Você está na página 1de 6

RECONHECEDOR NEURAL DE DEFEITOS NO ESTATOR EM MOTORES DE

TRIFASICOS

INDUC
AO
APOIADO POR ANALISE
DE COMPONENTES
PRINCIPAIS
cios, Ivan Nunes da Silva, Alessandro Goedtel, Wagner
Rodrigo H. Cunha Pala
Fontes Godoy, Tiago Drummond Lopes

Universidade Tecnol
ogica Federal do Paran
a, Departamento de Engenharia Eletrica e Computac
ao
Cornelio Proc
opio, Paran
a, Brasil

Universidade de S
ao Paulo, EESC, Departamento de Engenharia Eletrica
S
ao Carlos, S
ao Paulo, Brasil

Emails: rodrigopalacios@utfpr.edu.br, insilva@sc.usp.br, agoedtel@utfpr.edu.br,


wagnergodoy@utfpr.edu.br, tidrummond@gmail.com
Abstract Three-phase induction motors are the main power electrical transformation elements to mechanical
applied in industries. Due to its constant usage, added to the adversities such as thermal, electrical and mechanical
problems, these motors could be damaged and cause unexpected process losses. Identify a defect in a motor at
run time provides greater security on machine maintenance on the decision-making process, reduce financial
costs and increase availability. This article proposes a new approach for fault identification in induction motors
through the discretization of the current signal, applying a variable optimization technique called Principal
Components Analysis and using two types of Artificial Neural Networks, Multilayer Perceptron and Radial Basis
Function. The observed defects are related to short-circuits in the stator coils. Experimental results are tested
with data gathered from an experimental workbench contemplating various supply conditions and under a wide
load variation, considering the analysis of the current signals amplitudes in the time domain.
Keywords Three-phase Induction Motors, Artificial Neural Networks, Fault Detection, Principal Components Analysis
Resumo Os motores de induc
ao trif
asicos s
ao os principais elementos de transformac
ao de energia el
etrica
em mec
anica motriz aplicados nas ind
ustrias. Devido ao seu uso constante, somados a
`s adversidades como
problemas t
ermicos, el
etricos e mec
anicos, o motor pode ser danificado e gerar prejuzos inesperados. Identificar
um defeito em um motor em tempo de execuca
o fornece maior seguranca no processo de tomada de decis
ao sobre
a manutenc
ao da m
aquina, reduc
ao de custos financeiros e aumento de disponibilidade do equipamento. Este
artigo prop
oe uma nova abordagem para identificaca
o de defeitos em motores de induc
ao trif
asicos por meio da
t
ecnica de discretizac
ao do sinal de corrente, aplicando a t
ecnica de otimizaca
o de vari
aveis denominada An
alise
dos Componentes Principais e utilizando dois tipos de Redes Neurais Artificiais, Multilayer Perceptron e Radial
Basis Function. Os defeitos observados s
ao relacionados a
` curto-circuitos na bobina do estator. Resultados
experimentais s
ao testado com dados oriundos de uma bancada experimental de ensaios contemplando v
arias
condic
oes de alimentac
ao senoidal e ampla variac
ao da carga mec
anica dos motores de induca
o trif
asicos de 1 cv,
proporcionando a an
alise das amplitudes dos sinais de corrente no domnio do tempo.
Palavras-chave Motor de Induc
ao Trif
asico, Redes Neurais Artificiais, Detecca
o de Falhas, Estator, An
alise
dos Componentes Principais

Introdu
c
ao

Devido `as v
arias aplicacoes praticas e in
umeras
caractersticas, os motores de inducao trifasicos
(MITs) possuem uma presenca significativa nos
setores da ind
ustria, principalmente quando se faz
necessaria a transformacao de energia eletrica em
mecanica motriz. Estes tipos de motores se destacam pelo baixo custo, baixa manutencao e operacao com uma fonte de energia facilmente disponvel. Dentre os equipamentos mecanicos essenciais
para o sistema de producao, impulsionados pelo
MIT, destacam-se as bombas, esteiras, elevadores,
ventiladores, compressores e exaustores.
Os esforcos termicos, eletricos e mecanicos
que surgem no decorrer da vida u
til dos motores,
podem surgir falhas denominadas mecanicas ou
eletricas. O diagnostico da ocorrencia de falhas
incipientes possibilita uma melhor programacao
da manutencao destas maquinas e evita que um

processo industrial seja interrompido inesperadamente, evitando prejuzo financeiro de producao.


