Você está na página 1de 11

PROGRAMA I NSTI TUCI ONAL DE BOLSAS

DE I NI CI AO CI ENT FI CA -
PI BI C/Fapemig/UFSJ

TCNICAS DE INTELIGNCIA ARTIFICIAL PARA
ESTIMAO DE VELOCIDADE
EDITAL N 004/2010/PROPE



Bolsista: Alexandre de Souza Baldini Matrcula: 0909528-4
Orientadora: Lane Maria Rabelo Baccarini DEPEL

Grupo de Pesquisa em Acionamentos Eltricos DEPEL/UFSJ 2

1. Introduo

1.1. Identificao do Tema
O setor industrial o que mais consome energia eltrica em todo o mundo. No Brasil,
aproximadamente 45,9% de toda energia eltrica gerada consumida pela indstria. As
mquinas de induo trifsicas so os motores mais utilizados devido sua robustez,
simplicidade, confiabilidade e baixo custo. Portanto, grande a quantidade de motores de
induo na rea industrial, e tendo em vista que estes sustentam os processos industriais,
deve-se fazer uma melhor avaliao nas condies de operao destes equipamentos.
Para a implementao prtica de tcnicas de controle e de mtodos de partida
necessrio o conhecimento da velocidade de operao dos motores. Atualmente existem
vrios transdutores de velocidade ou de posio que fornecem, dentro de algumas
condies, valores confiveis de velocidade ou de posio. Mas, a medida direta da
velocidade compromete o sistema de controle e acionamento diminuindo sua robustez e
aumentando o custo de implementao (MINOTTI, 2008). Pode-se afirmar, portanto, que o
uso desses mtodos invasivos de medio da velocidade tais como tacmetros com
acoplamento mecnico ou com sensor tico ou magntico podem ser inconvenientes ou
pouco prticos. Em algumas instalaes, por exemplo, no se tem acesso s extremidades
do eixo do motor, dificultando a utilizao de tacmetro com acoplamento mecnico. O uso
de tacmetros baseados em sensores ticos pode implicar na fixao de fita tica no eixo do
motor, o que nem sempre possvel e pode ter limitaes de exatido [SANTOS e
OLIVEIRA, 2005).
Atualmente, observa-se uma crescente preocupao na otimizao de equipamentos que
demandam energia eltrica. Dentro deste contexto e, considerando a supremacia numrica
dos motores de induo trifsicos em uma planta industrial, dois aspectos devem ser
abordados conjuntamente para se obter melhor utilizao de energia eltrica e aumentar o
tempo de vida til do motor: estimao de rendimento e diagnstico de falhas. E, a maioria
das tcnicas propostas na literatura e/ou utilizadas numa planta real, utiliza o sinal dos
sensores de velocidade para a estimao de rendimento e para o diagnstico de falhas.
Assim, uma dos desafios da comunidade cientfica a eliminao dos sensores
mecnicos (velocidade e torque) sem prejudicar o desempenho dinmico do sistema
Grupo de Pesquisa em Acionamentos Eltricos DEPEL/UFSJ 3

