ANÁLISE COMPARATIVA DA DETECÇÃO DE DEFEITOS EM ROLAMENTOS DE MOTORES DE INDUÇÃO TRIFÁSICOS UTILIZANDO RBF E SFAM

Transcrição

1 Natal RN, 25 a 28 de outubro de 2015 ANÁLISE COMPARATIVA DA DETECÇÃO DE DEFEITOS EM ROLAMENTOS DE MOTORES DE INDUÇÃO TRIFÁSICOS UTILIZANDO RBF E SFAM TIAGO DRUMMOND LOPES, GUSTAVO HENRIQUE BAZAN, ALESSANDRO GOEDTEL, RODRIGO HENRIQUE CUNHA PALÁCIOS, WAGNER FONTES GODOY Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Engenharia Elétrica PPGEE-CP Avenida Alberto Carazzai, 1640 Cornélio Procópio/PR, Brasil CEP s: tidrummond@gmail.com, gu.bazan@gmail.com, agoedtel@utfpr.edu.br, rodrigopalacios@utfpr.edu.br, wagnergodoy@utfpr.edu.br Abstract One of the most important elements of electromechanical power conversion in industrial processes, the three-phase induction motor is constantly subject of research aiming to reduce maintenance rates and also unscheduled process downtime. Major defects in these motors occurs in the bearings. Hence, the use of intelligent systems capable of predict faults in electric motors has been widely addressed. The purpose of this work is to present a comparative study of Simplified Fuzzy Artmap and Radial Basis Function as pattern recognition methods for proper identification of bearing faults, by using the amplitude of current signals in the time domain. Experimental results are presented to validate this proposal. Keywords Three-Phase Induction Motor, Bearing Faults, Intelligent Systems, Current Sensor. Resumo Um dos mais utilizados elementos de conversão de energia elétrica em mecânica motriz é o motor de indução trifásico, o qual é indispensável nos processos produtivos industriais, e constante alvo de pesquisas visando reduzir as taxas de manutenções e paradas não programadas no processo. Grande parte dos defeitos em motores de indução ocorre nos rolamentos. A utilização de sistemas inteligentes capazes de predizer falhas em motores elétricos tem sido amplamente investigada na literatura. Assim, a proposta desse trabalho consiste em apresentar um estudo comparativo da aplicação de duas abordagens inteligentes: (i) rede Fuzzy Artmap Simplificada e (ii) a rede Função de Base Radial para classificação de falhas em rolamentos, utilizando dados da amplitude dos sinais de corrente no domínio do tempo. Resultados experimentais são apresentados para validar a proposta. Palavras-chave Motor de Indução Trifásico, Falhas de Rolamentos, Sistemas Inteligentes, Sensor de Corrente. 1 Introdução O Motor de Indução Trifásico (MIT) é o elemento de conversão de energia elétrica em mecânica motriz mais utilizado, isto faz com que o mesmo seja indispensável nos processos produtivos industriais, devido ao seu baixo custo de aquisição e de manutenção, e sua adaptação frente a diversas cargas mecânicas e robustez em ambientes agressivos (Bouzid and Champenois, 2012; Santos et al., 2014). Segundo o Balanço Energético Nacional apresentado pela Eletrobrás-Procel (2014), estima-se que por ano são destinados 210,10 TWh (Tera Watthora) às indústrias, representando 34,4% da energia elétrica produzida no Brasil. Tendo em vista a aplicação do MIT em ambientes não industriais, pode-se inferir que a parcela de consumo energético do mesmo é superior a 24% da produção nacional de energia elétrica. Apesar de apresentar características que demonstram a confiabilidade e a robustez, estes motores estão sujeitos a falhas elétricas e mecânicas devido ao seu tempo e modo de operação, pelas condições ambientais onde estão instalados, por desbalanceamento da corrente e da tensão, e também por outros fatores. Defeitos incipientes dentro da máquina geralmente afetam a sua performance antes mesmo que falhas significativas venham a ocorrer, trazendo assim, prejuízos ao processo industrial (Filho, 2003; Bellini et al., 2008; Santos et al., 2012). As falhas nos rolamentos de um MIT representam entre 41 e 69% do total, sendo destacada como um dos principais problemas encontrados em motores elétricos (Bonnett and Yung, 2008; Bellini et al., 2008; Zarei et al., 2014). Tais falhas podem ser identificadas