DETECÇÃO DE FALHAS ELÉTRICAS EM MOTORES DE INDUÇÃO UTILIZANDO REDE RADIAL BASIS FUNCTION

Transcrição

1 DETECÇÃO DE FALHAS ELÉTRICAS EM MOTORES DE INDUÇÃO UTILIZANDO REDE RADIAL BASIS FUNCTION AVYNER LORRAN DE OLIVEIRA VITOR, FERNANDO MARCOS DE OLIVEIRA, LARISSA AGNES RONQUI, ALESSANDRO GOEDTEL, PAULO ROGÉRIO SCALASSARA, SÉRGIO AUGUSTO OLIVEIRA DA SILVA, MARCOS BANHETI RABELLO VALLIM Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-graduação em Engenharia Elétrica Av. Alberto Carazzai, 1640, Cornélio Procópio, Paraná, Brasil s: Abstract The application of three phase induction motors in industry is large, so many studies introduce strategies for the diagnosis and prediction of failures in these engines. The purpose of this paper is to present an alternative tool to traditional methods for detection of several kinds of faults, like short circuit between the coils of the stator, rotor bar breakage, bearing and normal operating conditions using radial basis function artificial neural network. Experimental results are presented to validate the proposal. Keywords Artificial neural networks, three-phase Induction Motors, failures. Resumo A aplicação de motores de indução trifásico na indústria é extensa e, com isso, vários estudos apresentam estratégias para o diagnóstico e predição de defeitos e falhas nestes motores. A proposta deste trabalho consiste em apresentar uma ferramenta alternativa aos métodos tradicionais para a detecção de falhas de curto-circuito entre as espiras do estator, quebra das barras do rotor, rolamento e condições normais de funcionamento utilizando redes neurais artificiais com função de base radial. Resultados experimentais são apresentados para validar a proposta. Palavras-chave Redes neurais artificiais, motor de indução trifásico, falha. 1 Introdução O motor de indução é o tipo de máquina elétrica mais difundida e utilizada em processos industriais. Essa máquina elétrica apresenta um princípio de funcionamento simples, uma construção robusta, facilidade na manutenção, baixo custo e confiabilidade (Suetake, 2011). Esses motores podem ser expostos a uma série de ambientes hostis, desgastes em operações e defeitos de fabricação provocando falhas internas ou externas ao conjunto (Chow, 1997). O prognóstico antecipado de falhas é importante para garantir condições operacionais seguras, a manutenção programada, minimizar os custos operacionais e aumentar a confiabilidade da operação. Existem diversas situações onde é possível monitorar a condição do motor através de sensores específicos no estator e no rotor. Entretanto, todas estas técnicas disponíveis requerem o usuário com alguma experiência para distinguir uma condição de operação normal de um estado em potencial de falha (Rodríguez, 2007). A descoberta de falhas é realizada através de quatro etapas: detecção das falhas, extração de sinais, processamento da informação e diagnóstico das falhas. As origens das causas de falhas nos motores geralmente estão associadas ao rotor, estator e rolamento, refletindo respectivamente em 10%, 38%, 40% das ocorrências, conforme Tabela 1. Segundo Reis (2010) a extração de sinais, ou seja, a obtenção de dados associado ao comportamento da máquina é realizada através de variáveis do motor, tais como: vibração, tensão, corrente, fluxo magnético, entre outros. O processamento da informação consiste em técnicas aplicadas aos sinais medidos para produzir características ou parâmetros sensíveis à presença ou ausência de falhas. Por fim, o diagnóstico de falhas é responsável por examinar estes parâmetros e características gerados e decidir se uma falha ou defeito existe neste motor e, em caso positivo, qual o tipo de falha. Os métodos tradicionais para o diagnóstico de falhas são fundamentados em modelos determinísticos (model-based systems), os quais levam à elaboração de programas complexos, dificultando seu gerenciamento e manutenção (Bellini, 2008). Em vista disso, o diagnóstico baseado em técnicas computadorizadas convencionais tem sido recentemente substituído por sistemas baseados em Inteligência Computacional (IC). Esse termo engloba diversas técnicas distintas, 3830

