DETECÇÃO DE FALHA EM MOTORES DE INDUÇÃO … · Figura 1: Representação de um enrolamento...

1

DETECÇÃO DE FALHA EM MOTORES DE INDUÇÃO TRIFÁSICOS POR MEIO DE

INSTRUMENTO VIRTUAL

ANA PAULA L. SANTOS*, LÍVIA DE FÁTIMA SILVA MENDES*, MÁRCIO F. S. BARROSO*, LANE RABELO

BACCARINI*,

* Programa de Pós Graduação em Engenharia Elétrica, Universidade Federal de São João del-Rei

Praça Frei Orlando 170, Centro, 36307-352, São João del-Rei, MG, Brasil

E-mails:[email protected], [email protected],

[email protected], [email protected]

Abstract This paper presents the application of identified NARX models in the recursive parameter estimation of a Three

Phase Induction Motor (MIT) for the detection of electrical failure. The methodology is used to build a virtual instrument, which aims to adjust the variable gain model and detect the situation of initial short-circuit at MIT by the variation of the values of

model parameters.

Keywords Fault Detection; System Identification; Recursive Parameter Estimation; Three Phase Induction Motor.

Resumo Este artigo apresenta a aplicação de modelos NARX identificados na estimação recursiva de parâmetros de um Mo-

tor de Indução Trifásico (MIT) para a detecção de falha elétrica. A metodologia é utilizada na construção de um instrumento vir-

tual, o qual objetiva ajustar o ganho variável do modelo e detectar a situação de curto-circuito inicial no MIT através da variação nos valores dos parâmetros do modelo.

Palavras-chave Detecção de Falhas; Identificação de Sistemas; Estimação Recursiva de Parâmetros; Motor de Indução Trifá-

sico.

1 Introdução

Os motores de indução trifásicos e monofásicos

são as máquinas rotativas mais utilizadas atualmen-

te, sendo responsáveis por aproximadamente

do total de motores instalados (Massirer, 2007).

Suas características operacionais garantem confiabi-

lidade, robustez, simplicidade de construção e baixo

custo.

A importância dos motores de indução nas

plantas industriais torna a confiabilidade da opera-

ção destas máquinas um ponto crítico, devido ao

alto custo de uma parada no processo produtivo, os

quais podem representar de a do custo

total de muitos produtos (Avelar et al., 2011).

Uma vez que é economicamente inviável man-

ter máquinas sobressalentes, o monitoramento on-

line das máquinas de indução é importante para uma

operação segura e qualidade da produção, (Baccarini

et al., 2010).

A busca por técnicas de detecção e diagnóstico

de falhas receberam grande atenção da comunidade

científica nos últimos anos, destacando-se: Filippetti

et al., 1998; Thomson and Fenger, 2001; Boqiang et

al., 2003; Tan and Hong Huo, 2005; Tallam et al.,

2007; Bellini et al., 2008; Baccarini et al., 2010;

Martins et al., 2010; Pezzani et al., 2010; Razik et

al., 2010; Avelar et al., 2011; Brito et al., 2012.

Os objetivos de tais estudos são interpretar pre-

cocemente a falha incipiente e definir um correto

diagnóstico, para que não ocorra uma manutenção

não programada e uma parada no processo produti-

vo (Santos et al., 2012).

Os fatores que afetam o comportamento do mo-

tor podem ser agrupados em problemas de origem

magnética ou elétrica e problemas de origem mecâ-

nica (Baccarini et al., 2010). As falhas podem ser

internas: barras quebradas e/ou trincadas, rolamen-

tos danificados, curto circuito entre espiras, excen-

tricidade, desalinhamento, desbalanceamento de

massa; ou externas: sobrecarga mecânica, desequilí-

brio de fases, subtensão, sobretensão e presença de

harmônicos.