por sistemas de diagnósticos não invasivos, que realizam leituras de valores de variáveis do motor como corrente trifásica do estator, tensão, temperatura, vibração, torque, dentre outras, para reconhecer um padrão (Bellini et al., 2008; Santos et al., 2012). Muitas técnicas podem ser empregadas para detecção de defeitos, como por exemplo, a manutenção preditiva. Esta metodologia permite avaliar as condições reais de operação da máquina utilizando dados coletados diretamente do equipamento. Alguns indícios podem ser percebidos quando um motor começa a apresentar mudanças nos sinais associados às vibrações mecânicas, variação na temperatura de operação, ruídos audíveis e alterações no campo eletromagnético, dentre outros. Assim, a análise dos referidos sinais auxilia na detecção de defeitos quando estão ainda em fase de evolução. Desta forma, o engenheiro de manutenção pode planejar uma ação corretiva e minimizar os impactos no processo produtivo (Araújo et al., 2010). O uso de sistemas inteligentes vem destacandose na identificação de falhas em máquinas elétricas, 766

2 pois são capazes de determinar o tipo de falha sem necessitar de modelos matemáticos complexos, tornando a sua implementação computacional mais simples. Além disso, são capazes de classificar e determinar a origem das falhas precocemente, cooperando para que não ocorra uma manutenção nãoprogramada bem como uma parada não desejada no processo produtivo (Santos et al., 2014; Santos et al., 2012). Os sistemas inteligentes têm sido amplamente empregados no diagnóstico de máquinas, dentre eles podemos citar as Redes Neurais Artificiais (RNAs), a Lógica Fuzzy (LF), os Algoritmos Genéticos (AGs) e os Sistemas Híbridos (Chow et al., 1993; Zidani et al., 2003; Kolla and Altman, 2007; Bouzid et al., 2007; Ghate & Dudul, 2009; Seera et al., 2012). Neste trabalho, as redes Fuzzy ARTMAP Simplificada (SFAM) e Função de Base Radial (RBF) são usadas como ferramentas para a classificação de defeitos em rolamentos em MITs, a partir da análise da amplitude dos sinais de corrente de estator no domínio do tempo. O artigo está dividido nas seguintes seções: a Seção 2 apresenta os aspectos relativos às falhas em motores de indução trifásicos; a Seção 3 descreve os métodos classificadores utilizados na pesquisa; na Seção 4 é exibido o sistema proposto neste trabalho e na Seção 5 são apresentados os resultados experimentais. Finalmente, na Seção 6 as conclusões deste artigo são apresentadas. 2 Falhas no MIT A grande parte das máquinas utilizadas em processos industriais é movimentada por motores elétricos que podem, com o passar do tempo, apresentar algum tipo de falha. Estas falhas podem ser classificadas em dois grupos: elétricas e mecânicas. Na Tabela 1, apresentam-se os principais tipos de falhas, tanto elétricas quanto mecânicas. As falhas elétricas são destacadas devido a problemas relativos aos enrolamentos de estator e de rotor, às barras e anéis quebrados no rotor, e suas conexões. Já as falhas mecânicas podem ser provenientes de problemas de rolamentos, excentricidade, desgaste de acoplamento e desalinhamento segundo relatam Bellini et al. (2008) e Singh and Kazzaz (2010). Tabela 1. Tipos de falhas. Falhas Elétricas Mecânicas Enrolamento de estator Desgaste de acoplamento Enrolamento de rotor Desalinhamento Barras quebradas Excentricidade Anéis quebrados Rolamento Conexões - De acordo com Zarei et al. (2014), as porcentagens de falhas em MIT podem ser distribuídas em: rolamentos (41%), enrolamento do estator (37%), barras do rotor (10%) e outras (12%). A detecção de problemas mecânicos e elétricos pode ser feita direta ou indiretamente por meio da leitura de uma das 767 fases da corrente elétrica de alimentação ou pela tensão elétrica, medidas de temperatura, monitoramento do campo eletromagnético ou por outros parâmetros (Ghate & Dudul, 2010). O escopo deste trabalho aborda somente os defeitos relativos à pista externa de rolamentos. De acordo com Araújo et al. (2010), a deterioração de rolamentos também pode ocorrer em função das correntes de