2 tal como expert systems, Redes Neurais Artificiais (RNA), lógica fuzzy, entre outras. As RNA s demandam um grande número de amostras e produzem resultados limitados a determinados sistemas, aos quais foram treinadas. Portanto, a fase de treinamento da rede é critica. Contudo, uma vez que forneça uma base confiável de dados à rede, essa técnica se mostra eficiente, confiável e simples, e, em função disso, tem sido aplicada extensivamente na área de monitoramento de falhas. Ainda, utilizando RNA s é possível reduzir de forma significativa o número de elementos sensores que monitoram as condições de operação da máquina. Tais sensores contribuem de forma direta com o aumento dos custos de implementação das técnicas tradicionais (Suetake, 2012). Dentro do cenário de identificação de falhas, podem-se citar alguns trabalhos. Broniera et al. (2013) identificaram falhas de curto-circuito entre espiras de estator de uma mesma fase, utilizando apenas amostras da forma de onda original de corrente. As amostras mencionadas serviram diretamente como entrada para três arquiteturas de redes neurais, a fim de comparação. Outro exemplo de análise no domínio do tempo é o trabalho de Gongora et al. (2013), no qual é proposto um sistema inteligente para detecção de falhas online, empregando somente sinais de tensão e corrente no tempo e redes neurais artificiais. Santos (2013) apresentou uma metodologia para diagnóstico da condição do motor, considerando falhas por barras quebradas e curto circuito no enrolamento de estator. Foi aplicada a TWD até o terceiro nível para o motor quando acionado pela rede elétrica e até o quarto nível quando acionado por inversor. Os coeficientes de Detalhes do último nível analisado foram utilizados como entradas para três RNA s distintas, a saber: Perceptron Multi Camadas (MLP), rede de Elman e Radial Basis Function (RBF). Conclui-se que a rede de Elman exibiu melhor desempenho para classificação das falhas analisadas. Silva (2014), da mesma forma, utiliza modelos wavelets e RNAs, contudo, desenvolve um método baseado em medidas de previsibilidade, Potência de Previsão (PP) e Predictable Component Analysis (PrCA). Após realizar a transformada wavelet-packet, cada componente da decomposição foi reconstruído individualmente avaliando-se os respectivos erros de reconstrução. Posteriormente, foram comparados os resultados obtidos empregando-se PP e PrCA. A proposta deste trabalho consiste em desenvolver uma metodologia para a detecção de falhas de curto-circuito entre as espiras do estator, quebra das barras do rotor, rolamento e condições normais de funcionamento através do monitoramento da corrente trifásica do motor de indução. A estratégia utilizada para extrair características típicas de cada falha se fundamenta em transpor os sinais de correntes trifásicas para o eixo dq, empregando para tanto as transformadas de Clarke e Park. Por fim, a rede RBF é aplicada para classificar os padrões e auxiliar na determinação da existência, ou não, de falha no motor que originou o sinal e ainda qual o tipo de falha, se houver. O artigo está organizado da seguinte maneira: na Seção 2 apresenta-se uma descrição das principais falhas nos motores elétricos; na Seção 3 são apresentados os aspectos relacionados às redes neurais artificiais; na Seção 4 são apresentados o desenvolvimento e os resultados experimentais; a Seção 5 é referente às conclusões. 