(MINOTTI, 2008). Isto porque, com a eliminao desses sensores, se reduz a complexidade
da estrutura fsica do acionamento e consequentemente o custo. Excluem-se os cabos para
alimentao dos dispositivos obtendo-se com isso imunidade a rudos e, podendo tambm
aumentar a confiabilidade do sistema e se diminuir a necessidade de manuteno.
Uma das primeiras formas de estivao de velocidade foram propostas por
ABBONDANTI e BREMNEN (1975). O mtodo baseado no modelo matemtico
dinmico do motor de induo com referencial (eixo dq) estacionrio e utiliza apenas os
sinais de tenso e corrente que normalmente esto presentes na planta industrial. Entretanto,
o estimador de velocidade proposto depende da resistncia do rotor e esta dependncia
paramtrica um forte limitador do mtodo.
Existem vrios mtodos clssicos para estimao de velocidade. Cita-se como
exemplo os algoritmos propostos por: HOLTZ (1998); ZHOI e LAI (2000); CONSOLI et.
al. (2003). Entretanto o tema ainda bastante atual, pois no existe um consenso sobre um
mtodo genrico para estimao de velocidade que possa ser aplicado em processos reais
(DERDIYOK, 2003; SUMMERS et. al., 2006; VACLAVEK e BLAHA, 2007; GOEDTEL,
2007; LU et. al., 2008, 2009).
As redes neurais artificiais (RNA`s) so tcnicas computacionais que buscam
inspirao no funcionamento do crebro humano. Essas redes vm sendo largamente
utilizadas devido a sua capacidade de aprendizado e generalizao. As RNA`s so capazes
de resolver, basicamente, problemas de aproximao, predio, classificao, categorizao
e otimizao. Esses sistemas exigem, durante a fase de aprendizado, apenas a apresentao
dos dados de entrada do sistema em questo, para que estejam aptos a realizar as tarefas
para as quais foram designados (HAYKIN, 1994).
A metodologia proposta por GOEDTEL (2007) utiliza RNA`s para a estimao de
velocidade de motores de induo trifsicos. As variveis da mquina como as tenses, os
parmetros eltricos do rotor e estator, momento de inrcia da carga e do rotor, e conjugado
de carga so as entradas das redes. A corrente eltrica, o conjugado eletromagntico e a
velocidade do rotor so as sadas do modelo. Estas variveis so usadas no processo de
treinamento das redes neurais. A dependncia paramtrica do modelo representa uma
grande desvantagem do modelo proposto, pois os parmetros so variveis com as
Grupo de Pesquisa em Acionamentos Eltricos DEPEL/UFSJ 4

condies de funcionamento do motor. Os erros introduzidos pelas variaes nestes valores
comprometem o desempenho do modelo.
Nas plantas industriais as tenses e correntes do motor so disponveis a partir do
centro de controle dos motores (CCMs). Assim, considerando tambm o potencial das
redes neurais artificiais, busca-se neste trabalho o desenvolvimento de um sistema de
estimao de velocidade utilizando apenas os sinais de sensores presentes na planta
industrial.

1.2. Reviso da Literatura

A. Motor de Induo Trifsico
O motor de induo trifsico (MIT) uma mquina eltrica de corrente alternada,
amplamente utilizada, devido s suas qualidades: robustez e facilidade de manuteno. O
estator do MIT possui trs enrolamentos independentes, defasadas de 120 no espao,
distribudos nas ranhuras. Quando essas bobinas so percorridas por correntes eltricas
alternadas, defasadas de 120 no tempo, tem-se como resultante um campo magntico
girante que gira com velocidade definida pela equao (1), sendo
1
n a velocidade sncrona
(velocidade do campo girante), f a frequncia da rede e p o nmero de plos.
p
f
n
120
1
(1)
O rotor do motor pode ser de dois tipos: bobinado ou gaiola de esquilo. O rotor tipo
gaiola de esquilo o mais utilizado e composto de barras condutoras alojadas em
ranhuras. O campo girante induz tenses no rotor que do origem s correntes no rotor que
tendem a opor-se causa que lhe deu origem, criando assim um movimento giratrio no
rotor. Pela lei de Lenz, o rotor, sendo mvel em torno do seu eixo de rotao, tender a
rodar no mesmo sentido e na mesma velocidade do campo girante do estator, de forma a
anular a causa do aparecimento dessas correntes. Apesar disso, devido a perdas mecnicas a
velocidade de rotao atingida ser sempre menor (ainda que prxima) da velocidade de
sincronismo. A diferena de velocidade entre o campo magntico do estator e a velocidade
de rotor denominada escorregamento ou deslize. Assim:

Grupo de Pesquisa em Acionamentos Eltricos DEPEL/UFSJ 5

1
1
n
n n
s

(2)
Sendo: n a velocidade do rotor (velocidade do motor) e s o escorregamento.

A velocidade do motor depende das condies de operao do motor tais como:
frequncia e amplitude da alimentao do motor, caracterstica de carga, tipos de controle
de velocidade.

