Harmônicos de Referência Observados por Sistemas Inteligentes na Identificação de Falhas Elétricas em Motores de Indução

Abstract

This article presents a methodology for the classification of electric faults in induction motors through the treatment of search harmonic reference signals injected into the machine's power supply. The proposal is based on the observation by intelligent sistems of the electric current signals of the motor, preprocessed by the FFT and with the analysis of the signature components of the machine. However, the supply voltage signals are multiplexed with harmonic reference signals inserted by the frequency converter module of the machine itself. In order to improve accuracy in fault classification and diagnose degradation status, as well as to attest to the functionality of the method, the practical data of the actual application of the system in the laboratory are processed by different intelligent systems. In this aspect of generalization of the proposal the results are validated by different algorithms whose performances are compared between the following methods: k-nearest neighbors, Naive Bayes, Support Vector Machine, Multilayer Perceptron and Decision tree. Resumo: Este artigo apresenta uma metodologia para a classificação de falhas elétricas em motores de indução através do tratamento de sinais harmônicos de referência de busca injetados pela fonte de alimentação da máquina. A proposta baseia-se na observação por sistemas inteligentes dos sinais de corrente elétrica do motor, pré-processados pela FFT e com a análise das componentes de assinatura da máquina. Para tanto, os sinais de tensão de alimentação são multiplexados com sinais de referência harmônica inseridos pelo próprio módulo inversor de frequência da máquina. Buscando melhorar a precisão na classificação de falhas e diagnosticar o estado de degradação, bem como atestar a funcionalidade do método, dados práticos da aplicação real do sistema em laboratório são processados por sistemas inteligentes distintos. Neste aspecto de generalização da proposta os resultados são validados por diferentes algoritmos cujos desempenhos são comparados entre os seguintes métodos: k-vizinhos mais próximos, Naive Bayes, Máquina de Vetor de Suporte, Perceptron multicamadas eÁrvore de Decisão.