De acordo com (Thomson and Fenger, 2001),

os percentuais de falhas relacionados aos compo-

nentes dos motores de indução são de aproximada-

mente: 38% no estator, 10% no rotor, 40% nos ro-

lamentos e 12% nos demais.

O enrolamento de estator de uma máquina de

indução está sujeito às tensões induzidas por uma

variedade de fatores, que incluem picos térmicos de

sobrecarga, vibrações e picos de tensão. Sua deterio-

ração geralmente começa com uma falha entre espi-

ras envolvendo poucas voltas do enrolamento. No

entanto, se mantida, essa situação pode evoluir para

falta para a terra, o que resultaria em danos irrever-

síveis ao núcleo da máquina (Boqiang et al., 2003).

Atualmente, existem métodos diversificados pa-

ra detectar curto-circuito nas espiras do estator,

porém muitos deles se mostram de elevado cus-

to/benefício, ineficazes ou mesmo de difícil aplica-

ção em processos reais (Avelar et al., 2011). A de-

tecção da baixa isolação, segundo (Brito et al.,

2012), pode ser realizada através de testes como o

teste de corrente contínua, o megômetro e o teste de

impulso aplicado em motores (Surge Test), os quais

Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014

2954

2

necessitam do desligamento do motor para serem

realizados.

Considerando os métodos não invasivos e que

não necessitam do desligamento do motor, sistemas

de diagnóstico de falhas têm sido desenvolvidos

com base em modelos determinísticos, neste contex-

to, modelos matemáticos de sistemas dinâmicos

permitem, dentre as diversas possibilidades, a detec-

ção de falhas no sistema (Troch, 1984). Tais mode-

los são capazes de considerar diferentes condições

de operação e tipos de falhas, (Bellini et al., 2008).

A maioria dos sistemas reais são não lineares

por natureza. Como objetiva-se obter um modelo

que represente os diversos pontos de operação do

MIT (Motor de Indução Trifásico), será utilizado o

modelo NARX (Nonlinear Autoregressive Model

with Exogenous Variables), o qual é um modelo

paramétrico não linear e discreto no tempo.

Contudo, os sistemas variantes no tempo, como

os sistemas com falha, constituem uma forte razão

para a utilização, na prática, de métodos recursivos

de identificação, porque é necessário que o algorit-

mo de estimação acompanhe a variação temporal

dos parâmetros (Aguirre et al., 2002).

Devido à necessidade de um diagnóstico não

invasivo e simples de ser aplicado, mesmo em plan-

tas industriais, surge a motivação deste trabalho. No

qual é proposto uma metodologia para a detecção de

curto-circuito com a aplicação de um instrumento

virtual, o qual detectará a situação de falha através

da variação nos valores dos parâmetros do modelo

dinâmico do MIT. A utilização de instrumento vir-

tual para detecção de falhas pode ser vista no traba-

lho de (Heredia and Hollero, 2010).

Para a aplicação da metodologia proposta é ne-

cessário, primeiramente, a obtenção de um modelo

que represente a operação normal do MIT. Os dados

para obtenção do modelo podem ser dados reais, se

houver disponibilidade para a realização dos testes,

ou dados simulados. Neste trabalho, os dados serão

obtidos através da simulação do modelo simétrico

do MIT, pois para a coleta de dados reais seria ne-

cessária a interrupção da operação do MIT, o que

numa planta industrial causaria parada na produção.

Posteriormente é implementada a estimação re-

cursiva dos parâmetros, na qual atualizam-se os

valores dos parâmetros e a curva estática a cada

período de amostragem, (Aguirre et al., 2002), o que

pode ser realizado on-line. Dessa maneira, o ganho

do modelo será variável de acordo com cada ponto

de operação do MIT e a variação nos valores dos

parâmetros ocorrerá apenas quando o MIT operar

com falha.

