IDENTIFICAÇÃO DE FALHAS EM ROTOR DE MOTOR DE INDUÇÃO TRIFÁSICO POR TÉCNICAS NÃO INVASIVAS Alberto Yoshihiro Nakano, Ednei Luiz Miotto, Geovani Bresciani UTFPR - Campus Toledo Rua Cristo Rei 19, CEP 85902-490 Toledo, Paraná, Brasil Emails: nakano@utfpr.edu.br, edneimiotto@utfpr.edu.br, bres.geovani@gmail.com Abstract In this work, two non-invasive techniques for detection of broken bars of the rotor of three-phase induction motor are studied. The first technique is based on Electrical Signature Analysis (ESA) and the second technique is based on acoustic analysis in the pattern recognition context by Gaussian mixture models trained with LPC and PLP as acoustic features, which are generally used in speech and speaker recognition. PLP as acoustic feature showed to be a better choice in fault detection than LPC in the conditions of the experiments. Keywords Pattern recognition, MIT, ESA, acoustic processing. Resumo Neste trabalho são estudadas duas técnicas não invasivas para a detecção de barras quebradas no rotor de um motor de indução trifásico (MIT). A primeira técnica é baseada em Análise da Assinatura Elétrica e a segunda é tratada no contexto de reconhecimento de padrões através de misturas gaussianas treinadas com parâmetros característicos acústicos LPC e PLP comumente usados em reconhecimento de fala e locutor. Resultados obtidos empregando os parâmetros PLP mostraram-se mais eficientes na detecção de falhas comparadas com o LPC nas condições estudadas. Palavras-chave Reconhecimento de padrões, MIT, ESA, processamento acústico. 1 Introdução Motores de indução trifásicos (MIT) são dispositivos amplamente utilizados nas mais diversas aplicações industriais. Mesmo sendo considerado um dispositivo bastante robusto e confiável, os MIT estão sujeitos a adversidades térmicas, ambientais e desgastes mecânicos, que podem provocar a sua parada e, consequentemente, interrupções no processo industrial acarretando elevadas perdas financeiras. Nesse contexto, a manutenção preditiva desempenha um papel fundamental para se alcançar a alta disponibilidade e confiabilidade de seus equipamentos. Por manutenção preditiva entende-se a atuação no equipamento, sistema ou local da instalação, realizada com base no conhecimento de sua condição de funcionamento ou desempenho operacional, obtido por meio de parâmetros previamente conhecidos e determinados (Pierini et al., 2007; Bonaldi et al., 2008). Uma ferramenta importante para auxiliar a manutenção preditiva é o emprego das técnicas não invasivas para o acompanhamento da vida útil e detecção de falhas nas máquinas elétricas de forma mais econômica, segura e confiável, sem a necessidade de interrupção do processo produtivo. Estas técnicas podem ser baseadas em análise de corrente (Pierini et al., 2007; Bonaldi et al., 2008; Silva, 2008; Bonaldi, 2006), ou em vibrações na estrutura do dispositivo (Sadoughi et al., 2007; Iorgulescu et al., 2010) ou até no ruído acústico produzido pelo dispositivo (Miotto and Nakano, 2014; Li and Mechesfke, 2006). Em (Miotto and Nakano, 2014) comparou-se os resultados obtidos por duas técnicas não invasivas utilizadas para a detecção de danos em barras rotóricas de um MIT. O primeiro método foi baseado na Análise da Assinatura Elétrica (ESA - Electrical Signature Analysis) (Bonaldi, 2006) e o segundo método consistiu na análise acústica tratada no contexto de reconhecimento de padrões através de modelos de misturas gaussianas (GMM - Gaussian Mixture Model). Neste trabalho continua-se o estudo de detecção de barras rotóricas rompidas. Pelo método de assinatura de corrente, o desempenho do mesmo é observado quando consideramos o rompimento de barras não adjacentes e, pelo método acústico, efetuou-se uma análise de dois parâmetros acústicos característicos, o PLP, do inglês Perceptual Linear Prediction, relacionado com modelos de predição linear perceptual (Hermansky, 1990) e o LPC, do inglês Linear Predictive Coding, relacionado com a análise de predição linear (Rabiner and Juang, 1993), na situação em que existe carga acoplada no MIT. Este trabalho está organizado da seguinte forma: A Seção 2 apresenta os fundamentos teóricos e as metodologias abordadas no estudo. A configuração experimental empregada na aquisição e processamento dos dados para análise de falhas no rotor é tratada na Seção 3. Na Seção 4 apresenta os resultados e, na Seção 5 são apresentadas as conclusões e considerações finais. 2 Fundamentos Teóricos e Metodológicos Esta seção descreve as principais características e a modelagem matemática utilizada pelas duas