A necessidade de monitoramento das condicoes
dos motores aumentou recentemente por causa do
uso generalizado de automacao e consequente reducao da interface direta homem-maquina para
supervisionar a operacao do sistema. O monitoramento das condicoes da maquina e a tendencia
para fins de deteccao, analise e correcao de problemas da maquina antes que ocorra falha. Ele e
usado para aumentar a disponibilidade do desempenho da maquina, reduzindo os danos operacionais, aumentando a vida u
til e reduzindo estoques
de pecas de reposicao e manutencao (Barzegaran
et al., 2013).
Varios estudos tem mostrado que cerca de
37% das falhas de motores de inducao s
ao devidos `a problemas no enrolamento do estator, que
podem ser promovidas por curto-circuitos entre as
espiras das bobinas (Zarei et al., 2014). Durante a

operacao defeituosa do motor, a deteccao precoce


de curto-circuito entre espiras pode eliminar danos
maiores `as bobinas adjacentes e do n
ucleo do estator. As alteracoes no estator podem se manifestar
de diversas maneiras, das quais cita-se o aquecimento excessivo do motor, a sobrecarga eletrica
e o defeito no isolamento da bobina. Os sistemas
para diagnosticar defeitos em MITs estao cada vez
mais sendo pesquisados e desenvolvidos pelo meio
academicos e industrial, conforme podem ser observados nos trabalhos de DAngelo et al. (2011),
da Silva et al. (2008) e Tallam et al. (2007).
Visando contribuir para o desenvolvimento da
area de identificacao de defeitos, especificamente
os defeitos oriundos do estator, este trabalho propoe a criacao de uma metodologia computacional,
baseado em Redes Neurais Artificiais (RNA) dos
tipos Multilayer Perceptron (MLP) e Radial Basis
Function (RBF), que identifica defeitos nos enrolamentos do estator de MITs, tendo como parametros de entrada as correntes trifasicas de alimentacao da maquina, considerando a variacao
da carga e desequilbrio assimetrico das tensoes.
Esta abordagem apresenta um conjunto de variacao de topologia das redes e demonstra dois tipos
de tecnicas de pre-processamento, uma baseada na
discretizacao do sinal da corrente e outra baseada
no otimizador de variaveis de entrada denominada
Analise de Componentes Principais (PCA).
Este artigo e dividido em seis secoes. Na Secao I e apresentada uma introducao e a revisao
bibliografica referentes aos principais trabalhos relacionados `a pesquisa apresentada neste trabalho.
Na Secao II sao abordados os principais conceitos de RNAs. Na Secao III e apresentada uma
breve descricao da PCA. Na Secao IV e apresentada a metodologia do trabalho, assim como todas
a configuracoes dos metodos aplicados. Os resultados experimentais sao demonstrados na Secao
V e, finalmente, na Secao VI as conclusoes sao
apresentadas.
2

Redes Neurais Artificiais

As RNAs s
ao metodos flexveis que podem ser
aplicados em diversos tipos de problemas de engenharia e s
ao caracterizadas como modelos computacionais, com propriedades particulares, cujas
principais caractersticas sao: (i) capacidade intrnseca de operacao em paralelo; (ii) nao ha a necessidade de conhecimento a priori de eventuais
modelos matematicos que descrevem o comportamento de determinada aplicacao; (iii) sistemas
inspirados no cerebro humano e (iv) habilidade de
aprender a partir da experiencia. Neste trabalho,
sao explorados os tipos MLP e RBF para a identificacao de defeitos no estator em MITs. Na area
de pesquisa em maquinas eletricas, o uso das RNA
tem sido tema de pesquisas recentes. Sao varios
os enfoques, tais como controle, estimativa de pa-

rametros e deteccao de defeitos, bem como determinacao do comportamento de carga em regime


