APLICAC˘AO DE REDES NEURAIS ARTIFICIAIS PARA A …frequ^encia CFW-09 da WEG, operando no modo escalar. A carga e imposta ao motor por um freio de Foucault, especialmente confeccionado

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A DETECÇÃO DE FALHASEM BARRAS ROTÓRICAS DE MOTORES DE INDUÇÃO

Igor Rocha de Sousa∗, Cláudio Marques de Sá Medeiros∗

∗Laboratório de Processamento de Energia, Depto. da Indústria, Instituto Federal de Educação, Ciênciae Tecnologia do Ceará, Av. 13 de Maio, 2081, CEP 60040-531, Fortaleza, Ceará, BRASIL

Emails: [email protected], [email protected]

Abstract— This paper discusses the detection of broken rotor bars in a real induction motor applying a mul-tilayer perceptron neural network. For the detection, are used informations about the motor working conditionsand statistical measures provided from an induced voltage signal in the motor axial flux search coil. Also, op-erating conditions with a healthy motor, one broken bar, two adjacent broken bars, three adjacent broken barsand three equidistant broken bar are explored. The neural network was 98.0% successful on the classificationsbetween healthy motor and faulted motor by one rotor bar, making the performed approach quite promising.

Keywords— Failure detection, Broken rotor bars, Multilayer perceptron, High order statistics.

Resumo— Este artigo trata da detecção de abertura de barras rotóricas em um motor de indução real utili-zando uma rede neural do tipo Multilayer Perceptron. Para a detecção, são utilizadas informações de condiçãode trabalho do motor e medidas estat́ısticas provenientes do sinal de tensão induzida em uma bobina coletora defluxo axial da máquina. São exploradas condições de funcionamento com o motor sem falhas, falha uma barra,falha em duas barras adjacentes, falha em três barras adjacentes e falha em três barras equidistantes. A redeneural obteve êxito em 98,0% das classificações entre o motor normal e com falha em uma barra, tornando aabordagem realizada bastante promissora.

Palavras-chave— Detecção de falhas, Quebra de barras rotóricas, Perceptron multicamadas, estat́ısticas dealta ordem.

1 Introdução

O motor de indução tipo gaiola de esquilo é o ca-valo de forca da indústria por causa de sua re-sistência e versatilidade. Contudo, ele tem suaslimitações, que se forem excedidas, resultarão emfalha prematura do estator ou do rotor (Bonnettand Soukup, 1991).

No caso espećıfico do motor com rotor gaiolade esquilo, a grande maioria das falhas é causa-das por uma combinação de várias estresses queatuam sobre os enrolamentos do estator, anéis ebarras rotóricas, rolamentos e eixo. Se estes es-tresses não excederem as especificações de pro-jeto, a falha prematura não deverá ocorrer. Noentanto, se qualquer combinação delas excede acapacidade nominal, a vida útil pode ser drastica-mente reduzida e um falha catastrófica pode ocor-rer (Bonnett, 2010; Bonnett and Soukup, 1986).

Dentre as falhas citadas, as associadas à gai-ola de esquilo estão muitas vezes relacionadas aoprocesso de fabricação. Bolhas de ar podem serintroduzidas na gaiola, o que provoca a reduçãoda seção transversal à passagem de corrente econsequente a formação de pontos quentes. Comisso, aumentam-se as chances de evolução da falhaao ponto de completo rompimento de uma barra,por exemplo. Bonnett (2010) e Haji and Toliyat(2001) relatam que entre 5% e 10% das falhas emmotores de indução trifásicos ocorrem por aber-tura de barras do rotor. Estas falhas, quando emestágio inicial, são de dif́ıcil percepção. Vibraçõesanormais podem ser percept́ıveis durante partidasou entrada de carga severas. Porém, com a uti-

lização generalizada de conversores de frequência,os quais propiciam partidas suaves, a dificuldadena detecção dessas falhas é maior.