O restante do artigo está organizado como se-

gue. Na seção 2 encontram-se os conceitos prelimi-

nares. A seção 3 apresenta a metodologia utilizada

para a obtenção dos resultados. A análise e discus-

são dos resultados são tratadas pela seção 4. Final-

mente, na seção 5 é apresentada a conclusão e as

propostas para futuras pesquisas.

2 Conceitos Preliminares

2.1 Modelo Simétrico do MIT

O modelo dinâmico simétrico do motor de in-

dução trifásico é bem conhecido da literatura e per-

mite simular o comportamento do motor frente às

diversas condições de operação. Tal modelo utiliza a

Transformada Park para simplificar as equações da

máquina, sendo também conhecido como modelo

simétrico dq do MIT

Neste modelo, podem ser obtidas informações

sobre as tensões de alimentação, correntes de esta-

tor, torque e a velocidade desenvolvida pela máqui-

na em condições simétricas de operação, ou seja,

ausência de falhas.

2.2 Modelo Assimétrico do MIT

O modelo assimétrico proposto por (Baccarini

et al., 2010) possibilita a simulação das principais

falhas que podem ocorrer durante a operação do

MIT. Este modelo é derivado do modelo simétrico

da máquina e, para a simulação de curto circuito,

são adotados os procedimentos a seguir.

Na Figura 1 estão representados os enrolamen-

tos trifásicos concentrados de um motor de indução,

o qual possui uma falha de curto-circuito, sendo

o número de espiras em curto, a resistência

de falha e o número total de espiras por

fase.

Figura 1: Representação de um enrolamento trifásico do estator

de uma máquina de indução, na qual representa o número de

espiras em curto-circuito e a resistência de falha. Fonte: (Bac-

carini, 2005).

Considera-se o percentual de espiras em curto-

circuito da seguinte forma:

(1)

Dessa forma, a matriz de resistência do estator

depende do fator :

(2)

A estimativa utilizada para as indutâncias de

dispersão é dada como proposto por (Tallam et al.,

2000):


2955

3

(3)

As tensões são dadas pelas equações a

seguir:

(4)

(5)

(6)

As equações para a determinação dos enlaces

de fluxo dos estator e rotor nos eixos dq0 são as

seguintes:

(7)

(8)

(9)

(10)

(11)

O conjugado em função das componentes de

eixo dq é dado por:

(12)

na qual: representa a corrente de falha, é o ân-

gulo de defasamento entre os eixos abc e dq, é a

indutância mútua, é a indutância de dispersão e

é o número de polos. Os subíndices r e s represen-

tam parâmetros do rotor e do estator, respectivamen-

te.

2.3 Identificação de Sistemas

Para se realizar a identificação de um sistema é

necessário que estejam disponíveis os dados de

entrada, , e os dados de saída, , desse sis-

tema.

O procedimento consiste em se obter um mo-

delo matemático que explique, da forma mais apro-

ximada possível, as características de interesse do

sistema.

As principais etapas num processo de identifi-

cação são (Aguirre, 2007):

Testes dinâmicos e coletas de dados;

Escolha da representação matemática a ser

usada;

Determinação da estrutura do modelo;

Estimação de Parâmetros;

Validação do modelo.

2.4 Modelo NARX

De acordo com (Billings, 1980), modelos

NARX descrevem sistemas não lineares em equa-

ções de diferenças, relacionando a entrada atual em

combinação das saídas e entradas passadas.

A representação NARX polinomial possui

pontos positivos, como o fato de permitir a incorpo-

ração de informações que se tem a priori do sistema

no modelo, como curva e ganho estático, por exem-

plo, (Martins et al., 2011). Tais informações podem

não estar contidas nos dados dinâmicos, a utilização

dessas informações podem acrescentar qualidade ao

modelo e maior representatividade.

Os modelos NARX polinomiais possuem pon-

tos fixos ou pontos de equilíbrio. Neste contexto, o

conceito de agrupamento de termos é adequado para

determinar o número de pontos fixos dos modelos,

sua localização e simetria. Essa informação será útil

na recuperação de características estáticas do siste-

ma original (Aguirre, 2007), o que será visto na

seção 2.6.2.

