Classificação de falhas em maquinas eletricas usando redes neurais, modelos wavelet e medidas de informação

CAPES; CNPq === Este trabalho apresenta uma proposta de metodologia para detecção e classificação de falhas em motores de indução trifásicos ligados diretamente à rede elétrica. O método proposto é baseado na análise dos sinais de corrente do estator, com e sem a presença de falhas nos rolamentos, e...

Full description

Bibliographic Details
Main Author: Silva, Lyvia Regina Biagi
Other Authors: Scalassara, Paulo Rogério
Language:Portuguese
Published: Universidade Tecnológica Federal do Paraná 2015
Subjects:
Online Access:http://repositorio.utfpr.edu.br/jspui/handle/1/1201
id ndltd-IBICT-oai-repositorio.utfpr.edu.br-1-1201
record_format oai_dc
collection NDLTD
language Portuguese
sources NDLTD
topic Máquinas elétricas
Redes neurais (Computação)
Wavelets (Matemática)
Entropia (Teoria da informação)
Localização de falhas (Engenharia)
Electric machinery
Neural networks (Computer science)
Wavelets (Mathematics)
Entropy (Information theory)
Fault location (Engineering)
spellingShingle Máquinas elétricas
Redes neurais (Computação)
Wavelets (Matemática)
Entropia (Teoria da informação)
Localização de falhas (Engenharia)
Electric machinery
Neural networks (Computer science)
Wavelets (Mathematics)
Entropy (Information theory)
Fault location (Engineering)
Silva, Lyvia Regina Biagi
Classificação de falhas em maquinas eletricas usando redes neurais, modelos wavelet e medidas de informação
description CAPES; CNPq === Este trabalho apresenta uma proposta de metodologia para detecção e classificação de falhas em motores de indução trifásicos ligados diretamente à rede elétrica. O método proposto é baseado na análise dos sinais de corrente do estator, com e sem a presença de falhas nos rolamentos, estator e rotor. Um dos efeitos desses tipos de falhas é o aparecimento de componentes de frequência específicas, relacionados à velocidade de rotação da máquina. Os sinais foram analisados usando a decomposição wavelet-packet, que permite a avaliação dos sinais em bandas de frequência de tamanhos variáveis. A partir dessa decomposição, aplicaram-se medidas de previsibilidade, como entropia relativa, potência de previsão e variância de erro normalizada, obtida com a análise de componentes previsíveis. Com essas medidas, foi possível verificar quais componentes da decomposição são mais previsíveis. Neste trabalho, a variância de erro normalizada e a potência de previsão foram utilizadas como entradas para três topologias de redes neurais artificiais classificadoras: perceptron multicamadas, redes de funções de base radial e mapas auto-organizáveis de Kohonen. Foram testados seis diferentes vetores de entrada para as redes neurais, utilizando medidas de previsibilidade e número de elementos dos vetores variados. Os ensaios foram realizados considerando amostras de sinal de diferentes motores, com vários tipos de falha, operando sob diversos regimes de torque e condições de desequilíbrio de tensão. Primeiramente, os sinais foram classificados em dois padrões: com e sem a presença de falhas. Posteriormente, detectou-se o tipo de falha presente nos sinais: rolamento, estator ou rotor. Por último, as amostras foram classificadas dentro do subgrupo de falha em que estavam presentes. === This work presents a methodology for diagnosis and classification of faults in three-phase induction motors connected directly to the power grid. The proposed method is based on the analysis of the stator current signals, with and without the presence of faults in the bearings, stator and rotor. These faults cause the presence of specific frequency components that are related to the machine rotational speed. The signals were analyzed using wavelet-packet decomposition, which allows a multiresolution evaluation of the signals. Using this decomposition, we estimated some predictability measures, such as relative entropy, predictive power and normalized error variance, obtained with the predictability component analysis. With this measures, we verified which were the most predictable components. In this work, normalized error variance and the predictive power were used as inputs to three topologies of artificial neural networks used as classifiers: multilayer perceptron, radial basis function and Kohonen self-organizing maps. We tested six different input vectors to the artificial neural networks, in which we vary the predictability measures and the number of elements of the vectors. The studies were performed considering samples of signals from different motors, with various kinds of faults, working under several load conditions and with voltage unbalance. The signals were firstly classified in two patterns: with and without the presence of faults. After, we detected the kind of fault was present in the signal: bearing, stator or rotor fault. Last, the samples were classified inside the subgroup in which they were.
author2 Scalassara, Paulo Rogério
author_facet Scalassara, Paulo Rogério
Silva, Lyvia Regina Biagi
author Silva, Lyvia Regina Biagi
author_sort Silva, Lyvia Regina Biagi
title Classificação de falhas em maquinas eletricas usando redes neurais, modelos wavelet e medidas de informação
title_short Classificação de falhas em maquinas eletricas usando redes neurais, modelos wavelet e medidas de informação