Diversos estudos tem sido realizados sobreeste tema. Milimonfared et al. (1999), por exem-plo, implementaram um método de detecção defalha na gaiola de motores de indução trifásicosbaseado na análise do espectro harmônico dastensões induzidas no bobinamento estatórico pelofluxo rotórico após a desconexão da rede de ali-mentação. Na ausência de falha, a tensão induzidaé predominantemente senoidal. Caso contrário, atensão induzida apresenta distorções em relação auma senóide.

Li and Mechefske (2006) comparam a detec-ção da quebra de barras através de análises espec-trais de frequência da corrente do estator(MCSA),da vibração e da acústica do motor.

Elkasabgy et al. (1992), trabalharam com adetecção da abertura de barras pelo espectro defrequência da tensão induzida em uma bobina ex-terna através do fluxo axial de dispersão da má-quina. Quando há a abertura de uma ou maisbarras, frequências espećıficas ffalha surgem nestatensão induzida de acordo com a Equação 1 a se-guir

ffalha =

(2fsp

)(1 − s) ± sfs , (1)

em quefs é a frequência elétrica de alimentação,s é o escorregamento do rotor e p é o número depolos do motor. Os resultados de testes mostramque as componentes de frequência devido a falhasnas barras se tornam mais significativas a medida

XIII Simpósio Brasileiro de Automação Inteligente

Porto Alegre – RS, 1o – 4 de Outubro de 2017

ISSN 2175 8905 937

que a carga aumenta e a medida que a tensão dealimentação aumenta.

Nas últimas três décadas, a utilização de reco-nhecimento de padrões na detecção de quebra debarras vem crescendo no meio acadêmico. Zhitonget al. (2003), por exemplo, utilizam máquinas devetor de suporte para a classificação. Haji andToliyat (2001) utilizam o classificador de Fischer,Pereira and da Silva Gazzana (2004) utilizam alógica fuzzy e Ayhan et al. (2006) utilizam redesneurais artificiais.

Muitos dos artigos abordam a detecção de fa-lhas a partir da análise espectral, seja ela baseadaem sinais de vibração, tensões induzidas em bobi-nas ou correntes de alimentação do motor. Em ge-ral, estes estudos são de caráter investigativo, comdetecção off-line. Mas quando se pretende embar-car o algoritmo de detecção em um processador di-gital de um conversor de frequência, por exemplo,as dificuldades aparecem. Embora o algoritmo daFast Fourrier Transform (FFT) demande poucosrecursos de memória de programa e seja rápido,os recursos de memória de dados, bem como otempo necessário para aquisição dos dados, podemser demasiadamente grandes. Vieira et al. (2016)utilizaram componentes do espectro de frequênciada corrente estatórica do motor como atributos deentrada de uma rede neural do tipo Multi-LayerPerceptron (MLP), implementada em microcon-trolador DSP, para detectar curto-circuito entreespiras estatóricas. A uma taxa de amostragemde 1 kHz, foram necessários 4, 096 segundos paraa formação de um espectro de frequência com re-solução de 0, 24Hz.

Objetivando reduzir o tempo de diagnóstico,os autores, inspirados em Zarei et al. (2014), in-vestigam a utilização de momentos de alta or-dem (Higher Order Statistic) do sinal de tensãoinduzida em uma bobina axial ao eixo do mo-tor como atributos de entrada de uma rede MLPpara detecção de falhas em barras rotóricas. Nestaabordagem, os recursos de memória de dados etempo de aquisição dos dados são bastante redu-zidos quando comparados à aplicação de FFT.

2 Metodologia

O processo desenvolvido para viabilizar o estudosobre detecção de falhas é apresentado na Fi-gura 1.

O motor de indução, sob diferentes condi-ções operacionais, é acionado pelo conversor defrequência CFW-09 da WEG, operando no modoescalar. A carga é imposta ao motor por um freiode Foucault, especialmente confeccionado paraeste fim (vide Figura 2). O sistema de aquisiçãode dados Agilent U2352 é utilizado para coletar ossinais de tensão provenientes da bobina que geratensão induzida decorrente do fluxo axial da má-quina. Estes sinais, que não passam por nenhum

tipo de tratamento (filtros), são armazenados namemória de um computador pessoal para proces-samento posterior.