modo comum que circulam pelos mesmos devido à carga eletrostática induzida no eixo do motor. Outro fator refere-se às pulsações de conjugado causadas pela existência de harmônicos de baixa ordem na alimentação ou relativas a possíveis barras quebradas. Métodos tradicionais consideram o monitoramento da temperatura e vibração dos rolamentos, visando estimar suas condições de operação. No entanto, o custo de sensores para monitoramento de vibrações, associados aos dispositivos de processamento de sinais, restringem sua utilização em máquinas de pequeno porte. Contudo, métodos alternativos, baseados em inteligência computacional, estão cada vez mais sendo pesquisados para a identificação de defeitos em MIT. 3 Sistemas Inteligentes Os sistemas inteligentes são métodos computacionais que têm por objetivo a criação de modelos que possam prever a classe de um determinado conjunto de dados baseando-se em conjunto de dados préestabelecidos (Serasiya & Chaudhary, 2012). Com o intuito de averiguar a exatidão dos modelos propostos, bem como os respectivos tempos de construção e validação, utilizou-se neste trabalho as redes RBF e SFAM. 3.1 Redes Neurais Artificiais Modeladas computacionalmente a partir do sistema nervoso dos seres vivos, as Redes Neurais Artificiais (RNA) são definidas como um conjunto de unidades de processamento, que possuem a capacidade de manutenção e aquisição de conhecimento a partir de informações. Segundo Haykin (2008), as características essenciais estão na adaptação por experiência, capacidade de aprendizado, habilidade de generalização, organização de dados, tolerância a falhas, armazenamento distribuído e facilidade de prototipagem. Deste modo, é possível desenvolver modelos capazes de realizar prognósticos de determinado processo, e também realizar ações que visam o controle adequado do mesmo. Este modelo obtido a partir de um neurônio biológico é denominado de neurônio artificial, o qual associado computacionalmente a uma estrutura matricial, pode possuir uma ou mais entradas (x 1,..., x n) e uma saída (Y). Estas entradas são associadas a pesos sinápticos (w 1,..., w n), valores que servirão para ponderar de forma quantitativa a relação entrada e saída.

3 O funcionamento do neurônio artificial é descrito pelo seguinte modelo matemático: n Y = g ( W i. X i + b) (1) i=1 onde: n é o número de entradas do neurônio; Wi é o peso associado com a i-ésima entrada; b é o limiar associado ao neurônio; Xi é a i-ésima entrada do neurônio; g( ) é a função de ativação do neurônio; Y é a saída do neurônio. Com base no modelo do neurônio artificial, várias topologias de RNAs podem ser obtidas. Estas redes podem ser utilizadas em muitas aplicações como classificador de padrões, aproximador de padrões, dentre outros. Como este trabalho visa o diagnóstico de falhas de rolamento em motores, serão utilizadas duas estruturas de redes amplamente citadas na literatura. 3.2 Rede RBF Segundo Silva et al. (2010), a rede RBF é composta por uma camada de entrada, apenas uma camada neural intermediária com função de ativação do tipo gaussiana e uma camada de saída que contém função de ativação do tipo linear. A etapa de treinamento da RBF possui duas fases distintas, sendo que a primeira está associada aos ajustes dos pesos da camada intermediária através de um método de aprendizagem não supervisionado, o qual é dependente apenas das características dos dados de entrada. Já a segunda fase está associada aos ajustes dos pesos dos neurônios da camada neural de saída, onde é utilizada a técnica de aprendizagem do tipo regra delta generalizada (Silva et al., 2010). A Figura 1 ilustra o modelo desta arquitetura. Figura 1. Estrutura de uma rede neural RBF. 3.3 Rede Fuzzy ARTMAP Estas arquiteturas foram baseadas na teoria da ressonância adaptativa (ART) desenvolvida por 768 Carpenter and Grossberg (1987), como uma possível solução para o dilema estabilidade-plasticidade (Carpenter et al., 1992). Durante a apresentação de novos padrões a um classificador neural, faz-se necessário adaptar os pesos da rede, adicionando