B. Redes Neurais Artificiais (RNAs)
Uma rede neural formada por um conjunto de neurnios artificiais interligados.
Um modelo de neurnio artificial foi apresentado por McCulloch e Pitts conhecido como
modelo MCP.
As RNAs so formadas por ns ou unidades de processamento. Cada unidade
possui ligaes para outras unidades, nas quais recebem e enviam sinais e podem possuir
memria local. Essas unidades so a simulao dos neurnios, recebendo e retransmitindo
informaes. Somam-se as entradas e se retorna uma sada, caso esta seja maior que o valor
da soma. Uma rede neural pode possuir uma ou mltiplas camadas. Exemplificando com
trs camadas, poderamos ter a camada de entrada, em que as unidades recebem os padres;
a camada intermediria, onde feito processamento e a extrao de caractersticas; e a
camada de sada, que conclui e apresenta o resultado final.
O perceptron proposto por ROSENBLATT (1958) um exemplo de uma rede feed-
forward de uma nica camada, uma vez que, sua arquitetura consiste em uma camada de
entrada e uma de sada. Esta rede muito limitada, pois pode classificar apenas grupos de
vetores linearmente separveis (HAYLIN, 1994). O perceptron de mltiplas camadas
(MLP) uma extenso do perceptron de camada nica e pode apresentar uma ou mais
camadas intermedirias. A sada de um neurnio alimenta os neurnios da camada seguinte.
O surgimento das redes MLP s foi possvel aps o surgimento do algoritmo de
treinamento. O backpropagation se baseia no princpio do aprendizado por correo de erro
onde, o erro realimentado da camada de sada para as camadas intermedirias da rede
neural.
Grupo de Pesquisa em Acionamentos Eltricos DEPEL/UFSJ 6

A capacidade computacional das RNAS adquirida por meio de aprendizado e
generalizao. O aprendizado de uma RNA est ligado adaptao dos parmetros da rede
atravs da apresentao de uma srie de dados a essa. A generalizao decorre da
capacidade da RNA de dar respostas lgicas entrada de dados no apresentados a ela
previamente. As redes MLP utilizam o processo de aprendizado supervisionado. Nesse
processo de aprendizado, um supervisor externo tem a funo de monitorar a resposta da
rede para cada vetor de entrada apresentado a ela. O treinamento realizado atravs da
apresentao de pares de entrada e sada. Para cada entrada a rede produz uma sada que
comparada com a resposta desejada. No aprendizado no-supervisionado no existe um
supervisor externo. Uma terceira forma de aprendizado o aprendizado por reforo que
um modelo intermedirio entre o aprendizado supervisionado e o no-supervisionado.
O nmero de entradas e sadas das RNAs depende exclusivamente da
dimensionalidade dos dados, enquanto o nmero de neurnios nas camadas intermedirias
depende da complexidade do problema (REZENDE, 2005). Assim, a escolha da estrutura
da rede determina diretamente a qualidade do modelo obtido.

2. Objetivo

Considerando o potencial das redes neurais artificiais, o objetivo deste trabalho o
desenvolvimento de um sistema de estimao de velocidade de motores de induo
trifsicos utilizando apenas os sinais de sensores presentes na planta industrial. O mtodo
ser testado numa bancada de teste.

3. Metodologia

A metodologia ser dividida em duas partes: simulao computacional e
implementao prtica.

3.1. Simulao Computacional
Para a simulao e anlise do desempenho do estimador de velocidade ser utilizado
o modelo dq clssico do motor de induo. Utilizando o Mtodo Monte Carlo sero
Grupo de Pesquisa em Acionamentos Eltricos DEPEL/UFSJ 7

realizadas vrias simulaes considerando diferentes condies de operao do motor tais
como: variaes de carga e alteraes da amplitude da tenso de alimentao.
As vantagens da utilizao de modelos a possibilidade de testar motores de
diferentes potncias e caractersticas. Inclusive possvel aplicar a metodologia em motores
de potncias elevadas, que no esto disponveis nos Laboratrios de Pesquisa. Assim ser
projetada uma RNA para a estimao de velocidade de um motor de 3 CV e depois o
mtodo ser aplicado para motores de potncias de 2 HP a 2250 HP. Os dados dos motores
esto explicitados na Tabela 1. A escolha do motor de 3 CV se justifica uma vez que o
motor disponvel na bancada de teste que ser utilizada para os testes experimentais.

