Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014

Transcrição

1 DETECÇÃO DE FALHA EM ACOPLAMENTO ELÁSTICO UTILIZANDO ATRIBUTOS DE COMPLEXIDADE DO SINAL DE VIBRAÇÃO Geraldo Luis Bezerra Ramalho, Adriano Holanda Pereira, José Ciro dos Santos, André Pimentel Moreira, Pedro Pedrosa Rebouças Filho Instituto Federal de Educação, Ciência e Tecnologia do Ceará Campus Maracanaú - Av. Parque Central s/n Maracanaú, Ceará, Brasil s: gramalho@ifce.edu.br, holanda@ifce.edu.br, ciro@ifce.edu.br, apmoreira@ifce.edu.br, pedrosarf@ifce.edu.br Abstract The condition monitoring of industrial equipments is an important process to prevent failures and hazard. This paper proposes a approach for monitoring the operational condition of machines using the extraction of characteristics of a signal obtained with MEMS accelerometers. The data extracted from the decomposition of the vibration signal using Haar Transform and the fractal dimension are used to train a ELM neural network. The results of our experiments shows the proposed methodology can be applied to detect different machine conditions and also identify coupling mechanical failures. Keywords condition monitoring, fault detection, MEMS accelerometers, ELM neural network. Resumo O monitoramento das condições de equipamentos industriais é um processo importante para a prevenção de falhas e acidentes. Este trabalho propõe uma abordagem para o monitoramento de condições operacionais de máquinas baseado na extração de características de um sinal de vibração obtido com acelerômetros MEMS. Os dados extraídos da decomposição do sinal de vibração, por Transformada Haar e através da dimensão fractal, são utilizados para treinar uma rede neural ELM. Os resultados experimentais mostram que a metodologia proposta pode ser aplicada para detectar diferentes condições de máquina e também identificar falhas de acoplamento mecânico. Palavras-chave monitoramento de condição, deteção de falhas, acelerômetros MEMS, rede neural ELM 1 Introdução Os acoplamentos mecânicos são os elementos com maior empregabilidade na transmissão de movimento rotativo e conjugado. Por apresentar tolerância ao desalinhamento, suavização por torção nas transições mecânicas, entre outras vantagens, os acoplamentos elásticos se notabilizam em aplicações tipicamente industriais de tração e variação de velocidade. Segundo Yokoyama et al. (2012), falhas de acoplamento são frequentes e podem causar acidentes fatais. Além disso, os autores sugerem que a folga de acoplamento é uma dos modos primários desse tipo de falha. O primeiro efeito da falha de acoplamento é a mudança do padrão de vibração. Se nenhuma ação for tomada, o que é comum em função do não monitoramento do equipamento, ocorre o aumento de ruído audível e uma redução de significativa de desempenho. Antes que o desgaste atinja níveis excessivos, uma interrupção na operação para que procedimentos de manutenção sejam executados ajuda a previnir acidentes, reduz a extensão dos danos e prolonga a vida útil do equipamento. A análise espectral do sinal de vibração do equipamento monitorado é uma metodologia de particular interesse porque é um método não invasivo e exerce pouca ou nenhuma influência sobre o sistema monitorado. Em geral, emprega-se a análise por Transformada de Fourier (TF) para obter o espectro de frequência de sinais de vibração obtidos com transdutores de vibração, em geral acelerômetros piezelétricos fixados na máquina monitorada. Falhas em máquinas rotativas geralmente causam harmônicos que podem ser detectados por meio de análise espectral. Por isso, alguns estudos revelam particular interesse nessa área de pesquisa (Oliveira et al., 2013; Samaga and Vittal, 2012). No âmbito da análise de vibração, sensores MEMS (Microelectromechanical System) têm sido aplicados no monitoramento de ventiladores (Chen et al., 2010) e de sistemas de transmissão de aerogeradores e na deteção de transientes em máquinas rotativas (Wang, Huang and Zhu, 2011). No trabalho de Maruthi and Vittal (2005) foram utilizados acelerômetros MEMS em substituição aos tradicionais acelerômetros piezelétricos no monitoramento