Em particular o modelo NARX polinomial pode

ser representado por:

(13)

em que: é a saída, é a entrada exógena e

é o sinal de ruído. representa o erro de

predição. , e são os atrasos máximos da

saída, entrada e da média móvel, respectivamente.

Neste trabalho, representa a função polinomial

não linear e não é considerado.

Os parâmetros do modelo são estimados por

Mínimos Quadrados Estendidos para garantir a não

polarização destes (Chen et al., 1989).

Para evitar mau condicionamento da matriz de

regressores é utilizado o critério de detecção de

estrutura denominado ERR (Error Reduction Ratio)

(Mendes and Billings, 2001). O número de regresso-

res é definido pelo Critério de Informação de Akai-

ke (Akaike, 1974).

2.5 Validação dinâmica do Modelo

A validação dinâmica consiste em verificar se

o modelo estimado é capaz de recuperar a dinâmica

do sistema em questão.

Para validar um modelo dinamicamente, pode-

se usar a simulação livre do mesmo, que consiste em

usar o conjunto de dados de validação do sistema e


2956

4

as predições passadas da saída da matriz de regres-

sores. Além disso, será usada a análise da correlação

dos resíduos de identificação um passo a frente

(Aguirre, 2007).

Deseja-se que os resíduos de identificação se-

jam ruído branco, ou seja, que a sua autocorrelação

seja estatisticamente zero. Desta maneira, é possível

conjecturar que o modelo foi capaz de explicar os

dados dinâmicos sem incorporar dinâmicas espúrias.

2.6 Instrumento Virtual

Instrumentos virtuais são softwares que utili-

zam sinais medidos a fim de construir um sinal de

interesse, os quais são muito úteis na substituição de

sensores físicos e na detecção de falhas (Heredia e

Hollero, 2010). Tal procedimento torna a detecção

de falhas menos invasiva.

Neste trabalho, o instrumento virtual será cons-

truído através de um algoritmo recursivo, o qual

estima recursivamente os valores dos parâmetros e

do ganho variável do modelo a cada período de

amostragem.

2.6.1 Estimação Recursiva de Parâmetros

Enquanto os algoritmos de estimação em bate-

lada processam as amostras da massa de dados si-

multaneamente, obtendo uma única estimativa dos

parâmetros do modelo, os métodos de estimação

recursiva processam os dados experimentais se-

quencialmente, atualizando os parâmetros do mode-

lo a cada período de amostragem (Ljung, 1999).

Seja um sistema dado por , no qual e . De

acordo com (Aguirre, 2007), um modelo para este

sistema pode ser escrito da seguinte maneira:

, (14)

no qual: é formado na iteração

com informação disponível até a iteração ,

além disso, a estrutura do vetor de regressores é

previamente conhecida.

Na estimação recursiva, o vetor de parâmetros

no instante é expresso como uma combinação

linear do seu valor no instante anterior e do valor da

medição no instante .

Quando o sistema varia no tempo, as observa-

ções (dados) mais recentes precisam ser mais influ-

entes na estimação dos parâmetros, pois a informa-

ção que estes contêm está mais atualizada. Dessa

forma, é inserida no estimador uma razão entre

pesos consecutivos para os dados, o que é conhecido

como fator de esquecimento .

As equações utilizadas para implementar o es-

timador recursivo são como descritas em (Aguirre,

2007):

(15)

(16)

(17)

em que: é o ganho de Kalman, é a matriz de

covariância dos parâmetros, é o vetor de regres-

sores e é o vetor de parâmetros estimados.

2.6.2 Estimação de não linearidades estáticas

A estimação da característica estática não line-

ar será utilizada para ajustar o ganho do modelo do

MIT de acordo com o ponto de operação do motor,

ou seja, o ganho do modelo será variável.

