Orientador : Robson Pederiva / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecanica / Made available in DSpace on 2018-08-01T20:06:40Z (GMT). No. of bitstreams: 1
Brito_JorgeNei_D.pdf: 32031601 bytes, checksum: c403cff9dbce2d25bcb69ef4c13e55b7 (MD5)
Previous issue date: 2002 / Resumo: A aplicação de motores elétricos na indústria é extensa, sendo expostos a uma ampla variedade de ambientes e condições, onde o tempo de uso os tomam sujeitos à diversas falhas incipientes. Tais falhas, se não forem detectadas rapidamente, contribuem para a degradação e eventual quebra dos mesmos. Neste trabalho apresenta-se o sistema híbrido HY_NES, uma abordagem baseada em técnicas de inteligência artificial (redes neurais artificiais e sistemas especialistas) para diagnosticar falhas de origem mecânica (desbalanceamento, desalinhamento e folga mecânica), elétrica (desequilíbrio de fase e barras quebradas) e a condição normal de funcionamento do motor (assinatura da máquina). Os sinais de vibração foram coletados, aleatoriamente, nas direções vertical, axial e horizontal, lado do acoplamento e lado da ventoinha, formando um banco de dados de 50 testes para cada condição de falha. Um filtro seletivo foi aplicado para reduzir o número de parâmetros representativos dos sinais das excitações durante o treinamento das 72 redes neurais artificiais. Foram implementadas 199 regras no sistema especialista que contemplam o conteúdo heurístico para a saída dessas redes. Os resultados do sistema híbrido HY_NES confirmam sua eficiência e o credencia como uma abordagem promissora no diagnóstico on-line de falhas em motores de indução trifásicos, podendo também ser incluído em programas de Manutenção Centrada em Confiabilidade / Abstract: The use of electric motors in industry is extensive. These motors are exposed to wide variety of environments and conditions which age the motor and make it subject to incipient faults. These incipient faults, if left undetected, contribute to the degradation and eventual failure of the motors. This investigation introduces the HY_NES, a new approach behind a novel hybrid neural/expert system technology to solve fault detection from mechanical (unbalance, misalignment and mechanical looseness) and electrical (phase unbalances and broken bars) sources beyond the normal condition (motor signature). Those excitations were obtained through experimental tests repeated fifty times randomly for the same conditions for each condition of failure. The signals were acquired in the both sides of the motor on the vertical, horizontal and axial directions. It will be also employed a selective filter used to reduce the number of parameters to represent the signals of excitations during the 72 artificial neural networks training. It was implemented 199 roles in the expert system that can easily provide heuristics reasoning for the artificial neural network outputs. The results obtained confirmed the efficiency of the hybrid system HY_NES and its relevance as a promising approach to diagnose faults in induction motors on-line as well as inc1uded it in Reliability Based Maintenance programs / Doutorado / Mecanica dos Sólidos e Projeto Mecanico / Doutor em Engenharia Mecânica
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.unicamp.br:REPOSIP/265217 |
| Date | 21 February 2002 |
| Creators | Brito, Jorge Nei |
| Contributors | UNIVERSIDADE ESTADUAL DE CAMPINAS, Pederiva, Robson, 1957-, Neto, Francisco Paulo Lepore, Caminhas, Walmir Matos, Nóbrega, Eurípedes Guilherme de Oliveira, Dedini, Katia Luchesi Cavalca |
| Publisher | [s.n.], Universidade Estadual de Campinas. Faculdade de Engenharia Mecânica |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | 214p. : il., application/pdf |
| Source | reponame:Repositório Institucional da Unicamp, instname:Universidade Estadual de Campinas, instacron:UNICAMP |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0668 seconds