Detecção de falhas em motores elétricos através das máquinas de vetores de suporte

• Main Author: Silva, Vinícius Augusto Diniz, 1987-
• Other Authors: UNIVERSIDADE ESTADUAL DE CAMPINAS
• Format: Others
• Language: Portuguese
• Published: [s.n.] 2012
• Subjects: Motores elétricos; Maquinas - Defeitos; Maquinas - Vibração; Inteligência artificial; Maquina de vetores de suporte; Electric motors; Machines - Defects; Machinery - Vibration; Artificial intelligence; Support vector machines
• Online Access: SILVA, Vinícius Augusto Diniz. Detecção de falhas em motores elétricos através das máquinas de vetores de suporte. 2012. 117 p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/265564>. Acesso em: 19 ago. 2018.; http://repositorio.unicamp.br/jspui/handle/REPOSIP/265564

Orientador: Robson Pederiva === Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica === Made available in DSpace on 2018-08-19T20:21:22Z (GMT). No. of bitstreams: 1 Silva_ViniciusAugustoDiniz_M.pdf: 16029999 bytes, checksum: a3585cbd021c6f84637d409a34a51962 (MD5) Previous issue date: 2012 === Resumo: Motores elétricos são componentes essenciais na grande maioria dos processos industriais. As diversas falhas nas máquinas de indução podem gerar consequências drásticas para um processo industrial. Os principais problemas estão relacionados ao aumento dos custos, piora nas condições do processo e de segurança e qualidade do produto final. Muitas destas falhas mostram-se progressivas. Neste trabalho, apresenta-se uma contribuição ao estudo de métodos de detecção de falhas em motores elétricos usando Máquinas de Vetores de Suporte (SVM), treinadas a partir de sinais de vibração obtidos experimentalmente. A metodologia desenvolvida é usada para classificar a excitação devido a falhas mecânicas e elétricas, além da condição normal de funcionamento, utilizando apenas um sensor de vibração. Através da seleção de parâmetros é possível reduzir o número de entradas capazes de representar os sinais utilizados para o treinamento das SVMs. A normalização proposta permitiu melhorar as taxas de acerto, quando se quer classificar falhas em diferentes níveis de severidade das que foram utilizadas para o treinamento. Os resultados mostraram que a metodologia apresentada pode ser adaptada para ser utilizada em aplicações práticas industriais e poderá ser no futuro uma saída viável para uma manutenção industrial eficiente e eficaz === Abstract: Electric motors are essential components in most industrial processes. The several faults in induction machines can produce drastic consequences for an industrial process. The main problems are related to rising costs, decrease conditions in the process and safety and quality of the final product. Many of these failures are progressive. In this paper, we present a contribution to the study of methods for detecting faults in induction motors using Support Vector Machines (SVM) trained from vibration signals obtained experimentally. The developed methodology is used to classify the excitation due to mechanical and electrical failures, in addition to normal operating condition, using only a vibration sensor. Through the feature selection is possible to reduce the number of inputs that represent the signals used for training the SVMs. The proposed standardization has improved the accuracy rates when we want to classify failures at different levels of severity that were used for training. The results showed that this methodology can be adapted for use in industrial and practical applications and in the future may be a viable approach to an efficient and effective industrial maintenance === Mestrado === Mecanica dos Sólidos e Projeto Mecanico === Mestre em Engenharia Mecânica