2 Classificação de falhas em motores de indução O defeito de um componente em uma máquina elétrica significa um indício de capacidade reduzida para atender aos requisitos mínimos especificados. Caso este defeito não seja identificado, ou caso seja permitido o prosseguimento da operação, isto pode conduzir a uma falha. Logo, essas falhas são registradas como causa que conduziram a um colapso ou a uma parada não planejada da máquina (Thorsen e Dalva, 1999). Quando uma máquina desenvolve uma falha, ela apresenta indícios de defeitos de várias formas: mudanças nos sinais de vibrações, variação na temperatura, ruídos e alterações no campo eletromagnético. As falhas podem ser divididas em dois grandes grupos, falhas elétricas e falhas mecânicas. Considerando falhas elétricas, são destacados os problemas relativos a enrolamento de estator, enrolamento de rotor, os quais estão presentes em alguns modelos de motores, barras quebradas no rotor, anéis quebrados no rotor, conexões, entre outras. Por outro lado, as falhas mecânicas podem ser oriundas de problemas de rolamento, desalinhamento, entre outros, conforme relata Singh e Kazzas (2003). O Institute of Eletrical and Electronics Engineers IEEE e o Electric Power Research Institute EPRI conduziram algumas pesquisas estatísticas para avaliar a confiabilidade dos motores e identificar características operacionais. Parte destes estudos especificaram as razões de falhas dos motores como mostra a Tabela 1. Tabela 1. Porcentual de falhas de componentes do motor Falha no Falha no Falha no rolamento estator rotor Outros EPRI 40% 38% 10% 12% IEEE 42% 28% 8% 22% A Tabela 1 demonstra que o rolamento, estator e rotor são componentes mais suscetíveis a falhas, nesta ordem. Estes três componentes concentram a maioria dos defeitos e falhas constatados em motores. Essas falhas podem ocorrer devido a situações internas e externas, como erros na produção, problemas de montagem ou devido ao funcionamento incorreto. Os sinais de corrente para cada uma dessas condições é tratado, buscando-se características 3831

3 específicas para cada tipo de falha. Posteriormente, a rede deve ser capaz de aprender tais padrões e assim identificar as diferentes classes de falhas mencionadas. os neurônios da camada de saída formam uma combinação linear das funções de base radial calculadas na camada intermediaria. 3 Redes neurais artificiais Redes neurais artificiais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. Uma rede neural artificial é composta por várias unidades de processamento, cujo funcionamento é bastante simples (Silva et al, 2010). Essas unidades, geralmente são conectadas por canais de comunicação que estão associados a determinado peso. As unidades fazem operações apenas sobre seus dados locais, que são entradas recebidas pelas suas conexões. O comportamento inteligente de uma Rede Neural Artificial vem das interações entre as unidades de processamento da rede. Dentre as arquiteturas de redes neurais que possibilitam o reconhecimento e classificação de padrões, podem-se citar a perceptron de camada simples, a adaline, a perceptron multicamadas, as redes de Kohonen e a RBF. O perceptron simples é considerada a mais elementar rede neural capaz de classificar padrões, desde que estes sejam linearmente separáveis. A rede adaline sofre da mesma limitação da perceptron de camada simples. No caso da perceptron multicamadas, suas camadas intermediárias permitem que a rede crie mais de um hiperplano separador, possibilitando uma representação mais rica e complexa do sistema. Portanto, essas redes são, a princípio, capazes de solucionar problemas não-linearmente separáveis. Contudo, possuir várias camadas não é critério imprescindível para classificar padrões complexos. A rede de Kohonen é constituída de uma única camada, todavia, tem a capacidade de detectar correlações entre os padrões do conjunto de entrada, agrupandoos em classes (clusters), mesmo sem qualquer informação a respeito das saídas desejadas (Silva et al, 2010). Já a RBF pode ser entendida como uma rede de alimentação direta. Em sua forma básica a sua construção envolve três camadas as quais têm funções específicas. Essa é a arquitetura utilizada na proposta deste trabalho e, portanto, é detalhada na subseção seguinte. 