permanente, conforme observado no trabalho de
Zarei et al. (2014).
2.1

Multilayer Perceptron

A rede MLP e aquela em que os neuronios sao


organizados em camadas. A caracterstica principal das redes em camadas e a presenca de uma ou
mais camadas escondidas, as quais sao responsaveis pela extracao e armazenamento de conhecimentos associados a alguma aplicacao especfica.
Neste tipo de rede, o fluxo de dados das entradas para as sadas segue estritamente em uma
u
nica direcao, isto e, existem apenas ligacoes entre as sadas dos nos de um nvel inferior para as
entradas dos nos de um nvel superior, nao existindo conexoes entre os elementos de um mesmo
nvel. Redes em camadas sao utilizadas em varias aplicacoes, tais como: aproximacao de funcoes, reconhecimento de padroes, otimizacao de
sistemas, controle de processos, entre outras (Silva
et al., 2010).
Sinteticamente, o funcionamento de uma
RNA do tipo MLP consiste na alimentacao de informacoes (vetores de entrada) partir da camada
de entrada da rede, as quais constituem os sinais
de entrada, que serao aplicados aos neuronios da
segunda camada (1a camada neural). Os sinais
de sada da segunda camada sao utilizados como
entradas para a terceira camada (2a camada neural). Finalmente, o conjunto de sinais de sada
apresentados pelos neuronios da camada de sada
reflete a resposta final da rede em relacao ao vetor
de entrada fornecido pelos nos fontes da primeira
camada.
O treinamento ou processo de aprendizagem
de uma RNA consiste em ajustar os pesos sinapticos dos neuronios artificiais de forma que a aplicacao de um conjunto de entradas produza um
conjunto de sadas desejadas. O treinamento supervisionado das RNAs que formam as redes Perceptron utilizadas neste trabalho e baseado no algoritmo de aprendizagem backpropagation (Silva
et al., 2010). As funcoes Erro Quadratico e Erro
Quadratico Medio, os quais sao utilizadas como
criterios de desempenho e de parada do processo
de treinamento.
2.2

Radial Basis Function

As redes denominadas RBF podem ser empregadas principalmente em problemas relacionados `a


aproximacao de funcoes e classificacao de padroes.
A estrutura tpica de uma rede RBF e composta
por apenas uma camada escondida e a funcao de
ativacao dos neuronios sao do tipo gaussiana. Esta
rede pertence tambem `a arquitetura feedforward
de camada m
ultiplas, cujo treinamento do modelo
e realizado de forma supervisionada. Sendo assim,

os fluxo de informacoes na sua estrutura se inicia na camada de entrada, percorre na sequencia


a camada escondida composta por neuronios com
funcao de ativacao gaussiana, finalizando entao na
camada neural de sada composta por funcao de
ativacao linear.
O processo de treinamento da rede RBF e caracterizada por conter duas etapas distintas, sendo
que a primeira esta associada aos ajustes dos pesos
da camada intermediaria atraves de um metodo de
aprendizagem nao supervisionado o qual e exclusivamente dependente das caractersticas dos dados
de entrada. Ja a segunda etapa de treinamento
esta associada aos ajustes dos pesos dos neuronios
da camada neural de sada, a qual utiliza-se da
tecnica de aprendizagem do tipo regra delta generalizada (Buhmann and Buhmann, 2003).
3

An
alise de Componentes Principais

A PCA e um procedimento matematico de analise


multivariada que utiliza uma transformacao ortogonal para converter um conjunto de observacoes
de variaveis correlacionadas a um conjunto de valores de variaveis linearmente descorrelacionadas
chamadas de componentes principais. A proveniente reducao do n
umero de variaveis nao se faz
por uma selecao variaveis, mas sim pela geracao
de novas variaveis por meio de combinacao linear
das variaveis originais.
Neste trabalho a PCA e empregada para reduzir a dimensionalidade do vetor de entrada das
RNAs empregadas, na qual a selecao de atributos
relevantes e realizada por um otimizador combinatorio. Este processo torna a estrutura da rede
mais simples e compacta, possibilitando a diminuicao de recursos computacionais.
O PCA foi configurado para excluir as componentes em que os dados representam menos de
1% da variancia total. Apos o processamento, os
elementos da corrente do motor que apresentava
originalmente 30 elementos foi reduzido para apenas 7 elementos, os quais foram aplicados como
variaveis de entrada das RNAs. Maiores detalhes
desta tecnica podem ser encontrados na referencia
Jolliffe (1986).
4

