Redes Neurais - Perceptron Multicamadas.

...

[pic 2]

Figura 2 – Estrutura dos dados

Após organizada a tabela de dados foi então realizada a mistura das linhas de forma que a rede possa ser mais robusta e classifique de forma mais satisfatória dados de corrente para diferentes falhas no motor.

- Treinamento da rede PMC

A rede PMC será utilizada para classificação das falhas, os dados de entrada serão os parâmetros estimados do MIT, e a saída será a condição de operação do mesmo. Assim, deverá ser estabelecido um padrão entre os parâmetros de entrada que tenha como resposta a condição de operação do motor.

O treinamento foi realizado utilizando-se 70% dos dados do banco de dados.

- Validação da rede PMC

Após o treinamento foi então realizada a validação da rede, para que a rede ofereça maior confiabilidade foram utilizados os 30% dos dados que não foram utilizados no treinamento. Após a validação o programa enviará uma mensagem do tipo de falha classificada para cada dado e a porcentagem de acerto da rede.

- Resultados

Após o treinamento e a validação dos dados através de uma rede do tipo PMC classificadora de padrões, os resultados para a validação são apresentados na Tabela 1, e a representação do erro pela quantidade de épocas é apresentado na Figura 3. Após testes na estrutura da rede utilizada para esse problema os parâmetros que apresentaram melhores resultados são apresentados na Tabela 2.

Tabela 1- Dados validados

Tipo de Falha

Quantidade de dados

Quantidade de acerto

Quantidade de erros

Tipo de erro

Sem Falha(SF)

33

33

0

Estator (ES)

44

43

1

SF

Rolamento (RL)

29

29

0

Rotor (RT)

33

29

4

SF

Total de dados

139

134

5

[pic 3]

Figura 3 – Épocas por erros

Tabela 2 – Parâmetros da rede PMC

Parâmetros

Valores

Momentun

Alfa

0,8

Beta

0,9

Quantidade de neurônios

1ª Camada

20

2ª Camada

2

Taxa de aprendizagem

0,1

Precisão requerida

1,00E-08

O tempo utilizado para o treinamento e validação da rede foi de 47,89s, a rede apresentou 96,4029% de acerto e foram necessárias 2500 épocas para essa rede.

- Conclusão

Os sinais de corrente de um motor de indução trifásico submetido a diversas condições de falhas foram tratados e processados. Por fim, foram realizadas as classificações dos sinais com auxílio da Rede Perceptron multicamadas, indicando as amostras referentes aos sinais sadios e com os 3 tipos de falhas.

Os resultados mostraram que a rede classifica corretamente, com 96,4% de acerto. Notou-se também que dentre os 5 erros obtidos na validação 4 foram referentes a falha no rotor o que mostra que a rede se confunde de forma mais significativa para esse tipo de dado, porém não desvalida a robustez da PMC uma vez que dentre 139 dados apenas errou para 5.

- Referências

- F.J.T.E.ac Ferreira, M.b Cisneros-González, A.T de Almeida, Technical and economic considerations on induction motor oversizing, Energy Efficiency DOI 10.1007/s12053-015-9345-3, maio, 2015.

- R. H. C. Palácios, I. N. da Silva, A. Goedtel, A comprehensive evaluation of intelligent classifiers for fault identification in three-phase induction motors Electr. Power Syst. Res. 127 (2015) 249–258.

- W. F. Godoy, I. N. da Silva, A. Goedtel, R. H. C. Palácios,. Evaluation of stator winding faults severity in inverter-fed induction motors. Applied Soft Computing, v. 32, p. 420-431, 2015.

- J. Zarei, M.A. Tajeddini, H.R. Karimi, Vibration analysis for bearing fault detection and classification using an intelligent filter, Mechatronics 24 (2) (2014) 151–157.

- J. Zhang, J. Zhao, D. Zhou, C. Huang, High Performance Fault Diagnosis in PWM Voltage-Source Inverters for Vector Controlled Induction, 2014.

- I. N. Silva, D. H. Spatti, R. A. Flauzino, Redes Neurais Artificiais para engenharia e ciências aplicadas – curso prático, Artliber, 2010.

- OJAGHI, M.; SABOURI, M.; FAIZ, J. Diagnosis methods for stator winding faults in threephase squirrel-cage induction motors. International Transactions on Electrical Energy Systems, v. 24, n. 6, p. 891–912, 2014.

- SANTOS, F. M. d. C.; SILVA, I. N. d.; SUETAKE, M. Sobre a aplicação de sistemas inteligentes para diagnóstico de falhas em máquinas de indução - uma visão geral. Controle & Automação, v. 23, p. 553 – 569, 2012.

-