhas em motores de induÃÃo trifÃsicos: um estudo comparativo
David Nascimento Coelho
InteligÃncia computacional
Aprendizado de mÃquina
Motores de induÃÃo
DetecÃÃo de falhas
Curto circuito
Computational inteligence
Machine learning
Induction motors
Fault detection
ENGENHARIA ELETRICA
title_short Sobre o desempenho de algoritmos de aprendizado de mÃquinas na detecÃÃo de falhas em motores de induÃÃo trifÃsicos: um estudo comparativo
title_full Sobre o desempenho de algoritmos de aprendizado de mÃquinas na detecÃÃo de falhas em motores de induÃÃo trifÃsicos: um estudo comparativo
title_fullStr Sobre o desempenho de algoritmos de aprendizado de mÃquinas na detecÃÃo de falhas em motores de induÃÃo trifÃsicos: um estudo comparativo
title_full_unstemmed Sobre o desempenho de algoritmos de aprendizado de mÃquinas na detecÃÃo de falhas em motores de induÃÃo trifÃsicos: um estudo comparativo
title_sort Sobre o desempenho de algoritmos de aprendizado de mÃquinas na detecÃÃo de falhas em motores de induÃÃo trifÃsicos: um estudo comparativo
author David Nascimento Coelho
author_facet David Nascimento Coelho
author_role author
dc.contributor.advisor1.fl_str_mv Guilherme de Alencar Barreto
dc.contributor.advisor1ID.fl_str_mv 32841450368
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/8902002461422112
dc.contributor.referee1.fl_str_mv Charles Casimiro Cavalcante
dc.contributor.referee1ID.fl_str_mv 54039410378
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/4751699166195344
dc.contributor.referee2.fl_str_mv ClÃudio Marques de SÃ Medeiros
dc.contributor.referee2ID.fl_str_mv 02545216587
dc.contributor.referee2Lattes.fl_str_mv MEDEIROS, C. M. S.
dc.contributor.referee3.fl_str_mv Tobias Rafael Fernandes Neto
dc.contributor.referee3ID.fl_str_mv 64797023368
dc.contributor.authorID.fl_str_mv 03525081324
dc.contributor.authorLattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4450411A6
dc.contributor.author.fl_str_mv David Nascimento Coelho
contributor_str_mv Guilherme de Alencar Barreto
Charles Casimiro Cavalcante
ClÃudio Marques de SÃ Medeiros
Tobias Rafael Fernandes Neto
dc.subject.por.fl_str_mv InteligÃncia computacional
Aprendizado de mÃquina
Motores de induÃÃo
DetecÃÃo de falhas
Curto circuito
topic InteligÃncia computacional
Aprendizado de mÃquina
Motores de induÃÃo
DetecÃÃo de falhas
Curto circuito
Computational inteligence
Machine learning
Induction motors
Fault detection
ENGENHARIA ELETRICA
dc.subject.eng.fl_str_mv Computational inteligence
Machine learning
Induction motors
Fault detection
dc.subject.cnpq.fl_str_mv ENGENHARIA ELETRICA
dc.description.sponsorship.fl_txt_mv CoordenaÃÃo de AperfeÃoamento de Pessoal de NÃvel Superior
dc.description.abstract.por.fl_txt_mv Esta dissertaÃÃo visa a detecÃÃo de falhas incipientes por curto-circuito entre espiras de um motor de induÃÃo trifÃsico do tipo gaiola de esquilo acionado por conversor de frequÃncia com modulaÃÃo por largura de pulso do tipo senoidal. Para detectar este tipo de falha, uma bancada de testes à utilizada para impor diferentes condiÃÃes de operaÃÃo ao motor, e cada amostra do conjunto de dados foi extraÃda das correntes de linha do conversor de frequÃncia supracitado. Para extraÃÃo de caracterÃsticas, a anÃlise da assinatura de corrente do motor foi utilizada. Para solucionar este problema, a detecÃÃo desta falha à tratada como um problema de classificaÃÃo, por isso, diferentes algoritmos supervisionados de aprendizado de mÃquina sÃo utilizados: MÃnimos Quadrados OrdinÃrios, Redes Perceptron Simples, Redes Perceptron Multicamadas, MÃquina de Aprendizado Extremo, MÃquina de Vetor de Suporte, MÃquina de Vetor de Suporte por MÃnimos Quadrados, MÃquina de Aprendizado MÃnimo, e Classificadores Gaussianos. Juntamente com a tÃcnica de opÃÃo de rejeiÃÃo, estes classificadores sÃo testados e os resultados destes sÃo comparados entre si e com outros trabalhos que fizeram uso mesmo banco de dados. Taxas de acerto mÃximo de 100% com os classificadores MÃquina de Vetor de Suporte e MÃquina de Vetor de Suporte por MÃnimos Quadrados sugerem que, em um futuro prÃximo, um sistema embarcado pode ser desenvolvido com estes algoritmos.