Metodologia

Os MITs, ao longo de suas vidas u


teis, estao suscetveis `a operacoes de cargas e condicoes ambientais variadas, ocasionando o desgaste natural de
suas partes. A verificacao de defeitos nos motores
em estagios iniciais proporciona uma melhor programacao da manutencao, reduzindo-se os custos,
podendo evitar uma falha (Bellini et al., 2008).
No contexto deste trabalho, as falhas incipientes
de estator sao analisadas por meio das RNAs.
A reconstrucao de defeito no estator consiste
na simulacao do rompimento do isolamento do fio

que compoe a bobina do estator. Uma vez desprotegida, esta bobina pode ocasionar o curtocircuito entre as fases, entre a fase e a carcaca
ou entre as espiras de uma mesma bobina. Neste
trabalho foram produzidas severidades de curtocircuitos entre espiras de uma mesma bobina do
estator, com comprometimento de 3%, 5% e 10%,
de um MIT com potencia de 1 cv. Para cada severidade de curto-circuito investigada, aplicou-se
variacoes do conjugado de carga aplicado ao eixo
do motor nos valores 0.5, 1, 2, 3, 4 e 5 Nm, salientando que o valor do conjugado nominal da maquina utilizada neste trabalho e de 4.1 Nm. Cada
variacao da carga aplicou-se 20 combinacoes de
desequilbrio entre as fases de ate 10%. Baseado na metodologia relatada nos ensaios, foram
obtidas 360 amostras com defeitos no estator e
120 amostras com motor em condicoes normais de
funcionamento, num total de 480 amostras utilizadas em todos os testes de treinamento e validacao
aplicados neste trabalho.
Na Figura 1 e apresentado o motor de 1 cv,
4 polos, da marca WEG que foi rebobinado com
taps de derivacao dos enrolamentos e foi utilizado
neste trabalho. Quando as referidas chaves sao
acionadas ocorre curto-circuito entre as espiras de
uma mesma bobina, conforme percentual selecionado. Tal curto-circuito nao inutiliza o motor,
mas provoca alteracoes que degradam sua estabilidade e vida u
til.

Figura 1: MIT com estator rebobinado com taps


Os dados experimentais foram obtidos diretamente do motor, por meio do uso da bancada
de testes apresentada na Figura 2. Os sinais de
corrente sao medidos no painel de alimentacao da
maquina onde placas individuais monitoram a corrente de linha. Os sinais de 10V disponibilizados pelas placas condicionadoras sao subsdios de
entrada para a placa de aquisicao de dados. As
placas de condicionamento de sinais dos sensores
Hall modulam as correntes de linha que sao repassadas `as entradas analogicas da placa de aquisicao
de dados. Por meio da interface de comunicacao
USB da placa de aquisicao de dados com um computador, as informacoes de sinais sao adquiridas e

armazenadas com o uso software Matlab. A taxa


de aquisicao ajustada desta placa de aquisicao e
de 25000 pontos por segundo de amostragem e
utilizou-se um intervalo de 5 a 15 segundos por ensaio. O torque do motor e medido por um torqumetro de dupla faixa de atuacao com sensor de
velocidade integrado que permite a leitura de sinais analogicos ou digitais ate 50 Nm e 7000 rpm.
A taxa de aquisicao dos dados e determinada pela
placa de aquisicao.

tir do motor em regime permanente e entao, para


cada ensaio, e selecionado meio perodo de onda de
cada fase das correntes no domnio do tempo. Os
dados de cada sinal de corrente sao organizados e
discretizados em 10 pontos por semi-ciclo de onda
da corrente por fase (do Nascimento et al., 2011)
e sao normalizados pelo valor de pico do sinal. Na
sequencia, sao gerados vetores com 30 pontos (valores absolutos) refletindo o comportamento dos
sinais das tres fases. A partir de entao ha duas
opcoes, ou processa-se os dados com 30 entradas,
ou aplica-se o metodo PCA, no qual e reduzido
o n
umero de entradas para 7 elementos. Ambas
as alternativas sao processadas e os resultados sao
apresentados neste artigo.
5