Para um sistema variante no tempo, pode-se u-

tilizar a informação a priori sobre as não linearida-

des estáticas presentes no sistema original. Se a

estrutura escolhida para o modelo for adequada, é

possível estimar as características estáticas de inte-

resse utilizando os conceitos de agrupamentos de

termos, (Aguirre et al., 2002).

Os agrupamentos de termos são úteis para es-

crever expressões gerais de como o ganho do mode-

lo varia com o ponto de operação (Aguirre, 2007).

Para um modelo quadrático, o ponto fixo pode-

rá ser determinado pela equação (18):

(18)

em que: , , , e são os coeficientes de

agrupamentos de termos.

A equação (18) mostra que a determinação do

ponto fixo dependerá do valor da entrada do siste-

ma, caracterizando uma curva estática. Dessa forma,

a curva estática pode ser estimada a partir de um

modelo dinâmico.

3 Metodologia

3.1 Coleta de dados simulados para a Identificação

Os dados utilizados na identificação do modelo

nominal do MIT foram obtidos simulando-se o

modelo simétrico do MIT, considerando-se a difi-

culdade da realização de testes para coleta de dados

numa planta industrial.

O sistema foi simulado em um período de 4s,

com um intervalo de integração de . Os

dados foram decimados por .

A dizimação é realizada de forma que o período

de amostragem ( ) esteja no seguinte intervalo:

(19)


2957

5

em que: é a constante mínima

de tempo do sistema e, ainda, e são as auto-

correlações da saída, linear e não linear, respectiva-

mente.

A utilização da técnica descrita para a obtenção

do período de amostragem para os dados deste tra-

balho retornou que o valor mínimo do período de

amostragem deveria ser de

.

Como o período de integração utilizado nas simula-

ções foi de , a dizimação é dada por

, justificando, então, a escolha de 4.

Para realizar a identificação de um sistema, o

sinal de entrada deve ser tal que excite a dinâmica

da planta. Características dinâmicas que não forem

excitadas não aparecerão nos dados e não poderão

ser identificadas.

Portanto, a tensão de linha utilizada na simula-

ção do modelo simétrico do MIT foi um sinal PRBS

(sinal binário pseudo-aleatório), o qual não é um

sinal genuinamente aleatório, mas satisfaz à propri-

edade , a qual garante que a

matriz de covariância de seja diagonal e traz

vantagens numéricas na solução das equações.

A função de autocorrelação da tensão de fase

utilizada na simulação do modelo simétrico do MIT

é mostrada na Figura 2:

Figura 2: Autocorrelação da entrada . As faixas indicadas

são os intervalos de confiança de .

A Figura 2 indica que o sinal de excitação po-

de ser considerado aleatório com 95% de certeza.

Figura 3: Tensão de fase aplicada ao MIT e corrente de estator

resultante.

Os dados dinâmicos utilizados como entrada e

saída na modelagem foram tensão e corrente de

estator. O MIT recebe alimentação trifásica, no

entanto, toda análise apresentada é realizada utili-

zando-se as medições de uma única fase. Os dados

são mostrados na Figura 3.

3.2 Coleta de dados experimentais para a estimação

recursiva

A obtenção dos dados experimentais utilizados

na estimação recursiva de parâmetros foi realizada

através do monitoramento das componentes de

das correntes , e e das tensões de ali-

mentação , e , em condições de operação

normal e de curto-circuito, de um motor de indução

trifásico de , , , 4 polos e rotor do

tipo gaiola, o qual é um motor modificado para

possibilitar o teste de falhas elétricas.

A Figura 4 mostra a composição da bancada de

testes:

Figura 4: Bancada de testes experimentais.

Foram realizados sete ensaios para cada condi-

ção de operação considerada:

Motor operando em regime permanente,

corrente de linha . Após aproxi-

madamente do inicio da coleta dos da-

dos, um curto-circuito é fechado nas espi-

ras do estator, com cerca de das espiras

em curto-circuito;

Motor operando em regime permanente

com uma corrente de linha de .