metodologias abordadas neste trabalho para a detecção de barras quebradas no rotor do MIT. 2.1 Detecção de barras quebradas por Análise da Assinatura Elétrica (ESA) ESA é a denominação dada a um conjunto de técnicas de monitoramento da condição de máquinas elétricas pela análise dos sinais elétricos. A análise da assinatura de corrente do motor (MCSA - Motor Current Signature Analysis), técnica adotada neste trabalho, analisa os dados do espectro em frequência da corrente de estator através das componentes de bandas de frequência laterais à frequência fundamental, conforme ilustrada na Figura 1, e compara com padrões estabelecidos em relação a motores normais, ou seja, sem defeito. da relação entre a amplitude da componente fundamental e a amplitude da primeira banda lateral direita(bld) ou esquerda(ble)(miotto and Nakano, 2014). Afim de validar as metodologias empregadas neste trabalho, foram inseridas, na forma de barras quebradas, algumas falhas no rotor de um motor teste. A condição inicial deste rotor era normal, ou seja, sem barras quebradas, as demais condições podem ser melhor compreendidas com a ajuda da Figura 2 que ilustra a sequência e a posição de cada barra quebrada no rotor testado (barras pintadas). Figura 1: Caracterização do espectro na região da frequência fundamental f l. A equação que define as frequências laterais resultantes das barras quebradas (Silva, 2008) é dada por f lateral = (1±2ks)f l, parak = 1,2,3,...,n, (1) sendo que f l é a frequência fundamental da rede elétrica, s é o escorregamento do motor, k é a ordem do harmônico e n é um inteiro maior que zero. O escorregamento é definido como sendo a velocidade mecânica relativa à velocidade síncrona do motor e é dada por s = f sincrona f m f sincrona, (2) sendo f sincrona a frequência síncrona do motor e f m a frequência de rotação mecânica do motor. Conforme a Figura 1, percebe-se que as amplitudes laterais diminuem à medida que as frequências se distanciam da frequência f l. Assim, entende-se que as melhores frequências a serem analisadas são aquelas mais próximas da frequência f l (Junior and Ribeiro, 2009). Em um motor com falhas, as amplitudes e frequências das componentes laterais com relação à fundamental sofrem variações e estas variações, que caracterizam um padrão, são usadas para verificar a saúde do motor. Comumente considera-se o primeiro harmônico (onde k é igual a 1) na análise. De acordo com a condição na qual encontra-se o rotor algumas ações são recomendas. Para facilitar esta análise existem tabelas de severidade que classificam padrões de assinatura de corrente através Figura 2: Sequência e posição das barras quebradas no rotor (barras pintadas). 2.2 Detecção de barras quebradas por método acústico A detecção de falhas por método acústico consiste, em sua maioria, na análise do espectro em frequência do sinal sonoro gerado pelo equipamento analisado. Em (Li and Mechesfke, 2006) verificou-se queapresençaounãodeproblemasalteraoespectro em frequência do sinal sonoro, possibilitando a detecção de anomalias no funcionamento do equipamento. Este trabalho baseia-se no fato de que existem variações perceptíveis ao ouvido humano dependendo das condições de funcionamento de uma máquina, por exemplo: o som gerado por um motor a vazio é percebido de forma diferente quando comparado ao mesmo operando com uma carga acoplada. Quando um motor apresenta sons não condizentes com os apresentados com o motor em perfeito estado, este pode apresentar algum problema. A incorporação do processamento acústico empregado em reconhecimento de fala/locutor na extração de parâmetros acústicos dos sinais gerados pela máquina elétrica pode modelar o efeito acústico percebido pelo ser humano e ser utilizado no problema de identificação de falhas. A presença de falhas é tratada pela modelagem estatística de casos, ou seja, coleta-se amostras de áudio de um MIT em diversas situações de