Figura 2: Bancada experimental utilizada nos ensaios com os MITs

Figura 3: Diagrama de blocos representando o


fluxo de processamento da metodologia adotada
neste trabalho
Todo processo de aquisicao e tratamento dos
dados amostrais, assim como o processamento do
identificador de defeitos por meio das RNAs investigadas, sao apresentadas no diagrama de blocos
disposto na Figura 3. No modulo de tratamento
dos dados, o conjunto de dados com sinais das correntes de cada fase (Ia,b,c ) sao selecionados a par-

Resultados Experimentais

Os resultados experimentais apresentados nesta


pesquisa sao provenientes dos dados adquiridos da
bancada de ensaios apresentada na Figura 2. Apos
as configuracoes e todo o processo de aquisicao, os
conjuntos de dados foram apresentados em variadas topologias a dois tipos de redes denominadas
MLP e RBF, alem do emprego da tecnica PCA,
gerando 12 testes. Em todos os testes foram apresentadas rigorosamente as mesmas 480 amostras
supracitadas, originadas da bancada experimental. Para a RNA do tipo MLP foram promovidas
variacoes, na u
nica camada escondida, de neuronios com 10, 20 e 30 elementos sinapticos. Este
tipo de rede e provida de uma arquitetura feedforward composta por uma camada de entrada,
uma camada escondida e uma camada de sada.
Para todos os testes realizados com a RNA do
tipo RBF, foram realizadas a variacao do n
umero
de clusters da camada intermediaria com valores
1, 5 e 10, a fim de verificar qual a melhor topologia
se comporta melhor para este tipo de aplicacao de
reconhecimento de defeitos em MITs. Para todas
as topologias verificadas, apenas duas sadas foram utilizadas para determinar o padrao, sendo
a primeira relacionada ao motor saudavel e a segunda acusando o motor com falha no estator do
motor.
Os dados experimentais sao divididos em dois
grupos: treinamento e validacao. Para todos
os testes, foi utilizado o metodo conhecido como
validacao cruzada k-folds, com 10 subconjuntos
para treinamento e validacao. Neste processo, de
acordo com Silva et al. (2010), a amostra original
e dividida aleatoriamente em k subconjuntos. Dos
k subconjuntos, um u
nico subconjunto e mantido
como a validacao dos dados para testar o modelo,
os restantes k-1 subconjuntos sao utilizados como
dados de treino. O processo de validacao cruzada
e repetida k vezes, com cada um dos subconjuntos k. Ao final do processo da validacao cruzada,
calcula-se a precisao sobre os erros encontrados.
Na Tabela 1 sao apresentados os resultados

Tabela 1: Tabela comparativa entre as redes MLP e RBF com pre-processamento utilizando a discretizacao do sinal da corrente sem o uso de PCA
Amostras
Entradas
Sadas
Pr
e-processamento
RNA
RBF
Camadas Ocultas
Neur
onios da camada oculta
Clusters
Fun
c
ao de ativa
ca
o na camada oculta
Fun
c
ao de ativa
ca
o na sada
M
etodo de teste
% Acur
acia
% Falsos positivos
% Falsos negativos
Kappa
Erro absoluto m
edio
% Erro relativo absoluto