de falhas em motores monofásicos do tipo gaiola de esquilo. Os autores realizaram análise espectral de falhas a partir do sinal do acelerômetro MEMS e através da assinatura de corrente do motor. No trabalho de Hassan et al. (2013), os autores investigam diferentes aplicações nas quais são empregadas redes neurais tanto no controle quanto no monitoramento de sistemas de potência. Paiva et al. (2009) utilizaram a Transformada Wavelet (TW) na filtragem do sinal com o objetivo de deteção de falhas em sistemas dinâmicos. No trabalho de Jiang and Liu (2011), foi investigado o monitoramento de condição de máquina 3924

2 através da extração de características que indicam a deterioração do equipamento. Li et al. (2010) e Li et al. (2011) obtiveram êxito na deteção de falhas em caixas de engrenagens utilizando wavelet. Máquinas de aprendizagem e redes neurais têm sido bastante exploradas nesse tipo de aplicação. Konar and Chattopadhyay (2011) empregaram o uso de extração de características do sinal de vibração baseado em transformada wavelet. A partir das decomposições wavelet foram extraídas medidas e posteriormente essas medidas foram classificadas utilizando uma máquina de vetor de suporte.chakraborty et al. (2012) propuseram um método de análise de falhas baseado em mapas de características auto-organizáveis e funções de base radial. Neste artigo é apresentado um método de monitoramento de condição e deteção de falhas de acoplamento com base na extração de características de um sinal de vibração obtido com acelerômetros MEMS. A extração de características emprega decomposições por transformada wavelet Haar e dimensão fractal (Ramalho et al., 2012). Essas características são utilizadas para treinar uma máquina de aprendizagem extrema (ELM). Os resultados obtidos em ensaios mostram que defeitos de rolamento, folgas de acoplamento ou curto circuito entre bobinas podem ser detectados e caracterizados com a metodologia proposta. O presente trabalho está organizado da maneira como segue. Na seção 2 é apresentada a metodologia proposta para o monitoramento e identificação de falhas a partir da extração de características do sinal de vibração obtidas com as decomposições da transformada Haar e dimensão fractal. Na seção 3 é apresentada uma breve descrição dos ensaios. Os resultados e discussões são apresentados na seção 4. As conclusões e sugestões de trabalhos futuros são apresentadas na seção 5. 2 Deteção de falhas O monitoramento da condição de máquina é fundamentado na aquisição periódica do sinal de vibração e a metodologia proposta é indicada no diagrama da Figura 1. As características extraídas do sinal são avaliadas por uma rede neural previamente treinada para condições de falhas conhecidas. Quando uma possível falha é detetada, um alarme é emitido, e quando se fizer necessário, seguido por um comando de desligamento do equipamento. A metodologia de monitoramento por meio do sinal de vibração, obtido com acelerômetros MEMS, baseia-se na classificação de descritores do grau de complexidade do sinal de vibração de um equipamento conforme proposto por Ramalho et al. (2012). Os descritores são obtidos a partir de sinais de vibração coletados com acelerômetros MEMS, utilizando-se o cálculo da dimensão frac- Figura 1: Metodologia para monitoramento de condição e deteção da falha. tal, da energia e da entropia dos primeiros níveis de decomposição wavelet do sinal. 2.1 Extração de características Conforme proposto por Ramalho et al. (2012), uma transformada wavelet discreta é utilizada para decompor do sinal de vibração em níveis de detalhes visando à extração dos atributos do sinal. Por sua vez, o sinal de vibração apresenta um padrão estocástico bastante complexo, que pode ser descrito por medidas extraídas das decomposições wavelet Haar do sinal (Ramalho et al., 2012; Ramalho et al., 2013). Em Ramalho et al. (2012) são definidas medidas para análise de sinais com o emprego de descritores de complexidade extraídos do sinal x, que aqui representa o sinal de vibração obtido com um acelerômetro MEMS discretizado a uma frequência de amostragem f s durante um