Após aproximadamente do inicio da co-

leta dos dados, a carga é aumentada, tal que

a corrente de linha solicitada muda para

.

4 Resultados e Discussão

4.1 Estimação em Batelada

No processo de identificação através dos dados

de entrada e saída do MIT, e , representa-

dos na Figura 3, o número de termos do modelo foi

sugerido pelo Critério de Akaike, . Os atra-

sos do modelo foram encontrados por tentativa e são

, e .

O modelo NARX encontrado é representado na

equação (20):


2958

6

(20)

A validação dinâmica do modelo NARX da

equação (20) pode ser verificada na Figura 5:

Figura 5: Validação dinâmica do modelo, infinitos passos à

frente. ( ) Dados validação. (--) Simulação livre. Figura amplia-da.

A validação estatística realizada através da a-

nálise de resíduos é representada na Figura 6:

Figura 6: Autocorrelação dos resíduos de predição do modelo.

A Figura 6 mostra que a autocorrelação dos re-

síduos encontra-se dentro do intervalo de confiança

de 95%, o que indica que o modelo consegue expli-

car a dinâmica do MIT, sem incorporar dinâmicas

espúrias.

4.2 Estimação recursiva de Parâmetros e de Ganho

Estático

O modelo estimado para o MIT, apresentado na

seção 4.1, possui quatro parâmetros. Dessa forma, a

estimação recursiva visa monitorar os valores destes

parâmetros ao longo do tempo.

No entanto, como o MIT pode operar em várias

condições de operação, o ganho do modelo da equa-

ção (20) deve ser variável, como descrito na seção

2.6.2, de forma que os valores dos parâmetros não

sofram modificações quando o MIT operar sem

falha. A curva estática é obtida recursivamente atra-

vés da equação (21):

(21)

O fator de esquecimento utilizado no algoritmo

foi . A matriz de covariância foi inicia-

lizada com valores iguais a e o vetor de

parâmetros foram inicializados com os valores en-

contrados na estimação em batelada.

A Tabela 1 mostra a variação que os valores

dos parâmetros sofrem quando o MIT passa da ope-

ração normal para operação com curto-circuito.

Além disso, é possível perceber que os parâmetros

que sofrem as maiores variações são e , os

quais serão utilizados para detectar a falha. Esta

análise pode ser realizada, também, através das

Figuras 7 e 8, as quais mostram graficamente a

variação temporal nos valores destes parâmetros.

Tabela 1: Valores de média e variância dos parâmetros estimados

recursivamente para os 7 ensaios realizados. Curto-circuito de

e .

Parâmetro Média Variância

(operação normal)

(curto-circuito)

(operação normal)

(curto-circuito)

(operação normal)

(curto-circuito)

(operação normal)

(curto-circuito)

Figura 7: Variação temporal do parâmetro causada por um

curto-circuito em 3% das espiras de uma fase do estator. Figura ampliada.

Figura 8: Variação temporal do parâmetro causada por um curto-circuito em 3% das espiras de uma fase do estator. Figura

ampliada.


2959

7

As Figuras 9 e 10 mostram o comportamento

temporal dos parâmetros e avaliados na mu-

dança de carga.

Figura 9: Variação temporal do parâmetro quando há mudança de carga. Figura ampliada.

Figura 10: Variação temporal do parâmetro quando há mudan-

ça de carga. Figura ampliada.

A comparação entre o comportamento dos pa-

râmetros do MIT avaliados na mudança de carga e

no curto-circuito em cerca de das espiras pode

ser realizada através das Figuras 11 e 12.

Figura 11: Variação temporal do parâmetro . ( , vermelho)

Curto-circuito em das espiras. ( , azul) Variação de carga.

. Figura ampliada.

Figura 12: Variação temporal do parâmetro . ( , vermelho)

Curto-circuito em das espiras. ( , azul) Variação de carga.