3.1 RBF A Figura 1 ilustra a topologia da rede com função de base radial. Na camada de entrada estão os neurônios que irão conectar a rede a seu ambiente. A camada intermediária realiza uma transformação não linear do espaço de entrada para o espaço intermediário. As ativações das funções de base radial da camada intermediária são criadas pelos neurônios não lineares os quais tem ativação local e Figura 1. Rede RBF. As funções de base radial na camada escondida produzem uma resposta diferente de zero somente quando o padrão de entrada está dentro de uma região pequena localizada no espaço de entradas. Por este motivo a RBF algumas vezes é citada na literatura como redes de campos receptivos localizados (Haykin, 1999). Este tipo de rede apresenta duas fases distintas de treinamento. A primeira etapa de treinamento apresenta um estágio não supervisionado onde é adotado um método de aprendizagem que dependem apenas das características dos dados de entrada. Para este estágio a RBF utiliza funções de ativação do tipo Gaussiana, e, portanto as fronteiras delimitadoras são definidas por campos receptivos hiperesféricos. E a segunda etapa apresenta um estágio no qual são vinculados os ajustes de pesos dos neurônios da camada de saída e utiliza a regra delta generalizada para a convergência tal qual a topologia perceptron multicamadas. A próxima Seção objetiva exibir o desenvolvimento e os resultados obtidos a partir dos sinais oriundos de máquinas com falhas e condições normais de funcionamento utilizando uma RNA de função base radial como classificadora de padrões. 4 Detecção de falhas usando RBF As falhas em motores de indução influenciam diretamente o seu desempenho, uma vez que essas se refletem tanto em grandezas elétricas, tais como corrente elétrica e fluxo eletromagnético, quanto em grandezas mecânicas, como a vibração, o torque e a velocidade. As alterações indesejáveis nessas grandezas podem ser utilizadas para revelar o problema do Motor de Indução Trifásico (MIT). Para tanto, as redes neurais mostram-se uma solução atrativa, uma vez que são capazes de aprender e generalizar o conhecimento adquirido. 3832

4 A estratégia utilizada para classificação dos sinais de corrente da linha do MIT nas condições especificadas consiste em evidenciar características peculiares referentes à cada classe de falha, tornando possível a utilização da rede neural para realizar o diagnóstico. O método empregado para extração de características foi a transformação para o eixo dq e a rede neural escolhida para classificação de padrões foi a RBF como ferramenta auxiliar para tomada de decisão quanto a estado de falha ou não apresentado no sinal. A Figura 2 ilustra essa metodologia, na qual ressalta-se que os dados foram obtidos experimentalmente numa bancada de testes. descrever as falhas mencionadas e o modo como foram recriadas Curto circuito no estator Com o passar do tempo, o esmalte das bobinas tende a ressecar, podendo ter sua propriedade isolante prejudicada. A temperatura na qual o motor está condicionado é um fator de grande influência na determinação do tempo de vida útil dessa isolação. Para simular um curto circuito entre as espiras em função da degradação dos isolantes térmicos é procedida a danificação da proteção dos fios de cobre das bobinas de estator. Quanto maior o número de espiras avariadas, maior a corrente de curto circuito na bobina. Para o estudo em questão foram utilizados dados de ensaios a partir de um curto circuito oriundo de 7% de espiras danificadas Falta de lubrificação no rolamento A correta lubrificação dos rolamentos, além de promover o aperfeiçoamento do rendimento, ajuda a evitar a elevação da temperatura prejudicial a vida útil dessas peças. Os defeitos referentes à falta de lubrificação nos rolamentos foram obtidos substituindo o lubrificante original da peça por uma pasta abrasiva. O motor foi submetido a tensões e conjugado nominal no eixo durante uma hora de funcionamento. Figura 2. Metodologia empregada. Assim, apresentam-se de forma resumida os passos metodológicos para o desenvolvimento do trabalho de acordo com os seguintes tópicos: Aquisição de dados; Análise dos dados; Processamento do sinal; Fase de treinamento da rede RBF; Fase de operação. 