Return to search

Neural classifier aplied in stator winding inter-turn short circuit in three-phase induction motors driven by frequency converter / Classificadores neurais aplicados na detecÃÃo de curto-circuito entre espiras estatÃricas em motores de induÃÃo trifÃsicos acionados por conversores de frequÃncia

CoordenaÃÃo de AperfeiÃoamento de Pessoal de NÃvel Superior / This dissertation reports applications of artificial neural networks to detect stator winding interturn fault of three phase induction motor drived by frequency inverter. The artificial neural networks, like Simple and Multilayer Perceptron, served as off-line classifiers to short-circuit fault condition or healthy condition. In the training
of Multilayer Perceptron, two different algorithms are used: the error back-propagation, which is a classic algorithm, and the extreme learning machine, as a relative new alternative for the classic back-propagation. The new one is more worthwhile because of its implementation easiness and higher speed of computation. The database used on the training and validation of the networks is created from an experimental setting, therefore it is composed by true data. The attributes used as failuresâ indicators are selected from certain frequencies of the spectrum, based on some theories of current signature analysis. In the second instance, the technique of principal components analysis is employed. The results obtained for the designed classifiers are shown, and some considerations are made on their use in real time embedded applications, which is the most important projection for future researches. / Este trabalho deriva da aplicaÃÃo de redes neurais artificiais para a detecÃÃo de curto-circuito entre espiras em motor de induÃÃo trifÃsico, acionado por inversor de frequÃncia. As redes neurais artificiais, do tipo Perceptron Simples e Multicamadas, sÃo usadas para detectar falhas de curto-circuito no bobinamento
estatÃrico de motores de induÃÃo trifÃsicos de forma off-line. Para treinamento do
Perceptron Multicamadas sÃo usados dois algoritmos distintos: o error back-propagation, que figura como o algoritmo clÃssico na literatura especializada, e o
extreme learning machine, que à uma alternativa, relativamente recente, ao algoritmo clÃssico. Este algoritmo à uma opÃÃo atraente para o desenvolvimento rÃpido de classificadores. O banco de dados usado para treinamento e validaÃÃo das redes à obtido a partir de experimentaÃÃo laboratorial, portanto composto de dados reais. Os atributos utilizados para a detecÃÃo da falha sÃo componentes de frequÃncia do espectro harmÃnico da corrente estatÃrica do motor. O critÃrio de escolha destas componentes, a priori, à fundamentado em resultados de investigaÃÃes prÃvias da assinatura de corrente e, em segunda instÃncia, à aplicada a tÃcnica de anÃlise de componentes principais.
SÃo apresentados os resultados obtidospelos classificadores projetados, e feitas algumas consideraÃÃes quanto à utilizaÃÃo destes em aplicaÃÃo embarcada e em tempo real, que à a principal projeÃÃo de futuros trabalhos a partir do atual.

Identiferoai:union.ndltd.org:IBICT/oai:www.teses.ufc.br:8405
Date23 May 2014
CreatorsÃtila GirÃo de Oliveira
ContributorsRicardo Silva Thà Pontes, Guilherme de Alencar Barreto, Clayton Ricarte da Silva, ClÃudio Marques de Sà Medeiros, Arthur PlÃnio de Souza Braga
PublisherUniversidade Federal do CearÃ, Programa de PÃs-GraduaÃÃo em Engenharia ElÃtrica, UFC, BR
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Biblioteca Digital de Teses e Dissertações da UFC, instname:Universidade Federal do Ceará, instacron:UFC
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0014 seconds