funcionamento com carga acoplada e criam-se modelos para cada caso. Os casos tratados englobam o MIT com um a seis barras rompidas, em um total de seis casos. Em (Miotto and Nakano, 2014) analisou-se o caso em que o MIT estava a vazio, ou seja, sem carga acoplada. Uma vez que os modelos são criados o problema de detecção de falhas resume-se em um problema de identificação de padrões. Os modelos estatísticos utilizados neste trabalho são análogos aos baseados em modelos de identificação de locutor (Reynolds and Rose, 1995) que são modelados por GMMs. Uma GMM é a soma ponderada de M densidades componentes e é expressa por P(x λ) = M c i b i (x), (3) i=1 sendo que x é um vetor de dados D-dimensional; λ = {c i,µ i,σ i } expressa o modelo paramétrico GMM com peso da mistura c i, vetor médio µ i, e matriz de covariância Σ i ; e b i (x) = N(x;µ i,σ i ) (4) são as densidades componentes, para i = 1,...,M. Cada densidade é uma função gaussiana dependente de x. O peso da mistura é limitado pela relação M c i = 1. (5) i=1 A dimensão do vetor D depende do vetor x e varia com a quantidade de parâmetros característicos empregados. 2.3 Parâmetros característicos acústicos Os parâmetros característicos utilizados em reconhecimento de fala/locutor devem descrever as características de um som produzido pelo trato vocal ou processado pelo sistema auditivo humano. O LPC leva em consideração o trato vocal através da análise de predição linear cujos coeficientes modelam as variações existentes no sistema de produção da fala. O PLP, além da análise de predição linear, considera o processamento psicoacústico do sistema auditivo humano através do uso da escala Bark/Mel de percepção, da análise de bandas críticas e da conversão intensidade-sonoridade. 2.4 Decisor Seja P(x λ(caso i )) os GMMs criados para cada uma das condições do motor consideradas neste estudo, para um sinal sonoro de teste caracterizado por um conjunto de atributos paramétricos x, assume-se que o modelo que produz a maior Figura 3: Bancada de testes utilizada nos ensaios. verossimilhança aponta para o caso mais provável em que se encontra o motor, assim, casoescolhido = argmax x (P(x λ(caso i))). (6) 3 Aquisição dos dados da Assinatura de Corrente Elétrica e sonoros para o MIT A bancada de testes montada para a realização dos ensaios para a coleta dos dados sonoros e da MCSAéilustradapelaFigura3. Estafoimontada no laboratório de máquinas elétricas da Universidade Tecnológica Federal do Paraná (UTFPR), e utilizou um motor de indução trifásico com as seguintes características: 60Hz, 2 pólos, 1CV com rotor do tipo gaiola de esquilo. A corrente estatórica foi coletada com o motor operando em regime nominal, carga constante, alimentação trifásica equilibrada e após um tempo suficiente para garantir que o regime térmico tivesse sido alcançado (120 minutos). Um sensor de corrente foi ligado a uma das fases do motor e a uma placa de aquisição de dados modelo NI- Elvis, do fabricante National Instruments, controlada por um algoritmo implementado no software LabView. O espectro em frequência da corrente elétrica absorvida pelo motor foi obtido através de outro algoritmo implementado no software MatLab. Para cada caso testado (rotor normal e com barras quebradas) foram repetidos vários ensaios para confirmação dos resultados, sempre com a preocupação de manter constante a corrente nominal do estator do MIT pelo ajuste de carga acoplada ao seu eixo, o que era feito com o auxílio do freio magnético. Os dados sonoros foram coletados utilizandose um gravador digital portátil WS-812(Olympus) em formato wav com 16 bits de resolução e com frequência de amostragem de 44,1 khz. Utilizouse um microfone omnidirecional da fabricante Le Son. A coleta ocorreu ao longo do eixo afastado d = 5 cm conforme ilustrado na Figura 3. 4 Simulações e Resultados Nesta seção são discutidos os resultados obtidos pelas duas técnicas abordadas neste trabalho para a detecção de barras quebradas no rotor de um MIT utilizado nos ensaios.