Extraçãode atributos

Motor + freio de FoucaltConversor deFrequência

Aquisiçãode dados

Rede Neural

+1

-1

Y

X

Classificaçãode padrões

(detecção de falha)

Figura 1: Etapas do processo de detecção.

Figura 2: Bancada de testes.

A seguir, são apresentadas as metodologias deindução das falhas no motor e de formação do con-junto de dados. Breves comentários também sãofeitos sobre o classificador utilizado.

2.1 Indução de Falhas

Os métodos abordados na literatura especializadae utilizados para a emulação de falhas por aber-tura de barras provocam uma mudança significa-tiva dos parâmetros da máquina em estudo. Elka-sabgy et al. (1992) e Abbaszadeh et al. (2001), porexemplo, aplicaram processos de usinagem paradesconectar as barras dos anéis de curto-circuito.Guedidi et al. (2011) emularam suas falhas como aux́ılio de 3 rotores: um em perfeitas condiçõesoperacionais, um com a abertura de uma barrae um com duas barras adjacentes abertas. De-mian et al. (2004) usaram duas maquinas: umaconsiderada normal e outra com 3 barras adjacen-tes abertas. Pereira and da Silva Gazzana (2004)utilizaram um único estator e quatro rotores com44 barras: um normal, um com uma barra aberta,um com 6 barras abertas e um com 18 barras aber-tas.

Nesta abordagem, os autores utilizam ummotor WEG de 1,0 CV (1720 rpm, 220/380 V,



938

3,02/1,75 A e rendimento de 79,5%) com 44 bar-ras rotóricas para emular as falhas. Inicialmentesão realizados ensaios e adquiridos os dados com orotor em perfeitas condições. É imposta uma fa-lha por rompimento de uma barra e, em seguida,são realizados ensaios e capturados os dados. Esteprocedimento é repetido para as falhas induzidasde duas e três barras adjacentes. A idéia aquié que, durante o processo de indução das falhas,o rotor sofra as alterações paramétricas mı́nimaspara a caracterização das mesmas. A desvantagemdessa metodologia é a impossibilidade de reprodu-ção dos ensaios.

2.2 Caracterização dos Dados

Durante a operação normal de uma máquina deindução trifásica, o fluxo de dispersão é despreźıvelmas não nulo. Assimetrias de circuitos elétricose magnéticos do estator e/ou rotor, decorrentesdo processo de fabricação causam o surgimentode fluxo axial disperso no eixo do motor, mesmoquando são aplicadas tensões simétricas (Jarzyna,1995). Meshgin-Kelk et al. (2004) mostram comoa quebra de barras afeta o fluxo axial.

Elkasabgy et al. (1992) afirmam que para ob-ter tensão induzida pelo fluxo axial é necessáriaapenas uma bobina com 10 ou 20 espiras com com-primento equivalente ao comprimento axial ativoda máquina e largura de cerca da metade de umpolo. Visando uma maior tensão induzida paradiminuir os efeitos de rúıdo, os autores deste ar-tigo instalaram uma bobina com 100 espiras naparte interna da tampa dianteira do motor, de talforma a captar a tensão induzida pelo fluxo axial.O conversor de frequência foi utilizado para acio-nar o motor nas frequências de 30, 35, 40, 45, 50,55 e 60 Hz. Frequências abaixo de 30 Hz e acimade 60 Hz não foram aplicadas pelo fato de nãoserem condições normalmente usadas em motoresde indução. Para cada uma dessas frequências, omotor foi testado com 0 %, 50 % e 100 % da carganominal, e sob as condições de rotor normal, fa-lha em uma barra, em duas barras adjacentes eem três barras adjacentes. Utilizando-se outro ro-tor, obteve-se a falha em três barras equidistantes.Para cada classe são geradas 504 amostras no do-mı́nio do tempo, consistindo de sinais compostosde 4.096 pontos coletados a uma frequência amos-tral de 5 kHz. Com isso, o tempo de aquisição detodas as amostras é de 0, 8192 segundos.

Na Figura 3 pode-se ver dois espectros defrequência de sinais coletados com o motor acio-nado a uma frequência de 60Hz e 100% de carga.

