Controle preditivo em motor de indução trifásico com uso de filtros lms para estimação de espectro de frequência à baixas frequências de excitação / Predictive control in three-phase induction motor using lms filters for estimation of frequency spectrum at low excitation frequencies

David Augusto Ribeiro, Juliano Coelho Pereira, Diego Cardoso Fuzatto

Abstract


Motores de indução tornaram-se extremamente eficientes em diversos processos industriais. Assim, observa-se a necessidade de maior atenção perante suas possíveis falhas, que podem ser estatóricas, rotóricas e mecânicas. Os motores em questão estão sujeitos a todo instante a um dos tipos de falhas, sendo assim, as manutenções preditivas são extremamente essenciais para evitar, tanto as perdas em processos produtivos, quanto em perdas financeiras. Um dos maiores problemas em máquinas rotativas é o defeito de desbalanceamento de massa. Esse defeito implica em esforço excessivo nos mancais causando redução de sua vida útil, sendo assim, é crucial a detecção automática destas falhas e com alto desempenho. Este trabalho tem por objetivo detectar falhas induzidas de desbalanceamento de polias conectadas ao eixo de motores de indução por análise de vibração. Utiliza-se filtros LMS para eliminação de ruídos nos estágios iniciais de acionamento do motor. A detecção de falhas, em todos os casos analisados, foi determinada com desempenho considerável em análises off-line.


Keywords


Motores de indução trifásico. Desbalanceamento. Análise de vibração. Ruído. Filtros LMS.

References


AZEVEDO, R. S. Desenvolvimento de uma ferramenta virtual para detecção e análise do defeito de desbalanceamento em simulador de máquina rotativa. 80P. Monografia. Universidade de Brasília, UNB, 2017.

BARBOSA, I. J. T. Aceleração de Algoritmos para Estimativa da Frequência Cardíaca Fetal Utilizando FPGA. Monografia, Universidade de Brasília, UNB, 2016.

BOHR, H. J.; BOHR, S.; BRUNAK, R.M. Protein secondary structure and homology by neurais networks. FEBS Letters, v.241, n.1, pp. 223-228. 1988.

DRUMRIGHT, T. Adaptive Filtering. [S.l.], 1998.

DSP.LMSFILTER. System Object Documentation. [S.l.]. Disponível em: http://www.mathworks.com/help/dsp/ref/dsp.lmsfilter-class.html, 2019.

HAYKIN, S. Adaptive Filter Theory. 2nd Edition. Prentice-Hall Inc., New Jersey, 1991.

KASABOV, N. Evolving connectionist systems: Methods and Applications in Bioinformatics. Brain Study and Intelligent Machines, Springer Verlag, 2002.

MARQUES, J. Reconhecimento de padrões métodos estatísticos e neuronais. Portugal: IST Press, 284 p, 1999.

OLIVEIRA, J. P.; CARVALHO, M. O. M. M.; MORAES, M. V. G. Balanceamento de rotores pelo método de otimização four run method accelerated com aplicação em hidrogerador. Revista Interdisciplinar de Pesquisa em Engenharia, v. 2, n. 4, p. 54-73, 2016.

PINHEIRO, H. C. Sistema para Detecção e Diagnóstica de Falhas em Motores Elétricos de Indução Utilizando Lógica Fuzzy. 103 f. Dissertação de Mestrado, Universidade Federal do Rio Grande do Norte, Natal, 2011.

POZO, A. T. R. Tópicos Especiais em Inteligência Artificial. 34p. Classificação. pp.13, Universidade Federal do Paraná, UFPR, 2006.

P-N. Tan et al. Introduction to data mining. Noida: Pearson Education India,165 p., 2006.

SOUSA, W. S. Desenvolvimento de um sistema aplicativo em labview para o monitoramento de máquinas rotativas com um módulo de balanceamento de rotores. 114p. Trabalho de conclusão de curso, Universidade Federal do Pará, Pará, 2005.

SPAMER, F. R. Técnicas Preditivas de Manutenção de Máquinas Rotativas. Universidade Federal do Rio de Janeiro. Rio de Janeiro, 2009.

THEODORIDIS, S.; KOUTOUMBAS, K. Pattern recognition. San Diego: Academic Press, 1999.

TOU, J. T.; GONZALEZ, R. C. Pattern recognition principles. Massachusetts: Addison-Wesley Publishing Company, 399 p, 1981.




DOI: https://doi.org/10.34117/bjdv6n4-206

Refbacks

  • There are currently no refbacks.