. Figura ampliada.

Através da Tabela 1 e das Figuras de 7 a 12,

verifica-se que é possível realizar a detecção de

curto-circuito inicial no MIT através do acompa-

nhamento da tendência dos valores dos parâmetros

e , estimados recursivamente utilizando o mo-

delo da equação (20), mesmo quando houver varia-

ção no carregamento do MIT.

Contudo, é possível distinguir a operação com

curto-circuito da operação com variação de carga,

pois as variações nos valores dos parâmetros causa-

das pela mudança de carga são muito sutis quando

comparadas às variações devido à falha. Dessa for-

ma, as Figuras 11 e 12 mostram que o algoritmo

recursivo utilizado na detecção de curto-circuito

pode ser considerado insensível à variação de carre-

gamento do motor.

5 Conclusões

A metodologia utilizada neste trabalho expõe a

aplicabilidade da utilização de modelos identifica-

dos na estimação recursiva de parâmetros para a

construção de um instrumento virtual, o qual detecta

a situação de curto-circuito inicial nas espiras do

estator de um motor de indução trifásico.

A utilização da representação NARX possibili-

ta o ajuste do ponto de operação do modelo, através

de um ganho variável, permitindo a detecção de

falha mesmo quando a carga aplicada ao MIT for

variável.

Neste estudo, os dados de identificação foram

obtidos através de simulações, considerando-se a

impossibilidade de realização de testes para coletas

de dados numa planta industrial. No entanto, a de-

tecção de falha foi aplicada a uma situação real,

utilizando dados experimentais, mostrando eficácia

na detecção do curto-circuito.

Para trabalhos futuros, objetiva-se construir um

sistema especialista para detecção de falhas utili-

zando um sistema supervisório real-time.

6 Agradecimentos

Agradecemos à CAPES, ao CNPq e à

FAPEMIG pelo apoio financeiro.


2960

8

Referências Bibliográficas

Aguirre, L. A. Introdução à Identificação de Siste-

mas, Técnicas Lineares e Não- Lineares Apli-

cadas a Sistemas Reais, 3 edn, UFMG, 2007.

Aguirre, L.; Correa, M. & Cassini, C. C. S. Nonline-

arities in NARX polynomial models: represen-

tation and estimation Control Theory and Ap-

plications, IEE Proceedings, 2002, 149,

343348.

Akaike, H. A new look at the statistical model iden-

tification. Automatic Control, IEEE Transac-

tions on, 1974, 19, 716 – 723.

Avelar, V. S., Baccarini, L. M. R. e Amaral, G. F.

V. Desenvolvimento de um sistema inteligente

para diagnóstico de falhas nos enrolamentos do

estator de motores de indução. X SBAI – Sim-

pósio Brasileiro de Automação Inteligente,

2011.

Baccarini, L. M. R.; de Menezes, B. R. & Caminhas,

W. M. Fault induction dynamic model, suitable

for computer simulation: Simulation results

and experimental validation. Mechanical Sys-

tems and Signal Processing, 2010, 24, 300 –

311.

Baccarini., L. M. R. Detecção e Diagnóstico de

Falhas em Motores de Indução. Universidade

Federal de Minas Gerais, Programa de Pós-

Graduação em Engenharia Elétrica, 2005.

Bellini, A.; Filippetti, F.; Tassoni, C. & Capolino,

G.-A. Advances in Diagnostic Techniques for

Induction Machines. Industrial Electronics,

IEEE Transactions on, 2008, 55, 4109-4126.

Billings, S. Identification of nonlinear systems - a

survey. Control Theory and Applications, IEE

Proceedings D, 1980, 127, 272 – 285.

Boqiang, X.; Heming, L. & Liling, S. Apparent

impedance angle based detection of stator

winding inter-turn short circuit fault in induc-

tion motors. Industry Applications Conference,

2003. 38th IAS Annual Meeting. Conference

Record of the, 2003, 2, 1118 – 1125 vol.2.