Um dos sinais refere-se a condição normal deoperação e o outro a uma condição de falha em trêsbarras adjacentes. A aplicação da Equação 1 su-gere que as componentes de frequência 24, 433Hze 31, 855Hz podem ser utilizadas para caracteri-zar a falha. Entretanto, observa-se que as varia-

normal

falha 3 barras adj.em

31,855 Hz

A = 1,62 ⋅10-3

24,433 Hz

A = 5,55 ⋅10-3

60 Hz

A = 45,93 ⋅10-3

frequência ( )Hz

Am

pli

tud

e (

)A

Figura 3: Espectros de frequência relativos as con-dições normal e falha em três barras adjacentes.

ções nas amplitudes destas componentes, mesmopara condições diametralmente opostas, são poucosignificativas. É importante salientar que o su-cesso em uma análise espectral está diretamenterelacionado à resolução do espectro de frequência.

Diante da dificuldade apresentada, os autoresinvestigam a caracterização de cada sinal de ten-são induzida na bobina axial por medidas estat́ıs-ticas de variância, skewness e kurtosis. Estas, porsua vez, são menos senśıveis a quantidade de pon-tos amostrados em relação a aplicação da transfor-mada de Fourrier. Os histogramas dos dois sinaiscitados (Figura 4) revelam diferenças visualmentepercept́ıveis, acompanhadas de diferenças relevan-tes em seus valores estat́ısticos citados.

−2 −1.5 −1 −0.5 0 0.5 1 1.5 20

50

100

150

−2 −1.5 −1 −0.5 0 0.5 1 1.5 20

50

100

150

motor normal, em condições nominais

motor com falha em 3 barras adjacentes, em condições nominais

Figura 4: Histograma dos sinais relativos a condi-ção normal e falha em três barras adjacentes.

Na seção seguinte são apresentados os resul-tados preliminares da avaliação da efetividade dautilização das medidas estat́ısticas citadas comoatributos de entrada do detector de falhas.

2.3 Formação do Conjunto de Dados

Considerando que se pretende projetar um detec-tor de falhas prematuras por abertura de barrasrotóricas, nada mais natural do que construir umconjunto de dados que contemple as classes nor-mal e falha em uma barra. Intuitivamente, essas



939

classes devem conter as amostras mais dif́ıceis dese distinguir, dada a proximidade das mesmas nohiperespaço de atributos. Supostamente, se a clas-sificação é bem sucedida entre essas classes, a clas-sificação entre normal e as demais classes tambémdeverá ser.

Um estudo preliminar, utilizando todas asamostras em 50 treinamentos de uma rede MLP,foi realizado para avaliar a separabilidade das clas-ses. Os resultados obtidos pelos autores podemser considerados satisfatórios, dado que obteve-seuma taxa de acerto médio de 70, 59% e desvio pa-drão de 1, 23 para a classe normal e taxa de acertomédio de 60, 89% e desvio padrão de 1, 60 para aclasse de falha em uma barra (falha prematura).Porém, deseja-se melhores resultados.

Uma investigação mais aprofundada sobre oconjunto de dados e as condições sob as quais cadaamostra é obtida, sugere que a inclusão de infor-mações referentes ao ńıvel de carga e frequênciacomandada como atributos extras pode contribuirpara uma melhora nas taxas de classificação.

A frequência comandada é facilmente obtidaquando se implementa o detector no próprio pro-cessador do conversor de frequência. A informa-ção da carga, porém, não é trivial. A utilizaçãode dinamômetros se apresenta como uma opçãode custo proibitivo, principalmente em sistemasde detecção em motores de pequeno porte. Entre-tanto, como pode ser visto na Figura 5, o conju-gado imposto ao motor pela carga pode ser esti-mado através da medição de corrente estatórica,dado que a corrente é uma imagem do conjugadode carga em regime permanente de operação.

corrente

conjugado

% C

on

jug

ad

o n

om

inal

% velocidade nominal

conjugado ecorrente nominais

conjugado ecorrente à vazio

600

100

100

conjugado máximo

% C

on

om

inal

rren

te

Figura 5: Curvas de conjugado e corrente versusvelocidade angular em motor de indução.

