Monitoramento e diagnóstico de falhas em motores de indução trifásicos utilizando rede neural NARX
dc.contributor.advisor | Salazar, Andres Ortiz | |
dc.contributor.author | Araújo, Valbério Gonzaga de | |
dc.contributor.authorLattes | http://lattes.cnpq.br/1343977279035189 | pt_BR |
dc.contributor.referees1 | Maitelli, André Laurindo | |
dc.contributor.referees2 | Ferreira, Jossana Maria de Souza | |
dc.contributor.referees3 | Paiva, José Álvaro de | |
dc.contributor.referees4 | Villanueva, Juan Moisés Mauricio | |
dc.date.accessioned | 2025-02-13T18:28:07Z | |
dc.date.available | 2025-02-13T18:28:07Z | |
dc.date.issued | 2024-12-05 | |
dc.description.abstract | Three-phase induction motors play a crucial role in industrial operations. However, failures in these machines can lead to significant operational issues, affecting both productivity and safety. Traditionally, fault detection in induction motors has been carried out using conventional techniques, such as time and frequency domain analysis, utilizing characteristic signatures from vibration and current. Although these approaches can be effective in some cases, they face limitations in terms of accuracy and their ability to handle large volumes of complex data, particularly under variable operational conditions. In light of these challenges, this study proposes the application of an Artificial Intelligence (AI) technique for fault diagnosis and classification, aiming to identify issues at early stages more efficiently and robustly, overcoming the limitations of traditional methods. The analysis was conducted using current, temperature, and vibration signals. Experiments were carried out on a test bench, simulating real operational conditions, including stator phase unbalance, bearing damage, and shaft misalignment. For fault classification, an Auto-Regressive Neural Network with Exogenous Inputs (NARX) was developed, a predictive architecture tailored for classification tasks. The optimal network configuration was determined through a selection process using a scanning method with multiple training iterations, followed by the introduction of new data to validate its efficiency. Tests conducted with the additional data demonstrated the high performance of the neural network, showcasing its ability to generalize across all evaluated conditions. The accuracy rates ranged from 94.2% to 98%, depending on the machine’s operational state. | pt_BR |
dc.description.resumo | Os motores de indução trifásicos desempenham um papel essencial nas operações industriais. Contudo, falhas nesses equipamentos podem ocasionar sérios problemas operacionais, afetando a produtividade e a segurança. Tradicionalmente, a identificação de falhas em motores de indução tem sido realizada por meio de técnicas convencionais, como análise no domínio do tempo e da frequência, utilizando assinaturas características de vibração e corrente. Essas abordagens, embora eficazes em alguns casos, enfrentam limitações em termos de precisão e capacidade de lidar com grandes volumes de dados complexos, especialmente em condições operacionais variáveis. Diante dessas dificuldades, este trabalho propõe a aplicação de uma técnica de Inteligência Artificial (IA) para diagnóstico e classificação de falhas, com o objetivo de identificar problemas nos estágios iniciais, de forma mais eficiente e robusta, superando as limitações das abordagens tradicionais. A análise foi conduzida com base em sinais de corrente, temperatura e vibração. Os experimentos foram realizados em uma bancada de testes, simulando condições reais de operação, incluindo desbalanceamento de fase no estator, danos nos rolamentos e desbalanceamento do eixo. Para a classificação das falhas, foi desenvolvida uma Rede Neural Auto-Regressiva com Entradas Exógenas (NARX), uma arquitetura preditiva ajustada para realizar tarefas de classificação. A configuração ideal da rede foi determinada por meio de um processo de seleção que utilizou o método de varredura com múltiplas iterações de treinamento, seguido da introdução de novos dados para validação de sua eficiência. Os testes realizados com os dados adicionais demonstraram o alto desempenho da rede neural, evidenciando sua capacidade de generalização em todas as condições avaliadas. As taxas de acurácia obtidas variaram entre 94,2% e 98%, dependendo do estado operacional da máquina. | pt_BR |
dc.identifier.citation | ARAÚJO, Valbério Gonzaga de. Monitoramento e diagnóstico de falhas em motores de indução trifásicos utilizando rede neural NARX. Orientador: Dr. Andres Ortiz Salazar. 2024. 107f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2024. | pt_BR |
dc.identifier.uri | https://repositorio.ufrn.br/handle/123456789/62691 | |
dc.language | pt_BR | pt_BR |
dc.publisher | Universidade Federal do Rio Grande do Norte | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.initials | UFRN | pt_BR |
dc.publisher.program | PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Inteligência Artificial | pt_BR |
dc.subject | Classificação de Falhas | pt_BR |
dc.subject | Motor de Indução | pt_BR |
dc.subject | Rede Neural NARX | pt_BR |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | pt_BR |
dc.title | Monitoramento e diagnóstico de falhas em motores de indução trifásicos utilizando rede neural NARX | pt_BR |
dc.type | doctoralThesis | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- Monitoramentodiagnosticofalhas_Araujo_2024.pdf
- Tamanho:
- 5.79 MB
- Formato:
- Adobe Portable Document Format
Nenhuma Miniatura disponível