Brito, J., Lamim Filho, P. C. M., Silva, V. A. D. e

Pederiva, R. Estudo comparativo entre técnica

tradicional e técnica moderna para detecção de

baixa isolação em motores de indução trifási-

cos. CONEM - VII Congresso Nacional de

Engenharia Mecânica., 2012.

Chen, S.; Billings, S. A. & Luo, W. Orthogonal least

squares methods and their application to non-

linear system identification. International

Journal of Control, Taylor & Francis, 1989,

50, 1873 – 1896.

E.M.A.M. Mendes, S. A. Billings. An alternative

solution to the model structure selection prob-

lem, IEEE Trans. Man Cybernetics – Part A,

2001, 36 No. 21, 597 – 608.

Heredia, G. & Ollero, A. Virtual Sensor for Failure

Detection, Identification and Recovery in the

Transition Phase of a Morphing Aircraft. Sen-

sors, 2010, 10, 2188 – 2201.

Lennart Ljung L. System Identification - Theory For

the User. 2nd ed. Prentice Hall, 1999.

Martins, J.; Pires, V. & Pires, A. Unsupervised Neu-

ral-Network-Based Algorithm for an On-Line

Diagnosis of Three-Phase Induction Motor

Stator Fault. Industrial Electronics, IEEE

Transactions on, 2007, 54, 259 – 264.

Martins, S. A. M., Nepomuceno, E. G., e Figueire-

do, J. P. Detecção de estruturas de modelos

narmax polinomiais: uma abordagem inteligen-

te multi-objetivo. X SBAI – Simpósio Brasilei-

ro de Automação Inteligente, 2011. Massirer, D. A. Sistema especialista protótipo para

auxílio à verificação da estrutura de produto de

motores elétricos. Universidade Federal de

Santa Catarina, 2007.

Razik, H.; Correa, M. & Da Silva, E. R. C. The

tracking of induction motor's faulty lines

through particle swarm optimization using

chaos. Industrial Technology (ICIT), 2010

IEEE International Coference on, 2010, 1245

– 1250.

Santos, F. M. d. C.; Silva, I. N. d. & Suetake, M.

Sobre a aplicação de sistemas inteligentes para

diagnóstico de falhas em máquinas de indução-

uma visão geral. Sba: Controle & Automação,

Sociedade Brasileira de Automatica, scielo,

2012, 23, 553 – 569.

Tallam, R.; Habetler, T. & Harley, R. Transient

model for induction machines with stator

winding turn faults. Industry Applications Con-

ference, 2000. Conference Record of the 2000

IEEE, 2000, 1, 304 – 309 vol.1.

Tallam, R.; Lee, S.-B.; Stone, G.; Kliman, G.; Yoo,

J.-Y.; Habetler, T. & Harley, R. A Survey of

Methods for Detection of Stator-Related Faults

in Induction Machines. Industry Applications,

IEEE Transactions on, 2007, 43, 920 – 933.

Tan, W.-W. & Huo, H. A generic neurofuzzy mod-

el-based approach for detecting faults in induc-

tion motors. Industrial Electronics, IEEE

Transactions on, 2005, 52, 1420 – 1427.

Thomson, W. & Fenger, M. Current signature anal-

ysis to detect induction motor faults. Industry

Applications Magazine, IEEE, 2001, 7, 26 –

34. Troch, I. Simulation and modelling of continuous

systems: A case study approach: D. Matko, R.

Karba and B. Zupancic. Automatica, 1994, 30,

1808 – 1810.


2961

DETECÇÃO DE FALHA EM MOTORES DE INDUÇÃO … · Figura 1: Representação de um enrolamento...

Documents

Transcript of DETECÇÃO DE FALHA EM MOTORES DE INDUÇÃO … · Figura 1: Representação de um enrolamento...