É importante salientar que as informações defrequência comandada e corrente de fase podemser obtidas de conversores de frequência comerci-ais através da transmissão de dados por comuni-cação serial ou, até mesmo, disponibilizadas emsáıdas analógicas.

O conjunto de dados utilizado no restantedeste estudo é, portanto, composto por 504 amos-tras para cada uma das 5 classes, sendo elas nor-mal (N), falha em uma barra (B1), falha em duas

barras adjacentes (B2A), falha em três barras ad-jacentes (B3A) e falha em três barras equidistan-tes (B3E). Cada amostra contém 5 atributos: va-riância, kurtosis, skewness, frequência comandadae ńıvel de carga estimado.

3 Resultados

Após a realização de testes exaustivos, a topologiada rede escolhida apresenta três camadas, com 5unidades de processamento na entrada, 13 neurô-nios na camada escondida, 1 neurônio de sáıdae funções de ativação tipo tangente hiperbólica.Os dados de treinamento, normalizados no inter-valo entre −1 e +1, formam os conjuntos de trei-namento e teste, compostos por 70% e 30% dosdados, respectivamente. O algoritmo Back Propa-gation, implementado no software MATLAB R©, éaplicado em 1000 épocas com decaimento da taxade aprendizagem (η0 = 0, 03) e termo de momen-tum fixo de α = 0, 5. Os classificadores foram pro-jetados para não rotularem amostras cuja sáıdada rede esteja dentro da faixa entre −0, 2 e +0, 2.A adoção dessa faixa de rejeição reduz as taxasde falso-negativos e falso-positivos, melhorando aconfiabilidade e a robustez do classificador.

Inicialmente, foram realizados 50 treinamen-tos de classificadores binários, os quais distinguemamostras referentes à operação normal do motorde amostras do rotor com uma barra aberta. Asmatrizes de confusão do melhor classificador, bemcomo o gráfico boxplot dos 50 treinamentos sãoapresentados nas Figuras 6 e 7.

Pode-se observar na Figura 6 que 23 amostrasde treinamento foram rejeitadas pelo classificador,devido à faixa de rejeição imposta na sáıda do clas-sificador. Das 340 amostras do conjunto normal,apenas 6 foram classificadas incorretamente, en-quanto apenas 7 das 343 amostras de falha foramconsideradas como normal.

É importante salientar que a topologia uti-lizada gera resultados bastante consistentes. Avariabilidade das taxas de acerto nos 50 classifica-dores, tanto nos conjuntos de treinamento quantonos conjuntos de teste, é bastante pequena. Alémdisso, as taxas de acerto, de rejeição, de falsos-positivos (FP) e de falsos-negativos (FN), apre-sentadas nas matrizes de confusão referentes aosconjuntos de treinamento e teste do classificadorselecionado são muito semelhantes.

O classificador selecionado é agora levado aclassificar, além dos dados referentes ao motornormal (N) e com falha em uma barra (B1), tam-bém os dados de falhas em duas barras adjacentes(B2A), três barras adjacentes (B3A) e três barrasequidistantes (B3E). Os resultados são apresenta-dos na Tabela 1.



940

33448.9%

60.9%

98.2%1.8%

71.0%

33649.2%

98.0%2.0%

97.9%2.1%

98.2%1.8%

98.1%1.9%

3.26 % de rejeição ( 23 de 706)

normal

RÓTULOS

falha emuma barra

normal

falha emuma barra

CL

AS

SIF

ICA

ÇÃ

O

(a) Dados de treinamento

1454 . %8 9

41. %3

97.3%2.7%

20.7%

1454 . %8 9

98.6%1.4%

98.6%1.4%

97.3%2.7%

98.0%2.0%

1 98 6 2. % de rejeição ( de 30 )

normal

RÓTULOS

falha emuma barra

normal

falha emuma barra

CL

AS

SIF

ICA

ÇÃ

O

(b) Dados de teste

Figura 6: Matrizes de confusão do classificadorvencedor

0 8,

0 85,

0 9,

0 95,

1

treinamento teste

classificador vencedor

mediana

Figura 7: Gráfico boxplot dos 50 treinamentos

As taxas de acerto são altas e as taxas de re-jeição são baixas, o que sugere que o classificadosse mostra promissor. Porém, dado que se pre-tende embarcar o classificador em um conversorde frequência, espera-se que a taxa de falsos posi-tivos e falsos negativos para as classes B2A, B3Ae B3E sejam mı́nimas. Uma baixa taxa de falsosnegativos da classe B1 podem ser tolerados, tendo