4.1 Aquisição dos dados Para realização do presente trabalho foram utilizadas medições das correntes do motor sem defeito, com curto circuito da ordem de 7% das bobinas danificadas, com 4 barras quebradas e com falha de rolamento oriunda de desgaste excessivo por falta de lubrificação. Todas as condições de falhas que proporcionaram as aquisições foram reproduzidas no Laboratório de Sistemas Inteligentes da UTFPR Campus Cornélio Procópio (LSI- UTFPR/CP) em parceria Laboratório de Automação Inteligente de Processos e Sistemas da Escola de Engenharia de São Carlos (LAIPS-USP/SC). As subseções seguintes possuem a finalidade de Barras de rotor quebradas Quando do motor é exigido um carregamento excessivo, ou ainda sob condições de vibração, excentricidade e desalinhamento, pode ocorrer a ruptura das barras do rotor (Gongora, 2012). Essa condição pode ser simulada em laboratório perfurando-se o rotor com auxílio de uma furadeira. Os dados de corrente utilizados para essa condição são referentes ao motor em funcionamento com 4 barras perfuradas. 4.2 Análise dos dados Esta fase inclui o pré-processamento do sinal e o exame das curvas obtidas. Uma vez que as aquisições foram realizadas com tempos de amostragem e durante períodos de tempo diferentes, é necessário tratamento dos dados para uniformizar as amostras e permitir uma análise adequada. A escolha das correntes trifásicas para esta aplicação consiste no fato de que estas demonstram maiores deformidades características em cada tipo de falha. As Figuras 3 a 6 mostram as características de corrente no tempo para cada falha considerando um carregamento de 1Nm constante. Verifica-se que para nenhum dos casos a corrente apresenta uma senóide perfeita, nem para o caso do motor sem falhas, como o exemplo ilustrado na Figura 3. Isso ocorre principalmente em função de problemas de qualidade de energia na rede elétrica à 3833

5 Anais do XX Congresso Brasileiro de Automática qual o equipamento está conectado. Tais condições são comuns no ambiente industrial e impossível de ser eliminados completamente. À vista disso, não podem ser desconsideradas no presente estudo. Nas Figuras 4, 5 e 6, percebe-se que cada tipo de falha provoca distorções diferentes nos sinais de corrente, sendo essa constatação o ponto de partida para o desenvolvimento do trabalho. Figura 4. Corrente do MIT com falha de Rolamento. 4.3 Processamento do sinal Os sinais de corrente no tempo apresentados no tópico anterior são transformados para o eixo dq, de modo a obter os sinais característicos de cada tipo de falha no eixo síncrono. Para tanto, foram utilizadas as transformações de Clarke e Park. Esta abordagem propõe, primeiramente, a mudança de coordenadas do eixo estacionário trifásico abc para o eixo αβo, também conhecida como Transformação de Clarke, através da Equação (1), na qual e representam as grandezas de corrente de cada fase do MIT. Figura 1. MIT Sem falhas. (1) O sistema trifásico estacionário abc pode ser representado por um sistema bifásico apenas pelas grandezas e. Após obter as grandezas de corrente em uma nova operação se faz necessária para transformação no sistema de coordenadas síncrona. Este método e conhecido como Transformada de Park e pode ser visto conforme a Equação (2). Figura 2. MIT com falhas de Curto circuito. (2) Após essa transformação, as componentes das correntes na frequência angular fundamental tornam-se grandezas contínuas e os distúrbios presentes em cada tipo de falha, podem ser observados na saída da transformada de Park de forma oscilatória, com características e amplitudes próprias. Os sinais no eixo síncrono, para todos os casos de falha e não falha, podem ser conferidos na Figura 5. Caso os sinais de corrente de entrada Figura 3. MIT com falhas de barras quebradas. 3834