uma nova parcela de conhecimento, ou seja, o sistema deve ser capaz de adquirir informação. Ao mesmo tempo, é preciso que o conhecimento acumulado referente aos padrões previamente apresentados seja mantido, ou seja, o classificador deve ser estável. De acordo com Isoda (2009) esta rede bem como qualquer outra da família ART, permite obter soluções com grande rapidez de resposta e com grande flexibilidade na inclusão de novos padrões, mudanças topológicas, etc., ou seja, capacidade de continuar a aprender após a inclusão de novos padrões, sem perder a memória relacionada aos padrões anteriores (característica de plasticidade). A estrutura original de uma rede Fuzzy Artmap (FAM) engloba o treinamento simultâneo de dois módulos Fuzzy ART, para a associação de um padrão análogo no modo supervisionado. Cada um destes módulos é responsável por associar dois espaços vetoriais distintos, porém relacionados. Em problemas de classificação, de padrões, um dos espaços é o espaço dos rótulos, enquanto o outro é o espaço de entrada. Para realização de tarefas classificação onde os padrões de saída tratam-se de simples rótulos de classes, Kasuba (1993) propôs uma simplificação na notação original da rede FAM, através da redução de redundâncias na arquitetura original. Esta versão é normalmente chamada de SFAM, devido a sua simplicidade de entendimento e rapidez no processamento em comparação com a FAM. A rede SFAM será a utilizada para o desenvolvimento deste trabalho. 4 Aquisição e Tratamento dos Dados Para o caso em estudo neste trabalho, as correntes do estator de um MIT de 1CV do fabricante WEG foram medidas. Este motor foi submetido a diversas condições de operação em ensaios laboratoriais com o intuito de replicar situações de operação do ambiente industrial. Para determinação da ocorrência de falhas, foram criados defeitos na pista externa do rolamento para a aquisição dos sinais de corrente. As falhas de ranhuras presentes na pista externa ou interna do rolamento são ocasionadas pelo escorregamento da esfera na pista, por choque mecânico no eixo do motor ou rolamento ou mesmo montagem incorreta da peça no mancal do eixo. Este tipo de falha ocasiona um ponto específico de defeito na pista do rolamento. Um par de rolamentos novos foram desmontados com o intuito de inserir uma ranhura na pista externa por meio de uma mini retífica de alta rotação. Os dados para treinamento e validação do MIT de 1 CV, em condições normais de funcionamento e com o rolamento defeituoso, foram adquiridos atra-

4 vés de ensaios na bancada experimental apresentada na Figura 2, conforme Palácios et al. (2014). Esta bancada tem como característica monitorar as grandezas de tensão, corrente, vibração, torque e velocidade de um MIT. As placas de condicionamento de sinais dos sensores Hall amplificam as correntes de linha que são repassadas às entradas analógicas da placa de aquisição de dados. Conforme observada na Figura 2, esta bancada dispõe de um MIT acoplado a um gerador de corrente contínua que faz a imposição de torque no eixo da máquina. Nos detalhes da Figura 2, são mostrados os variadores de tensão independentes por fase, os quais possibilitam a imposição de desequilíbrios de tensões (Goedtel, 2007). O motor empregado nos experimentos realizados em laboratório é da marca WEG modelo W22 Plus de 12 pontas com potência de 1 CV, tendo como rotação 1730 rpm para uma alimentação em 220V, senoidal em 60 Hz. Os rolamentos em análise foram o NSK 6203 e NSK A coleta do sinal da corrente de estator utilizou uma taxa de amostras/segundo. Por meio da interface de comunicação com um computador, provida pela DAQ, as informações dos sinais são recebidas e armazenadas por meio do software Matlab. A DAQ utilizada neste processo é da National Instruments modelo USB 6221, a qual dispõe de 16 entradas analógicas e permite a comunicação simplificada com o computador por meio de cabo USB. bancada experimental, com conjugado de carga variando de 0,5 a 6 N.m e com 16 combinações de desequilíbrio de tensão entre as fases, considerando o limite máximo