Tabela 1: Resultados da classificação das 5 classes

Classe TA TR falsos(%) (%) (%)

N 97,75 2,97% 2,25% FPB1 98,16 2,77% 1,84% FN

B2A 97,01 0,40% 2,99% FNB3A 96,19 1,19% 3,81% FNB3E 97,01 0,40% 2,99% FN

em vista que a falha pode evoluir e ser mais facil-mente detectada. Porém, a confiança no classifi-cador pode ser minada com frequentes indicaçõeserrôneas de falha (falso-positivos - FP).

Objetivando reduzir a taxa de falso-positivos,os autores realizam um novo projeto de classifi-cador. Fazendo uso da mesma metodologia uti-lizada anteriormente, 50 classificadores são trei-nados com o agrupamento de todas as subclassesde falha em uma única classe, tendo o cuidadode que o conjunto de treinamento seja equilibradoquanto ao número de amostras das classes normal(350 amostras) e falha (350 amostras), e que oconjunto de falha seja contemplado com todas assubclasses de falha.

Os resultados dos 50 treinamentos são bas-tante consistentes, com baixa variabilidade das ta-xas de acerto nos conjuntos de treinamento e teste,além de grande semelhança das matrizes de confu-são médias nos conjuntos de treinamento e teste.Os resultados do classificador selecionado podemser vistos na Tabela 2.

Tabela 2: Resultados da classificação das 5 classes

Classe TA TR falsos(%) (%) (%)

N 99,19 2,18 0,81 FPB1 84,28 5,36 15,72 FN

B2A 99,60 1,19 0,40 FNB3A 98,40 0,79 1,60 FNB3E 98,80 0,40 1,20 FN

Apesar da redução da taxa de acerto e au-mento das taxas de rejeição e de falso-negativosocorridos na classe B1 (compare com a Tabela 1),houve uma melhora generalizada das taxas deacerto, de rejeição e de falso-negativos, com des-taque para a redução da taxa de falso-positivos.Fato interessante ocorre com as taxas de rejeição.À medida que a intensidade da falha aumenta,ocorre uma diminuição da taxa de rejeição. Osautores julgam que este pode ser um ind́ıcio deque também seja posśıvel a categorização das fa-lhas em subclasses. Assim, um novo projeto declassificador, agora com 5 classes, é realizado. Sãotreinadas 50 redes MLP com 5 unidades de pro-cessamento na camada de entrada, 13 neurôniosna camada oculta e 5 neurônios de sáıda.



941

A matriz de confusão no conjunto de testedo classificador escolhido dentre os 50 treinadosé apresentada na Figura 8.

1411 %8,7

101,3%

00 0%,

00 %,0

00 %,0

9 %3,46,6%

111 %,5

1161 %5,3

60 %,8

141 %,9

40 %,5

76,8%23,2%

20 %,3

233,0%

761 %0,1

324,2%

182 %,4

50,3%49,7%

40 %,5

81,1%

81,1%

1091 %4,4

222,9%

72,2%27,8%

00 0%,

40 %,5

50,7%

70 %,9

13517 %,9

8 %9,41 %0,6

89,2%10,8%

72,0%2 %8,0

80,0%2 0%0,

67,3%32,7%

75,4%24,6%

7 %6,42 %3,6

RÓTULOS

falha emuma barra

falha emduas sbarraadjacentes

falha emtrês sbarraadjacentes

falha emtrês sbarra

equidistantes

normal

falha emuma barra

normal

falha emduas sbarraadjacentes

falha emtrês sbarraadjacentes

falha emtrês sbarra

equidistantes

CL

AS

SIF

ICA

ÇÃ

O

Figura 8: Matriz de Confusão do classificador ven-cedor das 5 classes.