4.1 Resultados da MCSA Na Tabela 1 são apresentados os valores da amplitude (em db) da banda lateral à direita (BLD), sua diferença em relação a componente fundamental ( BLD) e a frequência (em Hz) no qual esta ocorre, considerando diferentes quantidades de barras quebradas no rotor do MIT utilizado nos testes. Para todos os casos apresentados a frequência da componente fundamental ocorreu sempre em 60 Hz e a frequência da BLD mostrada na Tabela 1 obedeceu a Eq. (1) sendo k = 1. Pela análise da Tabela 1, BLD vai diminuindo à medida que as barras do rotor vão sendo quebradas, com exceção do último caso, onde a sexta barra quebrada está em quadratura tanto com a primeira quanto com a quinta barra quebrada. Para seis barras quebradas ao invés de redução houve um aumento da BLD, este mesmo comportamento já havia sido verificado em (Li and Mechesfke, 2006). Outra conclusão importante relacionada a este último caso, indica que a posição da barra quebrada no rotor pode influenciar no resultado da MCSA, podendo em alguns casos gerar dúvidas quanto à existência de barras quebradas ou quanto à quantidade. Quanto às frequências apresentadas na Tabela 1, estas foram extraídas da análise gráfica dos espectros da MCSA, e confirmados por medições realizadas no eixo do MIT utilizando um tacômetro digital. Verificou-se que a frequência onde ocorre ableeabldsedistânciadacomponentefundamental, que aparece em 60 Hz, com o aumento do número de barras quebradas no rotor, conforme ilustrado na Figura 4. Isso permite concluir que o escorregamento s do motor aumenta com a quantidade de barras quebradas. Figura 4: Deslocamento da BLE e BLD com relação ao número de barras quebradas no rotor. Este aumento do escorregamento com a quantidade de barras quebradas permite afirmar para o último caso mostrado na Tabela 1 que mesmo a amplitude da BLD apontando para um número menor de barras danificadas, a sua frequência de ocorrência continuou aumentando em relação aos casos anteriores, fornecendo fortes indícios para concluir que o número de barras quebradas aumentou. 4.2 Resultados do processamento acústico Os parâmetros característicos LPC e PLP foram extraídos utilizando-se o HTK (Young et al., 2006), uma ferramenta largamente empregada em reconhecimento de fala/locutor. Os dados originais foram inicialmente sub-amostrados a 16 khz e depois processados admitindo-se quadros de 256 amostras, deslocamento de quadros de 128 amostras e janelamento de Hamming. Para cada parâmetro característico estudado 11 coeficientes foram extraídos. Para o PLP foi adicionada a componente cepstral de ordem zero (10 + C 0 ) e para o LPC (10 + E) foi adicionada a componente de energia (E). Do total de dados disponíveis 44% foramusadosparaotreinamentodos modelose56% para a realização de testes. Os modelos GMMs foram estimados pelo algoritmo EM (Expectation- Maximization) com matriz de covariância diagonal com 16 componentes gaussianas. Para cada parâmetro característico estudado seis modelos GMMs foram treinados para cada quantidade de barras rompidas. Para medir o desempenho do método proposto utiliza-se a taxa de acertos (%) que indica a correspondência entre os dados de teste e os modelos existentes. As Tabelas 2 e 3 consideram, respectivamente, as matrizes de confusão para os parâmetros LPC e PLP, sendo que as linhas correspondem aos modelos GMMs e as colunas as amostras de teste obtidas para cada um dos casos estudados, por