Aplicação da transformada wavelet packet e redes neurais artificiais para monitoramento de condição de motores de indução

• Ano de defesa: 2017
• Autor(a) principal: SILVA, João Marcus Pereira Lima e
• Orientador(a): NEVES, Francisco de Assis dos Santos
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Engenharia Eletrica
• País: Brasil
• Palavras-chave em Português: Engenharia Elétrica; Wavelets; Redes neurais artificiais; Análise multirresolução; Assinatura de corrente; Motores de indução
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/30632

Esta tese apresenta e analisa resultados experimentais da aplicação de uma metodologia baseada na combinação de transformada wavelet packet, medidas estatísticas e redes neurais artificiais para o monitoramento de condição de motores de indução trifásicos. Tal abordagem consistiu em coleta das correntes de fase de um motor de indução, seu processamento e construção da árvore wavelet packet, escolha apropriada dos sinais de detalhes provenientes desta arvore que serão analisados, estabelecimento das medidas estatísticas dos sinais eleitos e formação dos vetores de entrada apresentados as redes neurais. Estas redes foram treinadas através de dois métodos numéricos: Gradientes Conjugados Escalonados e Resilient Back-propagation, para execução da tarefa de reconhecimento de padrões. Cinco configurações de redes neurais perceptron multicamada foram utilizadas para realizar a classificação das falhas mecânicas simuladas em laboratório, a saber, fissuras em 2 e 4 barras da gaiola de esquilo do rotor e danificação nas trilhas internas e externas dos rolamentos, e das falhas elétricas consistindo de faltas para terra em pontos do enrolamento de armadura localizados a 25, 50 e 75% do terminal de fase. Os vetores de entrada sao constituídos com base em dez medidas estatísticas envolvendo medidas de tendência central (media e centroide), medidas de dispersão (valor RMS e desvio padrão) e uma medida de assimetria (Curtose). A configuração mais promissora foi a rede preceptron com quatro camadas ocultas, cada uma contendo dez neurônios. Tal rede mostrou um desempenho satisfatório tanto para as falhas elétricas, com acertos maiores que 92%, como para os defeitos mecânicos, com mais de 93% de sucesso no diagnostico. Estes resultados superam aqueles registrados em outras investigações do gênero, recentemente divulgadas nos meios acadêmicos, como mostra o confronto apresentado ao final deste trabalho de tese. Tal constatação ratifica o acerto da metodologia escolhida para o diagnostico de falhas em motores.