Aplicação da Análise de componentes Principais (PCA) no diagnóstico de defeitos de rolamentos através da assinatura elétrica de motores de indução.

• Ano de defesa: 2008
• Autor(a) principal: SILVA, Jonas Guedes Borges da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Programa de Pós-Graduação: Programa de Pós-Graduação: Mestrado - Engenharia Elétrica
• Departamento: IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/1665

Este trabalho apresenta um estudo abrangente das técnicas de Análise da Assinatura Elétrica (ESA) aplicadas na detecção de defeitos em rolamentos de motores elétricos de indução. A Análise de Componentes Principais(PCA) é aplicada, com base em características extraídas dessas técnicas, com o objetivo de se criar um método mais sensível e eficaz de detecção de defeitos em rolamentos. As características utilizadas como entradas para o PCA são obtidas a partir das técnicas de ESA como Análise da Corrente Estatórica(MCSA), Abordagem Estendida do Vetor de Park (EPVA), Análise da Potência Instantânea (IPSA), Análise Wavelet e Qualidade de Energia. A metodologia proposta assume que um defeito, quando se propaga na máquina, causa mudanças em diversos parâmetros e características da máquina. Essas mudanças são consideradas pequenas em magnitude quando analisadas individualmente, mas juntas contabilizam por significativas variâncias nos dados, então detectadas e isoladas por PCA. A metodologia foi testada usando um motor pequeno de 4 pólos em três diferentes condições: rolamento saudável, rolamento com furo de φ2,3mm na pista externa e rolamento com furo de φ2,8mm na pista externa. O furo é utilizado para simular um defeito no rolamento. Um modelo PCA foi criado com base nas amostras do rolamento saudável e sua validação foi feita com novas amostras obtidas nas três condições. Os resultados mostram que o defeito na pista externa pôde ser detectado com eficiência utilizando as estatísticas T- quadrado e Q (com um limite de confiança de 95%). O modelo obtido foi capaz de classificar corretamente 99,8% das amostras testadas. A alta sensibilidade ao defeito apresentada pelo modelo sugere sua capacidade de detectar esse tipo de defeito em estágios mais incipientes, o que não é possível através das técnicas de ESA atuais.