período T. Os descritores são obtidos com os coeficientes de detalhes d j das D decomposições j = 1, 2,, D do sinal x utilizando a Transformada wavelet Haar discreta (Mallat, 1999). Os atributos que descrevem a condição de operação do equipamento monitorado são a energia En obtida a partir dos coeficientes de detalhes d j do sinal, da medida da entropia Et do primeiro nível de detalhes d 1 e a dimensão fractal DF, definidos como En = 1 D D d j [i] 2, (1) i=1 Et = p(d 1 ) log p(d 1 ) e (2) DF = log N b / log R, (3) em que p( ) é uma função de densidade de probabilidade e N b é o número de caixas (boxes) δ- dimensionais de tamanho R necessárias para cobrir os elementos não nulos do sinal. Para o caso particular de um sinal unidimensional (δ = 1), as caixas são representadas por segmentos de reta nele contidos. As medidas extraídas das decomposições do sinal de vibração formam um vetor de atributos de 3 dimensões a = {a 1, a 2, a 3 }, em que a 1 =En, 3925

3 a 2 =Et e a 3 =DF. Esse vetor de atributos constitui um descritor do padrão de vibração para uma determinada condição do motor. 2.2 Classificação das falhas Neste trabalho é empregada uma máquina de aprendizagem extrema (ELM, do inglês Extreme Learning Machine) (Huang et al., 2004) utilizada na classificação da condição de máquina, visando à deteção de falhas. A ELM é uma rede perceptron com apenas uma camada oculta, que utiliza uma regra de aprendizagem realizada em um único passo, da entrada para a saída (Huang et al., 2004; Huang et al., 2006; Wang, Cao and Yuan, 2011), apresentado a vantagem de rapidez na etapa treinamento. A regra geral de aprendizagem dos neurônios de uma ELM é definida por NH i=1 β i g(w i x j + b i ) = t j, (4) em que N H é a quantidade de neurônios da camada oculta, N é o número de vetores de treinamento e j = 1, 2,, N. Os vetores w i = [w i1, w i2,,, w in ] são os pesos da camada oculta, β i = [β i1, β i2,, β im ] são os pesos da camada de saída e b i é o limiar do i-ésimo nó da camada escondida. No treinamento, para cada entrada x j de dimensão n, apresenta-se o valor conhecido t j de dimensão m. Uma função de ativação diferenciável g( ), em geral do tipo logística, é escolhida para regular assintoticamente a saída da rede. Os neurônios da camada oculta podem ser representados de forma compacta através da matriz g(w 1 x 1 + b 1 ) g(w H x 1 + b H ) H =....., g(w 1 x N + b 1 ) g(w H x N + b H ) enquanto os respectivos pesos são representados por β = β 1. β H e T = t 1. t N. Dessa forma, a regra de aprendizagem definida pela equação 4 tem solução descrita por β = H T e calculada por técnica linear dos mínimos quadrados, sendo H a pseudo-inversa generalizada de Moore-Penrose (Huang et al., 2004). Importante observar que a rede ELM independe dos pesos da camada oculta w i, os quais podem ser inicializados com valores aleatórios conforme mostra Huang et al. (2006). Após o treinamento da rede ELM, são apresentados dados desconhecidos para obter uma predição da classe à qual esses dados pertencem. 3 Modelo experimental A medição da vibração foi realizada com um acelerômetro MEMS triaxial (Freescale MMA7361). O sensor possui resposta de frequência na faixa 400Hz, faixa de medição ±1, 5g(±1, 6V ), sensibilidade transversal (cross axis) de ±5% e sensibilidade de 100 mv/g, adequados para os níveis de intensidade e de frequência de vibração monitorados. A frequência de ressonância do sensor é da ordem de 6 khz, bem abaixo da faixa de frequências medidas. Um acelerômetro MEMS foi fixado à carcaça do motor sobre o mancal dianteiro do eixo. Nessa posição, a medição do sinal de vibração é realizada no sentido axial do eixo do motor. O sinal de vibração foi obtido com um módulo de aquisição de dados de 16 bits. Utilizou-se uma taxa de amostragem de 10 khz e todas as medições foram realizadas com o motor em regime permanente. Embora esse fato não represente uma limitação da metodologia, a coleta do sinal em regime permanente torna o procedimento de coleta de dados mais simples e menos susceptível a interferências durante a validação dos resultados. A Figura 2 ilustra o modelo utilizado nos ensaios de falha em acoplamento elástico, com destaque para a posição de fixação do acelerômetro MEMS. Figura 2: Modelo do equipamento utilizado nos ensaios. Os experimentos foram conduzidos em uma bancada de ensaios composta por um motor de indução trifásico com rotor em gaiola, de 1,0 cv, quatro polos, 220 V, acionado por um conversor de frequência compatível. Para imposição de carga mecânica, foi utilizado um freio eletrodinâmico ajustável. 