Monitoramento e diagnóstico de falhas em motores de indução trifásicos utilizando rede neural NARX

dc.contributor.advisorSalazar, Andres Ortiz
dc.contributor.authorAraújo, Valbério Gonzaga de
dc.contributor.authorLatteshttp://lattes.cnpq.br/1343977279035189pt_BR
dc.contributor.referees1Maitelli, André Laurindo
dc.contributor.referees2Ferreira, Jossana Maria de Souza
dc.contributor.referees3Paiva, José Álvaro de
dc.contributor.referees4Villanueva, Juan Moisés Mauricio
dc.date.accessioned2025-02-13T18:28:07Z
dc.date.available2025-02-13T18:28:07Z
dc.date.issued2024-12-05
dc.description.abstractThree-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.resumoOs 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.citationARAÚJO, 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.urihttps://repositorio.ufrn.br/handle/123456789/62691
dc.languagept_BRpt_BR
dc.publisherUniversidade Federal do Rio Grande do Nortept_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.initialsUFRNpt_BR
dc.publisher.programPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃOpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectInteligência Artificialpt_BR
dc.subjectClassificação de Falhaspt_BR
dc.subjectMotor de Induçãopt_BR
dc.subjectRede Neural NARXpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.titleMonitoramento e diagnóstico de falhas em motores de indução trifásicos utilizando rede neural NARXpt_BR
dc.typedoctoralThesispt_BR

Arquivos

Pacote Original

Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Monitoramentodiagnosticofalhas_Araujo_2024.pdf
Tamanho:
5.79 MB
Formato:
Adobe Portable Document Format
Nenhuma Miniatura disponível
Baixar