Teste 1
480
30
2
D
MLP

Teste 2
480
30
2
D
MLP

Teste 3
480
30
2
D
MLP

Teste 4
480
30
2
D
RBF

Teste 5
480
30
2
D
RBF

Teste 6
480
30
2
D
RBF

1
10
Sigmoid
Linear
CrVal
98,55
0,62
0,83
0,96
0,02
6,85

1
20
Sigmoid
Linear
CrVal
98,34
0,83
0,83
0,95
0,02
6,31

1
30
Sigmoid
Linear
CrVal
98,96
0,62
0,42
0,97
0,02
5,91

1
1
Gaussian
Linear
CrVal
75
25
0
0
0,32
86,72

1
5
Gaussian
Linear
CrVal
80,63
7,5
11,87
0,51
0,24
63,26

1
10
Gaussian
Linear
CrVal
87,29
5,41
7,29
0,67
0,17
45,65

D = Discretiza
ca
o
CrVal = Cross-validation

Tabela 2: Tabela comparativa entre as redes MLP e RBF com pre-processamento utilizando a discretizacao do sinal da corrente com o uso de PCA
Amostras
Entradas
Sadas
Pr
e-processamento
RNA
Camadas ocultas
Neur
onios da camada oculta
Cluster
Fun
c
ao de ativa
ca
o da camada oculta
Fun
c
ao de ativa
ca
o na sada
M
etodo de teste
% Acur
acia
% Falsos positivos
% Falsos negativos
Kappa
Erro absoluto m
edio
% Erro absoluto relativo

Teste 7
480
7
2
D/PCA
MLP
1
10
Sigmoid
Linear
CrVal
87,71
6,66
5,62
0,67
0,13
36,13

Teste 8
480
7
2
D/PCA
MLP
1
20
Sigmoid
Linear
CrVal
89,79
5
5,21
0,73
0,12
31,69

Teste 9
480
7
2
D/PCA
MLP
1
30
Sigmoid
Linear
CrVal
88,54
6,66
4,79
0,69
0,13
34,71

Teste 10
480
7
2
D/PCA
RBF
1
1
Gaussian
Linear
CrVal
85,63
8,96
5,41
0,60
0,20
54,46

Teste 11
480
7
2
D/PCA
RBF
1
5
Gaussian
Linear
CrVal
84,37
9,38
6,25
0,57
0,20
54,59

Teste 12
480
7
2
D/PCA
RBF
1
10
Gaussian
Linear
CrVal
83,13
9,79
7,08
0,53
0,19
51,75

D/PCA = Discretiza
c
ao com PCA
CrVal = Cross-validation

dos testes realizados com pre-processamento dos


dados de entrada utilizando apenas a discretizacao e selecao de 10 valores equidistantes por fase
das correntes do motor Ia,b,c relacionados `as amplitudes dos sinais que alimentam o maquina. No
caso da rede MLP, todas as configuracoes relacionadas `a variacao do n
umero de neuronios da
camada escondida apresentaram resultados acima
de 98% de acerto e ndice Kappa acima de 0,95
nas 480 amostras testadas. Contudo, a topologia
com 30 neur
onios apresentou melhor precisao em
relacao `as demais, embora seja a que tenha uma
estrutura neural maior. Em relacao ao comportamento dos testes com a rede RBF, pode-se afirmar que a topologia com n
umero de cluster igual
a 10 apresentou melhor desempenho com 87,29%
de acuracia e ndice Kappa igual a 0,67.
A fim de observar o comportamento dos
mesmo tipos de rede e as respectivas variacoes
nas topologias, assim como o mesmo conjunto de
dados pre-processados com a tecnica PCA, foise entao reduzido o n
umero de entradas de 30
elementos para apenas 7. Neste caso, conforme

apresentado na Tabela 2, observou-se uma diminuicao no desempenho em todas as configuracoes


da rede MLP, estando a acuracia dentro do intervalo entre 87,71% e 89,79%. A topologia com 20
neuronios na camada escondida apresentou o melhor resultado com 89,79% e ndice Kappa 0,73.
Os falsos positivos e falsos negativos sao praticamente iguais em n
umeros. Em relacao `a rede
RBF, pode-se afirmar que os resultados, em geral,
melhoram com a utilizacao da tecnica PCA no
pre-processamento. As topologias da rede RBF
apresentaram variacoes na acuracia entre 83,13%
e 85,63% com tendencia de melhoramento do desempenho quanto menor for o n
umero de cluster
na camada escondida. O melhor resultado do ndice Kappa e igual a 0,60 para a configuracao de
1 cluster na camada escondida.
6