title_full Classificação de falhas em maquinas eletricas usando redes neurais, modelos wavelet e medidas de informação
title_fullStr Classificação de falhas em maquinas eletricas usando redes neurais, modelos wavelet e medidas de informação
title_full_unstemmed Classificação de falhas em maquinas eletricas usando redes neurais, modelos wavelet e medidas de informação
title_sort classificação de falhas em maquinas eletricas usando redes neurais, modelos wavelet e medidas de informação
publisher Universidade Tecnológica Federal do Paraná
publishDate 2015
url http://repositorio.utfpr.edu.br/jspui/handle/1/1201
work_keys_str_mv AT silvalyviareginabiagi classificacaodefalhasemmaquinaseletricasusandoredesneuraismodeloswaveletemedidasdeinformacao
_version_ 1718680999915683840
spelling ndltd-IBICT-oai-repositorio.utfpr.edu.br-1-12012018-05-28T04:41:31Z Classificação de falhas em maquinas eletricas usando redes neurais, modelos wavelet e medidas de informação Silva, Lyvia Regina Biagi Scalassara, Paulo Rogério Máquinas elétricas Redes neurais (Computação) Wavelets (Matemática) Entropia (Teoria da informação) Localização de falhas (Engenharia) Electric machinery Neural networks (Computer science) Wavelets (Mathematics) Entropy (Information theory) Fault location (Engineering) CAPES; CNPq Este trabalho apresenta uma proposta de metodologia para detecção e classificação de falhas em motores de indução trifásicos ligados diretamente à rede elétrica. O método proposto é baseado na análise dos sinais de corrente do estator, com e sem a presença de falhas nos rolamentos, estator e rotor. Um dos efeitos desses tipos de falhas é o aparecimento de componentes de frequência específicas, relacionados à velocidade de rotação da máquina. Os sinais foram analisados usando a decomposição wavelet-packet, que permite a avaliação dos sinais em bandas de frequência de tamanhos variáveis. A partir dessa decomposição, aplicaram-se medidas de previsibilidade, como entropia relativa, potência de previsão e variância de erro normalizada, obtida com a análise de componentes previsíveis. Com essas medidas, foi possível verificar quais componentes da decomposição são mais previsíveis. Neste trabalho, a variância de erro normalizada e a potência de previsão foram utilizadas como entradas para três topologias de redes neurais artificiais classificadoras: perceptron multicamadas, redes de funções de base radial e mapas auto-organizáveis de Kohonen. Foram testados seis diferentes vetores de entrada para as redes neurais, utilizando medidas de previsibilidade e número de elementos dos vetores variados. Os ensaios foram realizados considerando amostras de sinal de diferentes motores, com vários tipos de falha, operando sob diversos regimes de torque e condições de desequilíbrio de tensão. Primeiramente, os sinais foram classificados em dois padrões: com e sem a presença de falhas. Posteriormente, detectou-se o tipo de falha presente nos sinais: rolamento, estator ou rotor. Por último, as amostras foram classificadas dentro do subgrupo de falha em que estavam presentes. This work presents a methodology for diagnosis and classification of faults in three-phase induction motors connected directly to the power grid. The proposed method is based on the analysis of the stator current signals, with and without the presence of faults in the bearings, stator and rotor. These faults cause the presence of specific frequency components that are related to the machine rotational speed. The signals were analyzed using wavelet-packet decomposition, which allows a multiresolution evaluation of the signals. Using this decomposition, we estimated some predictability measures, such as relative entropy, predictive power and normalized error variance, obtained with the predictability component analysis. With this measures, we verified which were the most predictable components. In this work, normalized error variance and the predictive power were used as inputs to three topologies of artificial neural networks used as classifiers: multilayer perceptron, radial basis function and Kohonen self-organizing maps. We tested six different input vectors to the artificial neural networks, in which we vary the predictability measures and the number of elements of the vectors. The studies were performed considering samples of signals from different motors, with various kinds of faults, working under several load conditions and with voltage unbalance. The signals were firstly classified in two patterns: with and without the presence of faults. After, we detected the kind of fault was present in the signal: bearing, stator or rotor fault. Last, the samples were classified inside the subgroup in which they were. 2015-05-27T20:48:23Z 2015-05-27T20:48:23Z 2014-02-21 info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/masterThesis SILVA, Lyvia Regina Biagi. Classificação de falhas em máquinas elétricas usando redes neurais, modelos wavelet e medidas de informação. 2014. 84 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2014. http://repositorio.utfpr.edu.br/jspui/handle/1/1201 por info:eu-repo/semantics/openAccess Universidade Tecnológica Federal do Paraná Cornelio Procopio Programa de Pós-Graduação em Engenharia Elétrica reponame:Repositório Institucional da UTFPR instname:Universidade Tecnológica Federal do Paraná instacron:UTFPR