Identificação de falhas em motores de indução trifásicos utilizando algoritmos de otimização e sistemas inteligentes

• Autor(a) principal: Guedes, Jacqueline Jordan
• Data de Publicação: 2019
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/5436
• topic: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA; Motores elétricos de indução; Algoritmos; Percepção de padrões; Localização de falhas (Engenharia); Electric motors, Induction; Algorithms; Pattern perception; Fault location (Engineering); Engenharia Elétrica

Motores de indução trifásicos são essenciais ao processo produtivo, pois suas características de construção permitem ampla aplicação, incluindo a operação em ambientes hostis. Embora robusto, seu uso contínuo gera desgastes que podem levar a falhas. Dessa forma, pesquisas na área de identificação de falhas são realizadas constantemente visando reduzir taxas de manutenções corretivas e paradas indesejadas, permitindo que seja realizada a manutenção da máquina. Com esse propósito, o presente trabalho propõe o estudo e o desenvolvimento de uma estratégia que utiliza algoritmos de otimização combinados a classificadores inteligentes de padrões para identificação de falhas de curto-circuito nas espiras do estator, barras quebradas de rotor e desgastes de rolamentos em motores de indução trifásicos, utilizando sinais de tensão e corrente de fase, aquisitados no domínio do tempo, bem como o módulo da velocidade. Neste trabalho são utilizados os algoritmos de Evolução Diferencial, Particle Swarm Optimization e Simulated Annealing para estimar os parâmetros elétricos do motor de indução no modelo do circuito elétrico equivalente. Assim, a identificação da falha ocorre a partir da variação dos parâmetros do circuito elétrico equivalente. A identificação da presença de falha bem como sua classificação é feita por meio dos classificadores de padrões Redes Neurais Artificiais, Support Vector Machine e k-Nearest Neighbor. A base de dados utilizada para o trabalho foi obtida por meio de experimentos laboratoriais realizados com um motor de 1 CV e um motor de 2 CV, sob condições de variação de conjugado e acionamentos senoidal equilibrado e desequilibrado.