de ±10%. Do total de 216 amostras utilizadas neste trabalho, 108 amostras estavam em condições de defeito na pista externa do rolamento do motor e 108 amostras são relativos aos sinais do motor em condições normais de funcionamento. Os dados de entrada utilizados para este trabalho são as somas das amplitudes dos sinais das correntes (I A e I B), no domínio do tempo. Assim, faz-se necessário a montagem de um vetor coluna com os pontos de correntes de cada fase do sistema coletado, subsequentes um do outro. A Tabela 3 apresenta a estrutura de uma amostra, para a composição de cada amostra, considerase 10, 25 e 50 pontos para cada valor de corrente das fases, A e B, correspondentes a um semi-ciclo de onda no domínio do tempo. A última coluna da matriz representa a classe do problema (tags 0 e 1, para motor sem defeito no rolamento e com defeito, respectivamente). Tabela 2. Divisão dos dados coletados. Classes das Amostras (%) Ensaios experimentais Treinamento Validação Total Foi gerado um código em Matlab para separação dos dados de treinamento do algoritmo classificador e da sua validação. O conjunto de dados de treinamento compreende de 70% do conjunto de casos disponíveis sendo que os restantes 30% são utilizados para validação. Figura 2. Bancada experimental do laboratório. A bancada conta ainda com um torquímetro de dupla faixa de atuação com sensor de velocidade integrado. O dispositivo da marca Kistler, modelo 4503A50W, permite a leitura de sinais analógicos ou digitais até 50 N.m e 7000 rpm. A rotina de comunicação da placa com o computador utiliza a interface da plataforma Matlab. Assim, todos os dados das grandezas são lidos e armazenados em forma de planilhas eletrônicas. Para obter a classificação quanto ao funcionamento adequado do rolamento, foram amostrados os sinais das correntes e tensões trifásicas do MIT em análise. Para tanto, foram separados os dados para as construções dos modelos inteligentes, conforme observado na Tabela 2. Salienta-se que as amostras são sinais do MIT em regime permanente, adquiridas em ensaios na 769 Tabela 3. Estrutura dos dados utilizados por amostra tratada. Corrente IA + Corrente IB Saída 1x10 0/1 1x25 0/1 1x50 0/1 O código separa no conjunto de treinamento os casos em que ocorre os máximos e mínimos de correntes a fim de garantir que todo o domínio de operação seja abrangido pelos métodos classificadores. Os demais casos são sorteados aleatoriamente para compor o arquivo de treinamento. A separação dos dados é necessária para obter um arquivo de treinamento e um arquivo de validação, conforme observado na Tabela 2. Após os dados serem tratados pelo Matlab o script desenvolvido gera um arquivo, no qual é especificamente formatado como entrada de dados para a execução dos algoritmos, conforme quantidade de amostras demonstradas na Tabela 2. Para as duas ferramentas de classificação de padrões utilizadas neste trabalho, aplicou-se o mesmo conjunto de dados para treinamento e validação. 5 Resultados Experimentais Este trabalho visa investigar, baseado na problemática do assunto, qual dos métodos inteligentes se

5 comportará melhor para a classificação de falhas de rolamentos em termos acurácia e custo computacional. Para a execução das estratégias propostas neste trabalho, foram efetuadas algumas configurações específicas para o treinamento e validação, de acordo com as Tabelas 4 e 5. Na Tabela 4 estão dispostos os parâmetros de configuração da rede RBF para 10, 25 e 50 entradas. Já os parâmetros utilizados no processamento da rede SFAM podem ser encontrados na Tabela 5. A arquitetura e as configurações, para este trabalho, foram determinadas de forma empírica, onde buscou-se a melhor acurácia e menor custo computacional entre as estruturas treinadas. Tabela 4. Parâmetros de configuração da RBF. Parâmetros Valores Nº de camadas 2 Neurônios 1º camada 12 Neurônios 2º camada 1 Algoritmo de treinamento Função de ativação 1º camada Função de ativação saída AO GS Linear (GS) Gaussiana; (AO) Auto-organizado. Tabela 5. Parâmetros de configuração da SFAM. Parâmetros