Conclus
ao

Nesta pesquisa foi apresentada uma metodologia


para um sistema de diagnostico de defeitos no estator de um MIT, acionado pela rede eletrica. Os

defeitos considerados sao relacionados ao estator


com severidades de curto-circuitos entre espiras
de uma bobina com comprometimentos de 3%,
5% e 10%. No primeiro procedimento do sistema
de diagnostico utilizado, foi utilizada a tecnica de
discretizacao do sinal de corrente. Esta tecnica
consiste na construcao de um vetor com pontos
equidistantes de um semi-ciclo de onda. Este conjunto de pontos caracterizam o comportamento do
motor e possibilitam que os metodos classificadores criem um modelo padrao para identificacao do
problema relacionado ao estado da maquina.
Os valores das amplitudes dos sinais, em
forma de vetor com 30 posicoes, alimentou as
RNAs abordadas neste trabalho. Ambos os tipos
de redes, MLP e RBF, tiveram as suas configuracoes modificadas a fim de buscar a melhor performance na identificacao da falha. Para a rede
MLP, os resultados de acuracia se mostraram de
forma geral acima de 98% e os demais ndices estatsticos se mostraram promissores. Contudo, para
a rede RBF, Teste 6 apresentou melhor ndice de
acerto com 87,29%. No segundo procedimento utilizado neste trabalho, empregou-se a tecnica PCA
no pre-processamento e houve uma reducao de 30
entradas para apenas 7. Os resultados de acuracia se mostraram com valores acima de 84% para
a rede MLP e acima de 83% para a rede RBF.
Portanto, conclui-se que ambos os tipos de redes,
MLP e RBF, sao interessantes para compor um
sistema de deteccao de defeitos de curto-circuito
no estator e que a tecnica PCA se mostrou promissora para reduzir a dimensionalidade do n
umero
de entradas das redes, proporcionando resultados
de acuracia acima de 83% em todas as configuracoes de ambas as RNAs testadas.
Agradecimentos
Os autores agradecem o CNPq (processo #552269/2011-5), FAPESP (processo
#2011/17610-0), Fundacao Araucaria/CAPES
(CP 13/2014), Universidade de Sao Paulo e
Universidade Tecnologica Federal do Parana pelo
apoio financeiro desta pesquisa.
Refer
encias
Barzegaran, M., Mazloomzadeh, A. and Mohammed, O. (2013). Fault diagnosis of the asynchronous machines through magnetic signature analysis using finite-element method
and neural networks, IEEE Transactions on
Energy Conversion 28(4): 10641071.
Bellini, A., Filippetti, F., Tassoni, C. and Capolino, G. A. (2008). Advances in diagnostic techniques for induction machines,
IEEE Transactions on Industrial Electronics
55(12): 41094126.

Buhmann, M. D. and Buhmann, M. D. (2003).


Radial Basis Functions, Cambridge University Press, New York, NY, USA.
da Silva, A., Povinelli, R. and Demerdash, N.
A. O. (2008). Induction machine broken bar
and stator short-circuit fault diagnostics based on three-phase stator current envelopes,
IEEE Transactions on Industrial Electronics
55(3): 13101318.
DAngelo, M. F., Palhares, R. M., Takahashi,
R. H., Loschi, R. H., Baccarini, L. M.
and Caminhas, W. M. (2011). Incipient
fault detection in induction machine statorwinding using a fuzzy-bayesian change point
detection approach, Applied Soft Computing
11(1): 179192.
do Nascimento, C. F., de Oliveira Jr, A. A., Goedtel, A. and Serni, P. J. A. (2011). Harmonic
identification using parallel neural networks
in single-phase systems, Applied Soft Computing 11(2): 21782185.
Jolliffe, I. T. (1986). Principal Component Analysis, Springer Verlag, New York, USA.
Silva, I. N., Spatti, D. H. and Flauzino, R. A.
(2010). Artificial Neural Networks for Engineering and Applied Sciences (in Portuguese), ArtLiber, Sao Paulo.
Tallam, R., Lee, S.-B., Stone, G., Kliman, G.,
Yoo, J.-Y., Habetler, T. and Harley, R.
(2007). A survey of methods for detection of
stator-related faults in induction machines,
IEEE Transactions on Industry Applications
43(4): 920933.
Zarei, J., Tajeddini, M. A. and Karimi, H. R.
(2014). Vibration analysis for bearing fault
detection and classification using an intelligent filter, Mechatronics 24(2): 151157.