6 apresentassem forma de senóides perfeitas, os sinais dos eixos d e q seriam totalmente contínuos. Percebese que em nenhum dos casos isso foi alcançado. Como já foi destacado, mesmo o sinal de corrente do motor sem defeito possui imperfeições, que são representadas pelas oscilações visualizadas na Figura 5. Nesta etapa foi utilizada uma taxa de aprendizagem no segundo estágio de treinamento e uma precisão de. Foram necessárias 13 iterações no estágio nãosupervisionado e iterações no estágio supervisionado. 4.4 Fase de operação Nesta etapa, a validação da rede foi realizada com 25% das amostras contendo as mesmas quantidades de entrada e saída da etapa de treinamento. A Tabela 2 apresenta os resultados de classificação da rede RBF para qual foram utilizados 5 neurônios na camada escondida, considerando os sinais do MIT com carregamento de 1Nm. Figura 5. Correntes no eixo síncrono A partir dos dados de corrente no eixo dq, foram separadas as amostras de treinamento e de validação. Os dados utilizados foram os valores de corrente apenas no eixo d. Os vetores foram amostrados tais que cada ciclo da rede seja representado por um vetor no eixo d constituído de 49 pontos. Sendo assim, cada amostra de treinamento ou validação utilizada na RBF possui 49 entradas. 4.4 Fase de treinamento da RBF Na etapa anterior os sinais originais de corrente do motor de indução submetido a diversas condições foram transformados em sinais no eixo síncrono. Posteriormente, foram amostrados, formando um conjunto de 88 amostras para cada condição, que totalizam 264 amostras. Para a fase de treinamento foi utilizado um total de 75% dessas amostras. Como mencionado, cada amostra contém 49 entradas. Essas por sua vez devem ser separadas em grupos na camada escondida da RBF. Portanto, essa camada deve possuir um número de neurônios capaz de agrupar corretamente as entradas dentro do domínio das fronteiras delimitadoras dos respectivos campos receptivos hiperesféricos. Métodos empíricos foram utilizados para determinar o número de neurônios necessários nessa fase. Uma vez que existem 3 tipos de falhas a serem classificadas, além do motor sadio, a rede neural deve ser constituída de 4 neurônios na saída. A função de ativação utilizada na camada de saída é a tangente hiperbólica, o que significa que a resposta é limitada no intervalo [-1,1]. No entanto, o valor da saída é arredondado após a operação, de forma que apresente somente respostas -1 ou 1. Por convenção, uma saída positiva indica ocorrência de determinada condição de falha, enquanto que uma saída negativa indica o oposto. Em outras palavras, cada um dos 4 neurônios é responsável pelo julgamento de um tipo de falha. SAÍDA DESEJADA Tabela 2. Resultados da classificação SAÍDA RBF SAÍDA DESEJADA SAÍDA RBF Cada uma das 4 colunas representa a resposta de um neurônio da camada de saída. Cada um das 88 linhas representa a saída da rede para uma determinada amostra. Essas por sua vez estão dispostas da seguinte maneira: as linhas 1 a 22 indicam saída para amostras de motor sem falhas; as linhas 23 a 44 indicam saída para amostras de motor com curto circuito; as linhas 45 a 66 indicam saída 3835

7 para amostras de motor com barras quebradas; as linhas 65 a 88 indicam saída para amostras de motor com falta de lubrificação no rolamento. Foi possível obter um erro de 1,13%, no qual apenas uma classificação resultou em um falso negativo (linha 43), haja vista que a rede deveria indicar uma falha de curto circuito, todavia, apresentou um resultado inconclusivo. A rede foi retreinada para outros níveis de carregamento, a saber, 2Nm, 3Nm, 4Nm e 5Nm. Foi utilizada a mesma arquitetura, contudo, o número de neurônios da camada escondida da RBF foi modificado a fim de se encontrar resultados satisfatórios. A Tabela 3 indica os resultados obtidos para os carregamentos supramencionados. As tabelas referentes à validação para cada carregamento foram omitidas, todavia, percebe-se que, para torque no eixo de 2Nm e 3Nm a rede apresentou somente uma resposta equivocada. Ainda, para os carregamentos de 4Nm e 5Nm, o erro apresentado na etapa de validação foi nulo. Tabela 3. Resultados obtidos para demais carregamentos. 