4 Resultados e discussão 4.1 Aquisição de dados O conjunto de dados utilizados para o treinamento dos classificadores contém condições operacionais normais e de falha no acoplamento. As condições de operação impostas nos experimentos são indicadas na Tabela 1. Para cada condição de operação foram aplicadas cargas mecânicas constantes com níveis entre 0, 1, 2 e

4 (sendo que 0 é a condição em vazio e os demais níveis correspondem aos valores de 1,7, 3,3 e 5 N.m, respectivamente). A coleta do sinal de vibração foi realizada em cada nível de carga mecânica para a frequência de alimentação 60Hz em regime permanente. A condição de falha foi obtida a partir da inserção de folga no dispositivo de acoplamento elástico entre o motor e a carga. Foram registradas 10 amostragens do sinal de vibração para cada condição da Tabela 1, totalizando 100 amostras. Anais do XX Congresso Brasileiro de Automática Tabela 1: Condições de operação Frequência Nível de Classe Condição (Hz) Carga C1 Parado - - C2 Normal 60 - desacoplado C3 Normal acoplado 60 0,1,2,3 C4 Folga no acoplamento 60 0,1,2,3 Foi utilizada uma rotina de medição da condição de máquina com amostragem do sinal de vibração radial, a partir do mancal dianteiro do motor. A partir da aquisição do sinal de vibração, com 1kS/s, foi calculado o vetor de características a representativo da condição de operação do motor. Figura 3: Gráfico de dispersão dos atributos En, Et e DF para as classes C1 n, C2 n, C3 n e C4 n em que n indica o nível de carga. A escala de En foi substitída por log 10 En para melhor visualização. condições de máquina fornecida pelos atributos do vetor a do sinal de vibração. A escala de intensidade representa a distância entre elementos vizinhos. 4.2 Extração de atributos Três atributos formam o vetor a, sendo eles: a energia (En), com valores obtidos pela Eq. (1), aplicados sobre os coeficientes de detalhes das decomposições wavelet do sinal de vibração. a entropia (Et) do sinal, obtida com a Eq. (2), e calculada sobre o primeiro nível de detalhes da decomposição wavelet. a dimensão fractal (DF ), calculada pela Eq. (3), é realizada sobre o sinal de vibração. Para a extração dos atributos são realizados 7 níveis de decomposições wavelet Haar sobre o sinal de vibração. A Figura 3 ilustra os vetores de atributos para as condições da tabela 1, para motor parado (C1), condição de carga desacoplada (C2), acoplada em vazio (C3) e com imposição de conjugado (em C3 e C4). A matriz-u (Ultsch and Siemon, 1990) pode ser empregada para apresentar projeção dos descritores em um mapa bidimensional 16 16, como mostra a Figura 4. A vizinhança entre os vetores de atributos é determinada pela distância representada na escala de cores. Os agrupamentos são bem definidos para as classes da tabela 1, indicando uma significativa discriminação entre as Figura 4: Projeção bidimensional do espaço de atributos para as condições de operação da tabela 1. A Figura 5 ilustra apenas a projeção das classes C3 e C4. A vizinhança entre os vetores de atributos de C3 e de C4 mostra que os descritores do sinal de vibração fornecem uma boa discriminação entre as condições de máquina estudadas. Figura 5: Projeção bidimensional do espaço de atributos para as condições de operação C3 e C