Observando a primeira linha da matriz,percebe-se que os dados normais são menos con-fundidos com as subclasses de falhas mais inten-sas. Na primeira coluna pode-se ver que apenasamostras pertencentes à classe B1 são confundidascom a classe normal. De forma geral, as confusõesentre as classes vão decrescendo à medida que ascondições operacionais vão se afastando entre si.

A taxa de acerto geral na classificação é de76,4%. Entretanto, o motivo dessa baixa taxaestá associado aos erros na classificação entre assubclasses de falha, e não aos erros entre a classenormal e as subclasses de falha. Isso pode serobservado na matriz de confusão apresentada naFigura 9, em que considerou-se o problema de clas-sificação do ponto de vista binário, ou seja, ou aamostra refere-se a uma operação normal ou comfalha. Neste caso, a taxa de acerto é de 95,3%. Éimportante salientar que não foi utilizada a faixade rejeição entre as classes normal e com falha.

4 Conclusões

Falhas em motores de indução por quebra de bar-ras rotóricas, embora ocorram apenas entre 5% a10% das falhas, acometem um grande número demotores, exigindo assim uma solução, como a de-tecção prematura deste tipo de falha. A utilizaçãode redes neurais artificiais traz uma grande vanta-gem, uma vez que a detecção não é feita por meioda modelagem do sistema e sim pelo reconheci-mento do padrão de espalhamento das amostrasno hiperespaço dos atributos.

Estre trabalho traz uma abordagem bastantepromissora, aos serem utilizados como atributos,

14118,7%

101,3%

9 %3,46,6%

172,2%

58777,7%

9 %7,22,8%

89,2%10,8%

98 %,31 %,7

9 %5,34,7%

normal

RÓTULOS

falha

normal

CL

AS

SIF

ICA

ÇÃ

O

falha

Figura 9: Matriz de Confusão reduzida.

medidas estat́ısticas como skewness, kurtosis e va-riância do sinal de tensão induzida em uma bobinacoletora do fluxo axial da máquina, além de infor-mações das condições de trabalho como frequên-cia comandada de alimentação e a estimativa decarga através da corrente de fase do motor. Es-tes atributos podem ser facilmente fornecidos porum conversor de frequência, o que torna viávela implementação do detector de falhas junto aomesmo.

Dentre os classificadores projetados neste tra-balho, é escolhido como classificador final o clas-sificador binário normal/falha treinado com todasas condições de falhas exploradas, por apresentarexcelentes taxas de acerto para as classes de fa-lha. Embora este classificador tenha apresentadouma taxa de acerto de 84,28% para a classe defalha em uma barra, é importante ressaltar queuma vez que o motor tenha uma barra aberta,a evolução desta falha para duas barras abertas(com acerto de 99,60%) pode sensibilizar o detec-tor, classificando corretamente o estado do motor.Além disso, a evolução citada não torna o motorinoperante, pois ambos os ńıveis de falha podemser considerados falhas incipientes. O classificadorpossui ainda baixas taxas de rejeição, com médiade 1,98% das amostras do banco de dados rejeita-das. Por fim, o classificador final possui uma taxade acerto para a classe normal de 99,19%, com abaix́ıssima taxa de falso-positivos de 0,81%, o quetorna o classificador bastante robusto e confiável.

Referências

Abbaszadeh, K., Milimonfared, J., Haji, M. andToliyat, H. (2001). Broken bar detectionin induction motor via wavelet transforma-tion, Industrial Electronics Society, 2001. IE-



942

CON’01. The 27th Annual Conference of theIEEE, Vol. 1, IEEE, pp. 95–99.

Ayhan, B., Chow, M.-Y. and Song, M.-H. (2006).Multiple discriminant analysis and neural-network-based monolith and partition fault-detection schemes for broken rotor bar in in-duction motors, IEEE Transactions on In-dustrial Electronics 53(4): 1298–1308.