Tabela 1 Parmetros de motores de induo trifsicos que representam na seqncia:
potncia, tenso, velocidade, conjugado, resistncias do estator e do rotor, indutncias de
disperso do estator, mtua e de disperso do rotor e momento de inrcia do motor.
) (HP P ) (Volts V ) (rpm n ) (Nxm T
s
r
r
r
ls
X
m
X
lr
X ) (
2
kgm J
2 220 1710 9 1,283 1,257 1,380 12,31 2,389 0,008
3 220 1710 11,9 0,435 0,816 0,754 26,13 0,754 0,089
50 460 1705 198 0,087 0,228 0,302 13,08 0,302 1,662
500 2300 1773 1980 0,262 0,187 1,206 54,02 1,206 11,06
2250 2300 1786 8900 0,029 0,022 0,226 13,04 0,226 63,87


3.2. Implementao Experimental
Para a implementao prtica ser utilizada a bancada de teste, figura 1, situada no
Laboratrio de Mquinas e Acionamentos Eltricos. A bancada de teste composta por um
motor de induo trifsico, uma mquina de corrente contnua, um banco de resistncia
varivel, um varivolt trifsico e um sistema de medio. A mquina de corrente contnua
funciona como gerador, alimentando um banco de resistncias, atuando como carga para o
motor de induo. Variando-se a corrente de excitao do campo do gerador CC ou
alterando o banco de resistncias, consegue-se, conseqentemente, variao da carga do
motor.
Para a aquisio de sinais de corrente, tenso e velocidade ser utilizada a placa
PCI-6013 da National Instruments. Essa possui 16 canais analgicos de entrada que podem
amostrar em at 200 kHz/s e 2 contadores digitais de 24 bits cada. As entradas analgicas
possuem resoluo de 16 bits. Os sinais de tenso e corrente so submetidos a um circuito
Grupo de Pesquisa em Acionamentos Eltricos DEPEL/UFSJ 8

condicionador, que tem as seguintes funes: i) Isolar eletricamente o sistema de medio e
a planta; b) Normalizar os sinais de entrada a uma determinada faixa; c) Filtrar as
componentes de altas frequncias utilizando filtros anti-aliasing.
Para medio de velocidade e posio do rotor ser utilizado um encoder fabricado
pela Dynapar, modelo HC526, que gera 4096 pulsos por volta e um pulso de referncia de
posio.
Sero realizados vrios testes considerando diferentes condies de operao tais
como: Alimentao equilibrada e desequilibrada e variao de carga, Ser montado um
banco de dados com os valores de corrente, tenso e velocidade. Os valores das velocidades
medidas atravs do encoder sero comparados com os valores estimados pelo algoritmo
projeto atravs da rede neural artificial.

Figura 1 Foto da bancada de teste

4. Referncias Bibliogrficas

ABBONDANTI, A. e BREMNEN, M. B. Variable speed induction motor drives use
electronic slip calculator based on motor voltages and currents, IEEE Transanction on
Industry Application, v. 11, n. 5, p 483-488, 1975.

CONSOLI, A; SCARCELLA, G.; TESTA, A. On the use of sensorless induction motor
drives as speed sensors. IECON '03, v. 2, p. 1472 1478, 2003.
Grupo de Pesquisa em Acionamentos Eltricos DEPEL/UFSJ 9


DERDIYOK, A. A novel speed estimation algorithm for induction machines. Electric
Power Systems Research, v. 64, n. 1, p. 73-80, 2003.

GOEDTEL A. Estimador neural de velocidade para motores de induo trifsicos.
Dissertao (Mestrado em Engenharia Eltrica). Universidade de So Paulo, So
Carlos, 2007

HOLTZ, J. Sensorless position control of induction motors-an emerging technology. IEEE
Transaction on Industry Electronics, v. 45, n. 6, p. 840 851, 1998.

HAYKIN S. Neural networks A comprehensive foundation. New York: Macmillan
College Publising Company, USA, 1994

LU B.; HABETLER, T. G.; HARLEY, R. G. A nonintrusive and in-service motor
efficiency estimation method air-gap torque with considerations of condition
monitoring, IEEE Transactions on Industry Applications, v. 4, n.6, p. 1666-1674,
2008.

LU B.; HABETLER, T. G.; HARLEY, R. G. System and method to determine electric
motor efficiency nonintrusively, IEEE Transactions on Industry Applications, v. 15, n.
5, 2009.

MINOTTI, C. Estimador Fuzzy de velocidade para motores de induo trifsicos usando
abordagem sensorless. Dissertao (Mestrado em Engenharia Eltrica), Universidade
de So Paulo, 2008.