2Nm 3Nm 4Nm 5Nm Neurônios na camada escondida Iterações estágio nãosupervisionado Iterações estágio supervisionado Erro percentual 1,136 1, Conclusão Os sinais de corrente de um motor de indução trifásico submetidos a diversas condições de falhas foram tratados e processados por meio de transformadas no eixo síncrono. Foram realizadas as classificações dos sinais com auxílio da rede RBF, indicando as amostras referentes aos sinais sem falhas e com os 3 tipos de falhas. Verificou-se que a rede apresentou 1,33% de erro para carregamentos de 1Nm, 2Nm e 3Nm e erro nulo para carregamento de 4Nm e 5Nm. Portanto, a metodologia utilizada realizou a correta classificação dos sinais apresentados para esta aplicação. Agradecimentos Este trabalho foi financiado pela Fundação Araucária de Apoio ao Desenvolvimento Tecnológico do Paraná (Processo No 06/ ), Conselho Nacional de Desenvolvimento Científico e Tecnológico CNPq (Processo No /2008-5, / e No /2011-5) e Capes-DS. Referências Bibliográficas Bellini, A., Filippetti, F., Tassoni, C. and Capolino, G (2008). Advances in Diagnostic Techniques for Induction Machines. Industrial Electronics, IEEE Transactions on, vol.55, no.12, pp.4109,4126. Broniera, P.J.; Gongora, W.S.; Goedtel, A.; Godoy, W.F (2013). Diagnosis of stator winding interturn short circuit in three-phase induction Motors by using artificial neural networks. In: IEEE international Symposium on Diagnostics for Eletric Machines, Power Eletronics Drives (SDEMPED 2013). Valencia, Espanha: [s.n.], P Clarke, E (1943). Circuit and Analysis of AC Power Systems. Vol. I- Symmetrical and Related Components, New York, John Wiley & Sons, Inc. Chow, B., G, Goddu (1997). Knowledge based to enhance the performance of neural network based motor fault detectors, Industrial Eletronics, Control and Instrumentios 3, pp Gongora, W. S., Silva, H. V. D., Goedtel, A e Godoy, W. F (2012). Uma abordagem neural para detecção de falhas em rolamentos de motores de indução trifásicos, Congresso Brasileiro de Automática. Gongora, W. S (2013). Uma Abordagem Neural no Diagnóstico de Falhas em Rolamentos de Motores de Indução Trifásicos. Dissertação de Mestrado, Universidade Tecnológica Federal do Paraná, Cornélio Procópio, PR. Guedes, M. V. (1994). O motor de indução trifásico seleção e aplicação. Faculdade de Engenharia da Universidade do Porto. Haykin, S (2001). Redes Neurais: Princípios e Prática, Bookman, Porto Alegre, RS. Reis, A. J. S (2010). Reconhecimento de Padrões de Falhas em Motores Trifásicos Utilizando Redes Neurais. Natal, RN. Rodriguez, P. V. J (2007). Current, Force and Vibration Based Techniques for Induction Motor Condition Monitoring, Tese de doutorado, Helsinki University of Technology, Espoo, Finland. Santos, F. M. C (2013). Identificação de falhas em motores de indução trifásicos usando sistemas inteligentes. Tese de Doutorado, São Carlos, SP. Silva, I. N. da, Spatti, D. H. e Flauzino, R (2010). Redes Neurais Artificiais. Artiliber, São Paulo, SP. Silva, L. R. B. (2014). Classificação de Falhas em Máquina Elétricas Usando Rdes Neurais, Modelos Wavelet e Medidas de Informação. Dissertação de Mestrado, Universidade Tecnológica Federal do Paraná, Cornélio Procópio, PR. Singh, G. e Kazzaz, S. A. S. A. (2003). Induction machine drive condition monitoring and 3836

8 diagnostic research a survey, Electric Power Systems Research. Thorsen, O. V., and Magnus, D. (1999). Failure identification and analysis for high voltage induction motor in the petrochemical industry, IEEE Transactions on Industry Applications 35(4), pp Suetake, M., Silva, I. N. da, Goedtel, A (2011). Embedded DSP-Based Compact FuzzySystem and Its Application for Induction Motor V/f SpeedControl (Qualis Engenharia IV). IEEE Transactions on Industrial Electronics (1982. Print), v. 58, p Suetake, M (2012). Sistemas Inteligentes para Monitoramento e Diagnóstico de Falhas em Motores de Indução Trifásicos. Tese de Doutorado, São Carlos, SP. 3837