dc.description.abstract.eng.fl_txt_mv This dissertation aims at the detection of short-circuit incipient fault condition in a threephase squirrel-cage induction motor fed by a sinusoidal PWM inverter. In order to detect this fault, a test bench is used to impose different operation conditions to an induction motor, and each sample of the data set is taken from the line currents of the PWM inverter aforementioned. For feature extraction, the Motor Current Signature Analysis is used. The detection of this fault is treated as a classification problem, therefore different supervised algorithms of machine learning are used so as to solve it: Ordinary Least Squares, Singlelayer Perceptron, Multi-layer Perceptron, Extreme Learning Machine, Support-Vector Machine, Least-Squares Support-Vector Machine, the Minimal Learning Machine, and Gaussian Classifiers. Together with Reject Option technique, these classifiers are tested and the results are compared with other works that use the same data set. Maximum accuracy rates of 100% with Support-Vector Machine and Least-Squares Support-Vector Machine classifiers suggest that, in near future, an embedded system can be developed with these algorithms.
description Esta dissertaÃÃo visa a detecÃÃo de falhas incipientes por curto-circuito entre espiras de um motor de induÃÃo trifÃsico do tipo gaiola de esquilo acionado por conversor de frequÃncia com modulaÃÃo por largura de pulso do tipo senoidal. Para detectar este tipo de falha, uma bancada de testes à utilizada para impor diferentes condiÃÃes de operaÃÃo ao motor, e cada amostra do conjunto de dados foi extraÃda das correntes de linha do conversor de frequÃncia supracitado. Para extraÃÃo de caracterÃsticas, a anÃlise da assinatura de corrente do motor foi utilizada. Para solucionar este problema, a detecÃÃo desta falha à tratada como um problema de classificaÃÃo, por isso, diferentes algoritmos supervisionados de aprendizado de mÃquina sÃo utilizados: MÃnimos Quadrados OrdinÃrios, Redes Perceptron Simples, Redes Perceptron Multicamadas, MÃquina de Aprendizado Extremo, MÃquina de Vetor de Suporte, MÃquina de Vetor de Suporte por MÃnimos Quadrados, MÃquina de Aprendizado MÃnimo, e Classificadores Gaussianos. Juntamente com a tÃcnica de opÃÃo de rejeiÃÃo, estes classificadores sÃo testados e os resultados destes sÃo comparados entre si e com outros trabalhos que fizeram uso mesmo banco de dados. Taxas de acerto mÃximo de 100% com os classificadores MÃquina de Vetor de Suporte e MÃquina de Vetor de Suporte por MÃnimos Quadrados sugerem que, em um futuro prÃximo, um sistema embarcado pode ser desenvolvido com estes algoritmos.
publishDate 2015
dc.date.issued.fl_str_mv 2015-09-29
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
status_str publishedVersion
format masterThesis
dc.identifier.uri.fl_str_mv http://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=16706
url http://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=16706
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.publisher.none.fl_str_mv Universidade Federal do CearÃ
dc.publisher.program.fl_str_mv Programa de PÃs-GraduaÃÃo em Engenharia de TeleinformÃtica
dc.publisher.initials.fl_str_mv UFC
dc.publisher.country.fl_str_mv BR
publisher.none.fl_str_mv Universidade Federal do CearÃ
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFC
instname:Universidade Federal do Ceará
instacron:UFC
reponame_str Biblioteca Digital de Teses e Dissertações da UFC
collection Biblioteca Digital de Teses e Dissertações da UFC
instname_str Universidade Federal do Ceará
instacron_str UFC
institution UFC
repository.name.fl_str_mv -
repository.mail.fl_str_mv mail@mail.com
_version_ 1643295220443381760

Registros relacionados