exemplo, na Tabela 2 a matriz mostra que do total de dados disponíveis para o motor com 1 barra quebrada, 99,9% são atribuídos ao modelo com 1 barra quebrada e 0,1% ao modelo com 4 barra quebrada. Na Tabela 2 observa-se que os modelos permitem identificar corretamente o tipo de falha existente com exceção do caso com seis barras quebradas que é identificado como sendo o de três barras quebradas. Nota-se uma correspondência com a Tabela 1 onde BLD para seis barras quebradas pode confundir-se com os casos considerando três e quatro barras quebradas. Na Tabela 3 observase que os modelos permitem identificar corretamente o tipo de falha em todos os casos. A variação encontrada entre os resultados das Tabelas 2 e 3 deve-se a diferença entre os parâmetros característicos acústicos estudados. Embora ambos empreguem uma análise de predição linear na extração dos parâmetros, o PLP incorpora a análise psicoacústica, ou seja, o processamento realizado pelo sistema auditivo humano. No caso de seis barras quebradas, o PLP identifica corretamente a falha o que indica que as variações de
Tabela 1: Comportamento da BLD com a quantidade de barras quebradas no rotor. Quantidade de Amplitude da Frequência de barras quebradas BLD (db) BLD (db) ocorrência da BLD (Hz) Nenhuma 17,74 56,91 65,68 1 18,54 56,08 66,04 2 27,34 47,66 66,16 3 32,78 42,22 66,29 4 34,07 40,71 66,41 5 35,50 40,30 66,70 6 34,00 41,00 67,03 Tabela 2: Matriz de confusão para parâmetro característico LPC. DADOS 1B 2B 3B 4B 5B 6B 1B 99,9% 0,0% 0,0% 0,0% 0,0% 0,0% 2B 0,0% 99,4% 0,0% 0,0% 0,0% 0,0% Modelos 3B 0,0% 0,2% 95,9% 2,4% 1,3% 99,5% 4B 0,1% 0,0% 0,1% 97,6% 0,0% 0,0% 5B 0,0% 0,4% 4,0% 0,0% 98,7% 0,2% 6B 0,0% 0,0% 0,0% 0,0% 0,0% 0,3% Tabela 3: Matriz de confusão para parâmetro característico PLP. DADOS 1B 2B 3B 4B 5B 6B 1B 99,9% 0,1% 0,0% 0,0% 0,0% 0,0% 2B 0,1% 99,7% 0,0% 0,0% 0,0% 0,0% Modelos 3B 0,0% 0,1% 99,9% 0,4% 0,2% 1,5% 4B 0,0% 0,0% 0,0% 99,6% 0,0% 0,0% 5B 0,0% 0,1% 0,1% 0,0% 99,8% 0,2% 6B 0,0% 0,0% 0,0% 0,0% 0,0% 98,3% frequência na BLD possam estar sendo consideradas no parâmetro extraído. 5 Conclusões Este trabalho apresentou resultados de duas técnicas não invasivas para monitoramento e detecção de barras quebradas no rotor de um motor de indução trifásico. A primeira abordagem é baseada em MCSA enquanto a segunda utiliza o processamento acústico dos sons emitidos pelo motor. Para todos os casos analisados os dados foram coletados com o motor operando em regime nominal. Os resultados encontrados para MCSA (Tabela 1) mostraram a tendência de um aumento no escorregamento e uma diminuição da amplitude BLD com o aumento do número de barras quebradas no rotor, o que já era esperado. A Exceção ficou a cargo do último caso apresentado nesta tabela onde a sexta barra encontrava-se em quadratura tanto com a primeira quanto com a quinta barra. Para este último caso concluiu-se que a posição das barras quebradas influencia na análise dos resultados podendo induzir ao erro quanto a quantidade real de barras quebradas caso apenas BLD seja levada em consideração. Adicionalmente, nota-se que a frequência da BLD pode ser utilizada como complemento para a análise de falhas, pois conforme o número de barras quebradas aumenta a frequência da BLD também aumenta. A identificação de barras quebradas por método acústico no contexto de reconhecimento de padrões, ou seja, pela modelagem estatística de diversos tipos de casos, apresentou