Sistema inteligente para diagnóstico de falhas em rolamentos de motores de indução trifásicos via análise sonora

• Ano de defesa: 2019
• Autor(a) principal: Lyra, Gabriela Jordão
• Orientador(a): Lima Filho, Abel Cavalcante
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal da Paraíba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Mecânica
• Departamento: Engenharia Mecânica
• País: Brasil
• Palavras-chave em Português: Motor de indução trifásico; Rede Neural Artificial; Processamento de sinal de som; Análise multiresolução wavelet; Three-phase induction motor; Artificial neural networks; Sound signal processing; Wavelet multiresolution analysis.
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA MECANICA
• Link de acesso: https://repositorio.ufpb.br/jspui/handle/123456789/19360

Os motores de indução trifásicos estão presentes em praticamente todos os processos industriais, sendo considerados a espinha dorsal da indústria moderna, mas, como qualquer outro equipamento, são vulneráveis a falhas, as quais, se não forem devidamente monitoradas, podem comprometer a produção e causar acidentes. As técnicas convencionais de detecção de falhas em motores de indução, por exemplo, análise da vibração e análise da corrente de armadura possuem certo grau de invasividade. A proposta desse trabalho é o desenvolvimento de um método totalmente não-invasivo para detecção e diagnóstico de falhas em rolamentos de motores de indução trifásicos através da análise do som emitido pelo motor em funcionamento, usando rede neural artificial e processamento Wavelet. A metodologia proposta baseia-se na aquisição da emissão sonora por um dispositivo eletrônico, na decomposição desse sinal adquirido em detalhes e aproximações utilizando a técnica Análise Wavelet Multiresolução (AWM) e por fim, o levantamento dos resultados estatísticos desses detalhes que servirão como entrada de dados para um sistema de redes neurais artificiais que serão do tipo Perceptron Multicamadas (PMC) e Rede de Função de Base Radial (RBF). A técnica proposta foi testada, validada e treinada experimentalmente usando uma bancada de testes. Como resultado a PMC apresentou uma média de 97% de acerto na detecção e a RBF apresentou uma média de 90% de acerto.