5 4.3 Deteção de falhas e discussão Dois experimentos foram realizados com uma rede neural ELM para avaliar a capacidade de discriminação dos atributos. O primeiro experimento incluiu as 4 classes, visando determinar a robustez dos atributos ao ruído inerente à captura de dados com o acelerômetro MEMS em uma rotina de monitoramento de condição. O segundo experimento incluiu apenas as classes C3 e C4 com o intuito de avaliar a capacidade de deteção da falha com o equipamento em operação para diferentes níveis de carga. O classificador foi avaliado utilizando validação cruzada com desempenho médio obtido após 100 repetições. Para cada repetição foram selecionados aleatoriamente 80% dos vetores de atributos para a etapa de treinamento. Os vetores restantes, 20%, foram utilizados na etapa de teste. Para cada rodada de treinamento-teste realizada, foi calculada uma matriz de confusão. A máxima taxa de acertos foi alcançada com 11 neurônios na camada oculta da ELM, como é indicado no gráfico da Figura 6. Embora esse número de neurônios resulte em uma representação esparsa dos dados de entrada (Cambria and Huang, 2013), para uma rede ELM essa quantidade de neurônios é considerada pequena (Zhu et al., 2005) dado que ela requer mais neurônios para compensar a aleatoriedade dos pesos da camada escondida. desacoplado é identificado com elevada precisão (0,91), aplicável quando é necessário indicar situações de rotor livre pela abertura do acoplamento. As condições do equipamento com carga, representadas por C3 e C4, também são detectáveis satisfatoriamente e seguem os índices de precisão das classes C1 e C2. Tabela 2: Matriz de confusão do experimento 1 Predição (%) C1 C2 C3 C4 C1 5,75 0,13 0,06 0,31 C2 0 5,87 0 0,37 C ,31 1,44 C4 0 0,50 0,75 42,50 O segundo experimento avalia a deteção de falha de acoplamento com carga. A Tabela 3 mostra o resultado do experimento de deteção de falha em uma aplicação de carregamento dinâmico típico de ambientes industriais. Nessa situação, foi detectada falha com acurácia média de 98% e reduzida taxa de falso positivo (0,71%). Falhas em carregamentos diversos são detectáveis com precisão de 99% e insignificativa incidência de alarmes falsos, o que minimiza as paradas do processo industrial. Tabela 3: Matriz de confusão do experimento 2 Predição (%) C3 C4 C3 49,29 0,71 C4 1,29 48,71 Figura 6: taxa de acerto em função do número de neurônios da camada oculta. A avaliação dos resultados foi realizada com a análise da medida de precisão, tendo como objetivo a minimização do número de falsos positivos. Esse procedimento teve como intuito reduzir as intervenções no sistema motor-carga em função de alarmes falsos dados pelo classificador. Para o experimento inicial, que trata do monitoramento da condição, foi obtida uma acurácia média (Ac) de 96,44% para a classificação. O valor Ac é calculado a partir dos termos da diagonal principal da matriz de confusão mostrada na Tabela 2. A precisão da classe C1 é unitária e informa que a condição do equipamento parado é plenamente identificada, o que é util para validar a parada segura. Na condição C2 o funcionamento A avaliação dos resultados dos experimentos mostra que a metodologia proposta permite monitorar a condição operacional e detetar falha no acoplamento. Dentre as possíveis aplicações dessa proposta, encontram-se a deteção de falha por ruptura do elemento flexível causada, em geral, por conjugado excessivo, escolha inadequada do conjunto de acoplamento, variação das condições mecânicas ou desgate. 5 Conclusões Neste trabalho, foi apresentada uma proposta para monitoramento e deteção de falha de acoplamento através da classificação de padrões de sinais de vibração obtidos com acelerômetros MEMS. A metodologia adotada é fundamentada na análise da complexidade do sinal de vibração por meio da extração de características, com aplicação voltada para o monitoramento da condição de máquina. Os resultados mostram que a metodologia proposta pode ser adotada em sistemas de deteção de falha de acoplamento do tipo flexível. As 3928