bons resultados conforme mostrado nas Tabelas 2 e 3. O parâmetro característico acústico PLP, que leva em consideração o processamento psicoacústico realizado pelo ser humano, mostrou-se mais robusto que o parâmetro LPC. Por sua vez, o LPC refletiu, assim como a técnica MCSA, uma possível confusão na identificação do caso com seis barras quebradas identificando-o como o caso com três barras quebradas. Agradecimentos Agradecemos a Fundação Araucária pelo fomento da bolsa de Iniciação Científica (IC), e a Univer-
sidade Tecnológica Federal do Paraná - UTFPR, pelo suporte e apoio financeiro. Referências Bonaldi, E. L. (2006). Diagnóstico preditivo de avarias em motores de indução trifásico com mcsa e teoria de conjuntos aproximados, Dissertação de mestrado, Universidade Federal de Itajubá - UNIFEI. Bonaldi, E. L., Oliveira, L. E. L., Pierini, T. B., Calisto, T. N., Conceição, C. A., Lopes, L. P. and Marques, A. B. (2008). Análise e identificação de falhas em motores de indução em industrias petroquímicas através da técnica de análise da assinatura elétrica - esa, VIII Conferência Internacional de Aplicações Industriais - INDUSCON. Hermansky, H. (1990). Perceptual linear predictive (plp) analysis of speech, Journal of the Acoustical Society of America 87: 1738 1752. Iorgulescu, M., Beloiu, R. and Popescu, O. M. (2010). Rotor bars diagnosis in single phase induction motors based on the vibration and current, 12th International Conference on Optimization of Eletrical and Eletronic Equipment pp. 364 370. gaussian mixture speaker models, IEEE Transactions Speech and Audio Processing 3(1): 72 83. Sadoughi, A., Ebrahimi, M., Moalem, M. and Sadri, S. (2007). Intelligent diagnosis of broken bars in induction motors based on new features in vibration spectrum, IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives pp. 106 111. Silva, J. G. B. (2008). Aplicação da análise de componentes principais (pca) no diagnóstico de defeitos em rolamentos através da assinatura elétrica de motores de indução, Dissertação de mestrado, Universidade Federal de Itajubá - UNIFEI. Young, S., Evermann, G., Gales, M., Hain, T., Kershaw, D., Liu, X. A., Moore, G., Odell, J., Ollason, D., Povey, D., Valtchev, V. and Woodland, P. (2006). Hidden Markov Model Toolkit (HTK), Cambridge University. http://htk.eng.cam.ac.uk/. Junior, A. M. and Ribeiro, E. P. (2009). Uma abordagem sobre detecção de barras quebradas em motores de indução, 13 o Encuentro Regional Iberoamericano de Cigré - ERIAC. Li, W. and Mechesfke, C. K. (2006). Detection of induction motor faults: A comparison of stator current, vibration and acoustic methods, Journal of vibration and Control 12(2): 165 188. Miotto, E. L. and Nakano, A. Y. (2014). Análise de barras quebradas em rotor de motor de indução trifásico por assinatura de corrente elétrica e por processamento psicoacústico, MO- MAG - 16 o SBMO - Simpósio Brasileiro de Microondas e Optoeletrônica; e 11 o CBMag - Congresso Brasileiro de Eletromagnetismo. Pierini, T. B., Conceição, C. A., Lopes, L. P., Marques, A. B. and Bonaldi, E. L. (2007). Manutenção preditiva de motores de indução trifásicos através da análise da assinatura da corrente do estator, REGAP, 9 o, Encontro de Engenharia Elétrica da Petrobras. Rabiner, L. and Juang, B.-H. (1993). Fundamentals of speech recognition, Prentice-Hall. Reynolds, D. A. and Rose, R. C. (1995). Robust text-independent speaker identification using