MODELO COMPUTACIONAL PARA ANÁLISE DE CONDIÇÕES E MONITORAMENTO DE MOTORES ELÉTRICOS

COMPUTATIONAL MODEL FOR ELECTRICAL MOTORS CONDITION ANALYSIS AND MONITORING

Araújo, Álvaro Souza de; Rocha, Oberdan Pinheiro; Santos, Alex Álisson Bandeira

Original Article:

A manutenção preditiva utiliza de diversos métodos para acompanhamento das condições dos motores elétricos aplicados em plantas industriais. Dentre estes métodos, destaca-se a análise de vibração como método amplamente utilizado devido à possibilidade de identificação de uma vasta possibilidade de falhas. Este trabalho apresenta o desenvolvimento de um modelo computacional dotado de um algoritmo classificador para receber leituras de vibração de motores elétricos e determinar se a máquina apresenta um comportamento de falha e, em caso positivo, qual falha. Para que o algoritmo seja capaz de detectar o tipo de falha, será desenvolvido um dataset com leituras de diversos motores em variadas condições de falha para treinamento do modelo.

Predictive maintenance uses several methods to monitor the conditions of electric motors applied in industrial plants. Among these methods, vibration analysis stands out as a widely used method due to the possibility of identifying a wide chance of failures. This work presents the development of a computational model endowed with a classifying algorithm to receive vibration readings from electric motors and determine if the machine has a fault behavior and, if so, which fault. For the algorithm to detect the type of failure, a dataset with readings from several engines in different failure conditions should be developed for training the model.

Palavras-chave:

DOI: 10.5151/siintec2021-208446

Referências bibliográficas

• [1] "1 RASCHKA, Sebastian. Python machine learning. Packt publishing ltd, 2015.
• [2] 2 JAKKULA, Vikramaditya. Tutorial on support vector machine (svm). School of EECS, Washington State University, v. 37, 2006.
• [3] 3 NOBLE, William S. What is a support vector machine?. Nature biotechnology, v. 24, n. 12, p. 1565-1567, 2006.
• [4] 4 CHAPELLE, Olivier et al. Choosing multiple parameters for support vector machines. Machine learning, v. 46, n. 1, p. 131-159, 2002.
• [5] 5 KUMAR, Anil; KUMAR, Rajesh. Time-frequency analysis and support vector machine in automatic detection of defect from vibration signal of centrifugal pump. Measurement, v. 108, p. 119-133, 2017.
• [6] 6 CHANG, Chih-Chung; LIN, Chih-Jen. LIBSVM: a library for support vector machines. ACM transactions on intelligent systems and technology (TIST), v. 2, n. 3, p. 1-27, 2011.
• [7] 7 JUNIOR, Ronny Francis Ribeiro; DE ALMEIDA, Fabricio Alves; GOMES, Guilherme Ferreira. Fault classification in three-phase motors based on vibration signal analysis and artificial neural networks. Neural Computing and Applications, v. 32, n. 18, p. 15171-15189, 2020.
• [8] 8 HAYKIN, Simon S.; VAN VEEN, Barry. Sinais e sistemas. Bookman, 2001.
• [9] 9 FLECK, Leandro et al. Redes neurais artificiais: Princípios básicos. Revista Eletrônica Científica Inovação e Tecnologia, v. 1, n. 13, p. 47-57, 2016.
• [10] 10 IMANDOUST, Sadegh Bafandeh; BOLANDRAFTAR, Mohammad. Application of k-nearest neighbor (knn) approach for predicting economic events: Theoretical background. International Journal of Engineering Research and Applications, v. 3, n. 5, p. 605-610, 2013.
• [11] 11 FUKUNAGA, Keinosuke; NARENDRA, Patrenahalli M.. . A branch and bound algorithm for computing k-nearest neighbors. IEEE transactions on computers, v. 100, n. 7, p. 750-753, 1975.
• [12] 12 DA SILVA, Luiz Eduardo Borges et al. Desenvolvimento de um Sistema de Detecção de Defeitos Precoces em Motores de Indução.
• [13] 13 RIBEIRO, Felipe ML et al. Rotating machinery fault diagnosis using similarity-based models, 2017.
• [14] 14 FRANK, Eibe et al. The WEKA Workbench. Online Appendix for ""Data Mining: Practical Machine Learning Tools and Techniques"", Morgan Kaufmann, Fourth Edition, 2016.
• [15] "
• [16]

Como citar:

Araújo, Álvaro Souza de; Rocha, Oberdan Pinheiro; Santos, Alex Álisson Bandeira; "MODELO COMPUTACIONAL PARA ANÁLISE DE CONDIÇÕES E MONITORAMENTO DE MOTORES ELÉTRICOS", p-303-310. In: VII International Symposium on Innovation and Technology. São Paulo: Blucher, 2021.
ISSN 23577592, DOI 10.5151/siintec2021-208446