REZENDE, S. O. Sistemas inteligentes: Fundamentos e Aplicaes. Barueri, SP. Editora
Manole, 2005.

ROSENBLATT, F. Perceptron: Um modelo Probabilstico para o armazenamento de
informao e a organizao no crebro. Reviso Psicolgica, v. 65, n. 6, p. 386-408,
1958.

SANTOS, E. T. F; OLIVEIRA, A. Estimao indireta de velocidade de um motor de
induo trifsico utilizando um analisador de espectro lock-in. Revista Controle &
Automao, v. 16, n. 1, p. 70-75, 2005.

SUMMERS, T.; BETZ, R. E.; MCGRATH, B.; GOODWIN, G. Induction machine shaft
speed estimation using imaginary power. In: POWER ELECTRONICS AND
MOTION CONTROL CONFERENCE, p. 1318 1323, 2006.

VACLAVEL, P.; BLAHA, P. Speed estimation scheme for small AC induction machine
sensorless control. In: IECON 2007, p. 986 991, 2007.

ZHOU, R; JIH-SHENG. Low-speed performance comparison of induction motor sensorless
control methods. Comp. in Power Electronics, p. 247 252, 2000.
Grupo de Pesquisa em Acionamentos Eltricos DEPEL/UFSJ 10




5. Plano de Trabalho do Bolsista

A Iniciao Cientfica uma atividade de extrema relevncia, pois promove uma
melhor formao do estudante e sua atualizao dos conceitos associados Cincia. Alm
disso, ela se torna diferencial ao passo que confere ao futuro profissional a oportunidade de
ver como se aplica o mtodo cientfico, alm de incentivar com que ele participe de
congressos e eventos que promovam discusses e reflexes sobre sua rea de estudos e sua
futura rea de trabalho. O tema proposto atual e relevante. O aluno ter oportunidade de
estudar contedos de disciplina de ps-graduao tais como: modelo dinmico de mquinas
eltricas, tcnicas de estimao de velocidade e Redes Neurais Artificiais. Assim a etapa
inicial ser necessria para preparar o aluno para as atividades principais do projeto.
Etapa Inicial
1. O estado da arte sobre estimao de velocidade em motores de induo;
2. Tcnicas de Inteligncia Artificial;
3. Entendimento do modelo dinmico do motor de induo trifsico;
4. Estudo da bancada de teste e do Labview. Desenvolvimento de programas
utilizando o Labview

Assim, os primeiros dois meses do projeto sero dedicados leitura e discusso com a
orientadora sobre os itens descritos acima. A partir desse ponto, o aluno estar pronto para
desenvolver as atividades especficas do projeto, que so:

1. Implementao computacional do modelo dinmico do motor de induo. No
projeto intitulado Modelagem Computacional do Motor de Induo Incluindo o
efeito Skin foi desenvolvido o modelo do motor em linguagem C que est
disponvel na pgina da Prof
a
Lane Rabelo Baccarini. Entretanto, esta etapa ser
desenvolvida pelo aluno uma vez que representa um conhecimento importante
para o crescimento do aluno na rea de Mquinas e Acionamentos Eltricos.
2. Anlise de motores de diferentes caractersticas e condies de operao.
Montagem do Banco de dados contendo: tenses de linha, correntes, velocidade
Grupo de Pesquisa em Acionamentos Eltricos DEPEL/UFSJ 11

3. Projeto das RNAS.
4. Testes experimentais. Ajuste da Bancada e Montagem do Banco de dados.
5. Testes das RNAS.
6. Elaborao do relatrio final e de Artigos.

6. Cronograma de atividades:

As tarefas e atividades acima descritas esto ordenadas ao longo do tempo no
cronograma abaixo:
Meses/
Atividades

01

02

03

04

05

06

07

08

09

10

11

12
Etapa Inicial x x
Etapa 1 - Implementao compu-
tacional do modelo do motor de
induo trifsico.
x x
Etapa 2 - Anlise de motores de
diferentes caractersticas. Montagem
do banco de dados.
x x
Etapa 3 - Projeto e testes das
RNAS.
x x x
Etapa 4 - Testes experimentais,
montagem do banco de dados.
x x
Etapa 5 - Testes das RNAS
utilizando dados experimentais
x x
Etapa 6 Relatrio Final e Artigo x x x x x x