Professional Documents
Culture Documents
TRIFASICOS
INDUC
AO
APOIADO POR ANALISE
DE COMPONENTES
PRINCIPAIS
cios, Ivan Nunes da Silva, Alessandro Goedtel, Wagner
Rodrigo H. Cunha Pala
Fontes Godoy, Tiago Drummond Lopes
Universidade Tecnol
ogica Federal do Paran
a, Departamento de Engenharia Eletrica e Computac
ao
Cornelio Proc
opio, Paran
a, Brasil
Universidade de S
ao Paulo, EESC, Departamento de Engenharia Eletrica
S
ao Carlos, S
ao Paulo, Brasil
Introdu
c
ao
Devido `as v
arias aplicacoes praticas e in
umeras
caractersticas, os motores de inducao trifasicos
(MITs) possuem uma presenca significativa nos
setores da ind
ustria, principalmente quando se faz
necessaria a transformacao de energia eletrica em
mecanica motriz. Estes tipos de motores se destacam pelo baixo custo, baixa manutencao e operacao com uma fonte de energia facilmente disponvel. Dentre os equipamentos mecanicos essenciais
para o sistema de producao, impulsionados pelo
MIT, destacam-se as bombas, esteiras, elevadores,
ventiladores, compressores e exaustores.
Os esforcos termicos, eletricos e mecanicos
que surgem no decorrer da vida u
til dos motores,
podem surgir falhas denominadas mecanicas ou
eletricas. O diagnostico da ocorrencia de falhas
incipientes possibilita uma melhor programacao
da manutencao destas maquinas e evita que um
As RNAs s
ao metodos flexveis que podem ser
aplicados em diversos tipos de problemas de engenharia e s
ao caracterizadas como modelos computacionais, com propriedades particulares, cujas
principais caractersticas sao: (i) capacidade intrnseca de operacao em paralelo; (ii) nao ha a necessidade de conhecimento a priori de eventuais
modelos matematicos que descrevem o comportamento de determinada aplicacao; (iii) sistemas
inspirados no cerebro humano e (iv) habilidade de
aprender a partir da experiencia. Neste trabalho,
sao explorados os tipos MLP e RBF para a identificacao de defeitos no estator em MITs. Na area
de pesquisa em maquinas eletricas, o uso das RNA
tem sido tema de pesquisas recentes. Sao varios
os enfoques, tais como controle, estimativa de pa-
Multilayer Perceptron
An
alise de Componentes Principais
Metodologia
que compoe a bobina do estator. Uma vez desprotegida, esta bobina pode ocasionar o curtocircuito entre as fases, entre a fase e a carcaca
ou entre as espiras de uma mesma bobina. Neste
trabalho foram produzidas severidades de curtocircuitos entre espiras de uma mesma bobina do
estator, com comprometimento de 3%, 5% e 10%,
de um MIT com potencia de 1 cv. Para cada severidade de curto-circuito investigada, aplicou-se
variacoes do conjugado de carga aplicado ao eixo
do motor nos valores 0.5, 1, 2, 3, 4 e 5 Nm, salientando que o valor do conjugado nominal da maquina utilizada neste trabalho e de 4.1 Nm. Cada
variacao da carga aplicou-se 20 combinacoes de
desequilbrio entre as fases de ate 10%. Baseado na metodologia relatada nos ensaios, foram
obtidas 360 amostras com defeitos no estator e
120 amostras com motor em condicoes normais de
funcionamento, num total de 480 amostras utilizadas em todos os testes de treinamento e validacao
aplicados neste trabalho.
Na Figura 1 e apresentado o motor de 1 cv,
4 polos, da marca WEG que foi rebobinado com
taps de derivacao dos enrolamentos e foi utilizado
neste trabalho. Quando as referidas chaves sao
acionadas ocorre curto-circuito entre as espiras de
uma mesma bobina, conforme percentual selecionado. Tal curto-circuito nao inutiliza o motor,
mas provoca alteracoes que degradam sua estabilidade e vida u
til.
Resultados Experimentais
Tabela 1: Tabela comparativa entre as redes MLP e RBF com pre-processamento utilizando a discretizacao do sinal da corrente sem o uso de PCA
Amostras
Entradas
Sadas
Pr
e-processamento
RNA
RBF
Camadas Ocultas
Neur
onios da camada oculta
Clusters
Fun
c
ao de ativa
ca
o na camada oculta
Fun
c
ao de ativa
ca
o na sada
M
etodo de teste
% Acur
acia
% Falsos positivos
% Falsos negativos
Kappa
Erro absoluto m
edio
% Erro relativo absoluto
Teste 1
480
30
2
D
MLP
Teste 2
480
30
2
D
MLP
Teste 3
480
30
2
D
MLP
Teste 4
480
30
2
D
RBF
Teste 5
480
30
2
D
RBF
Teste 6
480
30
2
D
RBF
1
10
Sigmoid
Linear
CrVal
98,55
0,62
0,83
0,96
0,02
6,85
1
20
Sigmoid
Linear
CrVal
98,34
0,83
0,83
0,95
0,02
6,31
1
30
Sigmoid
Linear
CrVal
98,96
0,62
0,42
0,97
0,02
5,91
1
1
Gaussian
Linear
CrVal
75
25
0
0
0,32
86,72
1
5
Gaussian
Linear
CrVal
80,63
7,5
11,87
0,51
0,24
63,26
1
10
Gaussian
Linear
CrVal
87,29
5,41
7,29
0,67
0,17
45,65
D = Discretiza
ca
o
CrVal = Cross-validation
Tabela 2: Tabela comparativa entre as redes MLP e RBF com pre-processamento utilizando a discretizacao do sinal da corrente com o uso de PCA
Amostras
Entradas
Sadas
Pr
e-processamento
RNA
Camadas ocultas
Neur
onios da camada oculta
Cluster
Fun
c
ao de ativa
ca
o da camada oculta
Fun
c
ao de ativa
ca
o na sada
M
etodo de teste
% Acur
acia
% Falsos positivos
% Falsos negativos
Kappa
Erro absoluto m
edio
% Erro absoluto relativo
Teste 7
480
7
2
D/PCA
MLP
1
10
Sigmoid
Linear
CrVal
87,71
6,66
5,62
0,67
0,13
36,13
Teste 8
480
7
2
D/PCA
MLP
1
20
Sigmoid
Linear
CrVal
89,79
5
5,21
0,73
0,12
31,69
Teste 9
480
7
2
D/PCA
MLP
1
30
Sigmoid
Linear
CrVal
88,54
6,66
4,79
0,69
0,13
34,71
Teste 10
480
7
2
D/PCA
RBF
1
1
Gaussian
Linear
CrVal
85,63
8,96
5,41
0,60
0,20
54,46
Teste 11
480
7
2
D/PCA
RBF
1
5
Gaussian
Linear
CrVal
84,37
9,38
6,25
0,57
0,20
54,59
Teste 12
480
7
2
D/PCA
RBF
1
10
Gaussian
Linear
CrVal
83,13
9,79
7,08
0,53
0,19
51,75
D/PCA = Discretiza
c
ao com PCA
CrVal = Cross-validation
Conclus
ao