Valores Parâmetro de escolha (α) Taxa de aprendizagem (β) 1 Parâmetro de vigilância (ρ) 0,75 Épocas 10 As Tabelas 7, 8 e 9 apresentam os resultados para os classificadores RBF e SFAM com 10, 25 e 50 entradas, respectivamente. Para a análise e comparação do desempenho dos métodos utilizou-se os seguintes parâmetros: acurácia, tempo de construção, erro absoluto médio, erro absoluto relativo e estatística Kappa, que é uma medida de concordância inter observadora e mede o grau de concordância além do que seria esperado tão somente pelo acaso (Landis & Koch, 1977). Esta medida de concordância tem como valor máximo o 1. Este valor 1 representa total concordância e os valores próximos e até abaixo de 0, indicam nenhuma concordância, conforme apresentado na Tabela 6 (Landis & Koch, 1977). Tabela 6. Tabela para interpretação da estatística Kappa. Valores de Kappa Interpretação <0 Nenhuma concordância 0 0,19 Pobre concordância 0,20 0,39 Fraca concordância 0,40 0,59 Moderada concordância 0,60 0,79 Substancial concordância 0,80 1,00 Perfeita concordância Tabela 7. Resultados estatísticos para 10 entradas. Tipo 10 Entradas Classificador RBF SFAM Acurácia (%) 72,31 78,46 Tempo de Construção (s) 0,07 0,01 Estatística Kappa 0,4497 0,5695 Erro Absoluto Médio 0,3299 0,2154 Erro Absoluto Relativo (%) 65,93 43,038 Tabela 8. Resultados estatísticos para 25 entradas. Tipo 25 Entradas Classificador RBF SFAM Acurácia (%) 80,00 87,69 Tempo de Construção (s) 0,06 0,02 Estatística Kappa 0,602 0,754 Erro Absoluto Médio 0,2967 0,1231 Erro Absoluto Relativo (%) 59,29 24,59 Tabela 9. Resultados estatísticos para 50 entradas. Tipo 50 Entradas Classificador RBF SFAM Acurácia (%) 80,00 80,00 Tempo de Construção (s) 0,07 0,02 Estatística Kappa 0,602 0,6053 Erro Absoluto Médio 0,2997 0,2 Erro Absoluto Relativo (%) 59,88 39,96 Neste estudo, foram obtidos resultados promissores, baseados nas 65 amostras validadas. A SFAM apresentou a melhor acurácia com 87,69%, ou seja, 57 amostras foram corretamente classificadas e acurácia mínima de 78,46%. Já a RBF demonstrou uma acurácia máxima de 80,00%, ou seja, 52 amostras foram corretamente classificadas e a menor acurácia de 72,31%. 6 Conclusão Por meio da análise dos resultados obtidos pelos algoritmos classificadores, pode-se observar que estes se mostraram promissores para determinação de defeitos em rolamentos a partir de dados de corrente dos motores de indução trifásicos no domínio do tempo. A SFAM possui a melhor relação de tempo de construção e acurácia, a qual obteve uma taxa de acerto de 87,69%, exigindo ainda um menor custo computacional em relação ao algoritmo da RBF. Verificou-se que para ambos os classificadores, o incremento do número de entradas, de 25 para 50, não ampliou ou por vezes decresceu a acurácia e aumentou o custo computacional. Porém, a confiabilidade de detecção de falha foi acrescida. O diagnóstico correto e precoce de defeitos incipientes em motores, através das estratégias testadas neste trabalho, permite minimizar a ocorrência de danos ao processo. Com isso, ocorre o aumento da disponibilidade dos equipamentos e a possível redução de custos com manutenção. Agradecimentos Este trabalho conta com o apoio da Fundação Araucária (Processo N 06/ ), do Conselho Nacional de Desenvolvimento Científico e Tecnológico - CNPq (Processo Nº /2008-5, /2011-2, /2011-5). 770

6 Referências Bibliográficas Araújo, R. S.; Rodrigues, R.; Paula, H. e Baccarini, L. (2010). Desgaste prematuro e falhas recorrentes dos rolamentos de um MIT: Estudo de caso, 9th IEEE/IAS International Conference on, IndustryApplications. pp Bellini, A.; Filippetti, F.; Tassoni, C.; Capolino, G. A. (2008). Advances in diagnostic techniques for induction machines. IEEE Transactions on Industrial Eletronics, vol. 55, nº 12, pp Bonnett, A. and Yung, C. (2008). Increased efficiency versus increased reliability, IEEE Industry Applications Magazine, pp Bouzid, M.; Mrabet, N.; Moreau, S.; Signac, L. (2007). Accurate detection of stator and rotor fault by neural network in induction motor, in