Bonnett, A. H. (2010). Root cause failure analysisfor ac induction motors in the petroleum andchemical industry, 2010 record of conferencepapers industry applications society 57th an-nual Petroleum and Chemical Industry con-ference (PCIC), IEEE, pp. 1–13.

Bonnett, A. H. and Soukup, G. C. (1986). Ro-tor failures in squirrel cage induction motors,IEEE transactions on industry applications(6): 1165–1173.

Bonnett, A. and Soukup, G. C. (1991). Causeand analysis of stator and rotor failures in 3-phase squirrel cage induction motors, Pulpand Paper Industry Technical Conference,1991., Conference Record of 1991 Annual,IEEE, pp. 22–42.

Demian, C., Mpanda-Mabwe, A., Henao, H. andCapolino, G.-A. (2004). Detection of induc-tion machines rotor faults at standstill usingsignals injection, IEEE transactions on in-dustry applications 40(6): 1550–1559.

Elkasabgy, N. M., Eastham, A. R. and Daw-son, G. E. (1992). Detection of broken barsin the cage rotor on an induction machine,IEEE transactions on industry applications28(1): 165–171.

Guedidi, S., Zouzou, S., Laala, W., Sahraoui, M.and Yahia, K. (2011). Broken bar fault di-agnosis of induction motors using mcsa andneural network, Diagnostics for Electric Ma-chines, Power Electronics & Drives (SDEM-PED), 2011 IEEE International Symposiumon, IEEE, pp. 632–637.

Haji, M. and Toliyat, H. A. (2001). Patternrecognition-a technique for induction machi-nes rotor broken bar detection, IEEE Tran-sactions on Energy Conversion 16(4): 312–317.

Jarzyna, W. (1995). Diagnostic characteristics ofaxial flux in an induction machine, ElectricalMachines and Drives, 1995. Seventh Interna-tional Conference on (Conf. Publ. No. 412),IET, pp. 141–146.

Li, W. and Mechefske, C. K. (2006). Detection ofinduction motor faults: a comparison of sta-tor current, vibration and acoustic methods,

Journal of vibration and Control 12(2): 165–188.

Meshgin-Kelk, H., Milimonfared, J. and Toliyat,H. A. (2004). Interbar currents and axial flu-xes in healthy and faulty induction motors,IEEE Transactions on Industry Applications40(1): 128–134.

Milimonfared, J., Kelk, H. M., Nandi, S., Minassi-ans, A. and Toliyat, H. A. (1999). A novel ap-proach for broken-rotor-bar detection in cageinduction motors, IEEE Transactions on In-dustry Applications 35(5): 1000–1006.

Pereira, L. A. and da Silva Gazzana, D. (2004).Rotor broken bar detection and diagnosis ininduction motors using stator current sig-nature analysis and fuzzy logic, IndustrialElectronics Society, 2004. IECON 2004. 30thAnnual Conference of IEEE, Vol. 3, IEEE,pp. 3019–3024.

Vieira, R. G., Cunha, R. G. C., Medeiros, C. M. S.and Silva, E. T. (2016). Embedding a neuralclassifier to detect faults in a three-phase in-duction motor, Computing Systems Enginee-ring (SBESC), 2016 VI Brazilian Symposiumon, IEEE, pp. 136–143.

Zarei, J., Tajeddini, M. A. and Karimi, H. R.(2014). Fault diagnosis of induction motorsbroken rotor bars by pattern recognition ba-sed on noise cancelation, 2014 IEEE 23rd In-ternational Symposium on Industrial Electro-nics (ISIE), IEEE, pp. 2451–2456.

Zhitong, C., Jiazhong, F., Hongpingn, C., Guo-guang, H. and Ritchie, E. (2003). Sup-port vector machine used to diagnose thefault of rotor broken bars of induction mo-tors, Electrical Machines and Systems, 2003.ICEMS 2003. Sixth International Conferenceon, Vol. 2, IEEE, pp. 891–894.



943

Documents

APLICAC˘AO DE REDES NEURAIS ARTIFICIAIS PARA A …frequ^encia CFW-09 da WEG, operando no modo escalar. A carga e imposta ao motor por um freio de Foucault, especialmente confeccionado