6 reduzidas taxas de falsos negativos e falsos positivos, observadas em todos os experimentos, indicam que o método é confiável para atuar na proteção do equipamento, evitando desligamentos desnecessários ou falsos alarmes. O método de deteção de falha em acoplamentos pode ser empregado em sistemas automáticos de controle de processo com elevados requisitos de confiabilidade. Em trabalhos futuros pretende-se desenvolver um algoritmo de controle para interromper a operação em condições de falha, com aplicação no monitoramento de bombas em poços de petróleo desasistidos ou em ambientes classificados. Agradecimentos Este trabalho recebeu apoio financeiro do programa PROAPP/IFCE Referências Cambria, E. and Huang, G.-B. (2013). Extreme learning machines, IEEE Intelligent Systems - Trends & Controversies 28(6): Chakraborty, K., De, A. and Chakrabarti, A. (2012). Voltage stability assessment in power network using self organizing feature map and radial basis function, Computers and Electrical Engineering 38: Chen, Y., Ni, J.-Q., Diehl, C. a., Heber, A. J., Bogan, B. W. and Chai, L.-L. (2010). Large Scale Application of Vibration Sensors for Fan Monitoring at Commercial Layer Hen Houses, Sensors 10(12): Hassan, L. H., Moghavvemi, M., Almurib, H. A. and Steinmayer, O. (2013). Current state of neural networks applications in power system monitoring and control, Electrical Power and Energy Systems 51: Huang, G.-B., Zhu, Q.-Y. and Siew, C.-K. (2004). Extreme learning machine: A new learning scheme of feedforward neural networks, IEEE International Joint Conference on Neural Networks. Proceedings 2: Huang, G., Zhu, Q. and Siew, C. (2006). Extreme learning machine: Theory and applications, Neurocomputing 70(1-3): Jiang, D. and Liu, C. (2011). Machine condition classification using deterioration machine condition classification using deterioration feature extraction and anomaly determination, IEEE Transactions on Reliability 60(1): Konar, P. and Chattopadhyay, P. (2011). Bearing fault detection of induction motor using wavelet and Support Vector Machines (SVMs), Applied Soft Computing 11(6): Li, B., Zhang, P.-L., Tian, H., Mi, S.-s., Liu, D.-s. and Ren, G.-q. (2011). A new feature extraction and selection scheme for hybrid fault diagnosis of gearbox, Expert Systems with Applications 38(8): Li, H., Zhang, Y. and Zheng, H. (2010). Application of hermitian wavelet to crack fault detection in gearbox., Mechanical Systems and Signal Processing 25(4): Mallat, S. (1999). A wavelet tour of signal processing, 2 edn, Academic Press. Maruthi, G. S. and Vittal, K. P. (2005). Electrical Fault Detection in Three Phase Squirrel Cage Induction Motor by Vibration Analysis using MEMS Accelerometer, 2005 International Conference on Power Electronics and Drives Systems 2: Oliveira, A. G., Bessa, R., Coelho, D. N., Medeiros, C. M. S. and Pontes, R. S. T. (2013). Técnicas computacionais para detecção de falhas por curto-circuito entre espiras de um motor de indução acionado por conversor de frequência, SBAI Paiva, H. M., Galvão, R. K. H. and Rodrigues, L. (2009). A wavelet-based multivariable approach for fault detection in dynamic systems, Revista Controle & Automação 20(4): Ramalho, G. L. B., Pedrosa, P., Schmidlin Jr, C. R. and Dias, S. V. (2013). Deteção de falhas em máquinas rotativas através do sinal de vibração e rede SOFM, SBAI Ramalho, G. L. B., Schmidlin Jr, C. R., Bezerra, L. D. S. and Dias, S. V. (2012). Monitoramento de condição de máquina utilizando acelerômetro MEMS, Revista Tecnologia (UNIFOR) 33(1). Samaga, B. R. and Vittal, K. (2012). Comprehensive study of mixed eccentricity fault diagnosis in induction motors using signature analysis, Electrical Power and Energy Systems 35: Ultsch, A. and Siemon, H. (1990). Kohonen s selforganizing feature maps for exploratory data analysis, in Proc. of INNC 90, International Neural Network Conference, Dordrecht, Holanda pp Wang, S., Huang, W. and Zhu, Z. (2011). Transient modeling and parameter identification 3929

7 based on wavelet and correlation filtering for rotating machine fault diagnosis, Mechanical Systems and Signal Processing 25: Wang, Y., Cao, F. and Yuan, Y. (2011). A study on effectiveness of extreme learning machine, Neurocomputing 74(16): Yokoyama, T., Olsson, M., Izumi, S. and Sakai, S. (2012). Investigation into the self-loosening behavior of bolted joint subjected to rotational loading, Engineering Failure Analysis 23: Zhu, Q.-Y., Qin, A., Suganthan, P. and Huang, G.-B. (2005). Evolutionary extreme learning machine, Pattern Recognition 38: Anais do XX Congresso Brasileiro de Automática 3930