Proc. IEESSD, Hammamet, Tunisia, vol. III. Bouzid, M. and Champenois, G. (2012). New expressions of symmetrical components of the induction motor under stator faults. IEEE Transactions on Industrial Electronics. Carpenter, G. A. and Grossberg, S. (1987). ART2: Self-organizing of stable category recognition codes for analog input patterns. Applied Optics, New York, v.26, pp Carpenter, G. A.; Grossberg, S.; Markuzon, N.; Reynolds, J. H. and Rosen, D. B. (1992). Fuzzy ARTMAP: a neural network architecture for incremental supervised learning of analog multidimensional maps. IEEE Transactions on Neural Networks, New York, v.3, n.5. Chow M. Y.; Sharpe R. N.; Humg, J. C. (1993). On the application and design of artificial neural networks for motor fault detection, IEEE Transactions on Industrial Electronics., vol. 40, no. 2, pp ELETROBRÁS-PROCEL. < Acesso em: 11/06/2014. Filho, P. C. M. L. (2003). Acoplamento Preditivo de Motores de Indução Trifásicos através da análise de Fluxo Magnético. Dissertação de Mestrado. Universidade Estadual de Campinas, Campinas, SP. Ghate, V. and Dudul, S. (2009). Fault diagnosis of three phase induction motor using neural network techniques, 2nd International Conference on, Emerging Trends in Engineering and Technology (ICETET), pp Ghate, V. N. and Dudul, S. V. (2010). Optimal MLP neural network classifier for fault detection of three phase induction motor, Expert Systems with Applications. Goedtel, A. (2007). Estimador Neural de Velocidade para Motores de Indução Trifásico. 159 pp. Tese de Doutorado. Universidade de São Paulo, São Carlos, SP. Haykin, S. (2008). Neural Networks and Learning Machines, 3th edition. Prentice Hall. Isoda, L. Y. (2009). Análise da Estabilidade Estática de Tensão de Sistemas Elétricos de Potência Usando uma Rede Neural Baseada na Teoria 771 da Ressonância Adaptativa. Tese de doutorado. Universidade Estadual Paulista, Ilha Solteira, SP. Kasuba, T. (1993). Simplified fuzzy ARTMAP. AI Expert, vol. 8, pp Kolla, S. R. and Altman, S. D. (2007). Artificial neural network based fault identification scheme implementation for a three-phase induction motor, ISA Trans., vol. 46, no. 2, pp Landis, J. Richard and Koch, Gary G. (1977). The Measurement of Observer Agreement for Categorical Data, International Biometric Society, Vol. 33, N. 1, pp ` Palácios, R. H. C.; Silva, I. N.;Godoy, W. F.;Goedtel, A.;Gongora, W. S. e Drummond, T. L. (2014). Estudo comparativo entre SVM e RNA no reconhecimento de defeito em rolamentos de motores de indução trifásicos, Congresso Brasileiro de Automática (CBA). Santos, F. M. C.; Silva, I. N. da e Suetake, M. (2012). Sobre a Aplicação de Sistemas Inteligentes para Diagnósticos de Falhas em Máquinas de Indução - Uma Visão Geral. Controle & Automação, vol. 23, n. 5, pp Santos, T. H. dos; Goedtel, A.; Silva, S. A. O. da; Suetake, M. (2014). Scalar control of an induction motor using a neural sensorless technique, Electric Power Systems Research, vol Seera, M.; Lim, C. P.; Ishak, D. e Singh, H. (2012). Fault detection and diagnosis of induction motors using motor current signature analysis and a hybrid FMM - cart model, IEEE Transactions on Neural Networks and Learning Systems, 23(1): pp Serasiya, S. D.and Chaudhary, N. (2012). Simulation of Various Classifications Results using WEKA. International Journal of Recent Technology and Engineering (IJRTE), vol. 1, nº13. Silva, I. N. da; Spatti, D. H. e Flauzino, R. A. (2010). Redes Neurais Artificiais para engenharia e ciências aplicadas, 1ª edição, São Paulo: Artliber. Singh, G.and S. A. Kazzaz. (2010). Induction machine drive condition monitoring and diagnostic research a survey. Electric Power Systems Research 64 (2), pp Zarei J.; Tajeddini M. A.; Karimi H. R. (2014). Vibration analysis for bearing fault detection and classification using an intelligent filter, Mechatronics, vol. 24, pp Zidani F.; Benbouzid M. E. H.; Diallo D. M. S.; Nait-Said, M. S. (2003). Induction motor stator faults diagnosis by a current Concordia pattern-based fuzzy decision system, IEEE Transactions on Energy Conversion, vol. 18, no. 4.