Escolar Documentos
Profissional Documentos
Cultura Documentos
CDU: 621.313
Bibliotecria : Mnica dos Santos Fernandes CRB 6/1809
Aos meus pais
A ntonio (in memoriam) e L ucia
i
Agradecimentos
Ao professor Pyramo Pires da Costa Junior, pela dedicacao e competencia na orientacao dos
trabalhos.
Aos professores e membros da banca Fernando Antonio Campos Gomide, Petr Iakovlevich Ekel
e Zelia Myriam Assis Peixoto, pela contribuicao fundamental na revisao do trabalho e na con-
ducao da pesquisa.
Aos companheiros da equipe do LASI (Laboratorio de Sistemas Inteligentes), pelo apoio e con-
tribuicao a conclusao deste trabalho.
ii
Conteudo
Resumo ix
Abstract x
Notacoes e Definicoes xi
1 Consideracoes Iniciais 13
1.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2 Relevancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4 Estrutura do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
iii
2.4.6 Simulacao de Faltas em Geradores Sncronos . . . . . . . . . . . . . . . . 37
5 Resultados 83
5.1 Consideracoes Gerais sobre o Sistema de Diagnostico . . . . . . . . . . . . . . . 83
5.2 Resultados Experimentais e Validacao dos Modelos Matematicos . . . . . . . . . 86
5.3 Modulo de Estimacao de Parametros . . . . . . . . . . . . . . . . . . . . . . . . 89
5.3.1 Estimacao por Mnimos Quadrados . . . . . . . . . . . . . . . . . . . . . 90
5.3.2 Estimacao por Filtro de Kalman Estendido . . . . . . . . . . . . . . . . . 91
5.3.3 Aproximacoes de Parametros pela norma IEEE-112 . . . . . . . . . . . . 95
5.4 Modulo de Otimizacao de Parametros dos Modelos . . . . . . . . . . . . . . . . 95
5.4.1 Descida Coordenada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
iv
5.4.2 Gradiente Condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.5 Modulo de Modelos de Faltas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.5.1 Motor de Inducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.5.2 Gerador Sncrono . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.6 Modulo de Inteligencia Computacional . . . . . . . . . . . . . . . . . . . . . . . 101
5.6.1 Rede MLP - Treinamento e Teste . . . . . . . . . . . . . . . . . . . . . . 101
5.6.2 Rede de Elman - Treinamento e Teste . . . . . . . . . . . . . . . . . . . . 105
5.6.3 Sistema de Inferencia Fuzzy Classico e Adaptativo . . . . . . . . . . . . . 106
5.6.4 Mapa Auto-organizavel - Treinamento e Teste . . . . . . . . . . . . . . . 110
5.6.5 ANFIS - Treinamento e Teste . . . . . . . . . . . . . . . . . . . . . . . . 112
5.6.6 Fuzzy C-Means - Treinamento e Teste . . . . . . . . . . . . . . . . . . . 114
5.7 Resultados Gerais do Sistema de Diagnostico de Faltas . . . . . . . . . . . . . . 116
6 Conclusao 118
v
Lista de Figuras
vi
5.12 Estimacao da indutancia mutua sob dinamicas do sistema . . . . . . . . . . . . 94
5.13 Processo de otimizacao dos parametros dos modelos das maquinas . . . . . . . . 96
5.14 Comportamento das correntes do estator de um motor de inducao sobre evolucao
de curto-circuito entre-espiras na fase A do estator . . . . . . . . . . . . . . . . 100
5.15 Comportamento das correntes de armadura de um alternador sobre evolucao de
curto-circuito entre-espiras no enrolamento de campo . . . . . . . . . . . . . . . 100
5.16 Visao geral do modulo de computacao flexvel . . . . . . . . . . . . . . . . . . . 102
5.17 Sistema de diagnostico fuzzy adaptativo para MI . . . . . . . . . . . . . . . . . 109
5.18 AFIS - Exemplo de diagnostico para uma suposta condicao . . . . . . . . . . . . 110
5.19 SOM - Espaco caracterstico e classicao dos vetores . . . . . . . . . . . . . . . . 111
5.20 Estrutura do ANFIS para uma fase do MI . . . . . . . . . . . . . . . . . . . . . 113
5.21 Decaimento do erro - treinamento parcial do ANFIS . . . . . . . . . . . . . . . . 113
5.22 Superfcie de performance do FCM em deteccoes de faltas corretas . . . . . . . . 115
vii
Lista de Tabelas
viii
Resumo
ix
Abstract
x
Notacoes e Definicoes
CF - Computacao Flexvel
FK - Filtro de Kalman
GC - Gradiente Condicional
GS - Gerador Sncrono
IC - Inteligencia Computacional
KM - K-Means
MI - Motor de Inducao
xi
RNAs - Redes Neurais Artificiais
[ . ] - Matriz
Subescrito:
s - Estator
r - Rotor
a - Fase A
b - Fase B
c - Fase C
d - Eixo direto
q - Eixo em quadratura
xii
Captulo 1
Consideracoes Iniciais
1.1 Introducao
D esde que o homem criou as maquinas eletricas, ele estava consciente sobre suas condicoes
de operacao. Ate os dias de hoje, podem ser averiguados quatro perodos distintos sobre a de-
teccao e o diagnostico de faltas em maquinas eletricas ao longo da historia (GERTLER, 1998).
Por seculos, a unica maneira de se perceber mau funcionamento de maquinas foi atraves dos sen-
tidos biologicos. Observava-se mudancas de forma ou cor, ouvia-se sons incomuns, tocava-se as
maquinas para sentir calor ou vibracao, cheirava-se fumos de escapes ou aquecimento excessivo.
Mais tarde, instrumentos de medida ou sensores foram introduzidos e proveram informacoes mais
precisas sobre importantes variaveis fsicas. De qualquer forma, estes sensores tambem eram ap-
tos a mau funcionamento, o que originou o dilema dos falsos alarmes. O potencial de faltas
em sensores se tornou ainda mais crtico quando estes eram aplicados no controle automatico
de maquinas, onde os efeitos de tais maus funcionamentos sao diretos e devastadores, e onde o
operador humano e frequentemente removido do processo. O terceiro perodo pode ser obser-
vado a partir da invencao dos computadores. Apos esta invencao, um rapido desenvolvimento
da tecnologia tomou lugar. O computador apresentava a capacidade de supervisao automatica
de maquinas. Sua capacidade de processamento integrava informacoes de diferentes fontes pos-
sibilitando a localizacao de componentes faltosos em sistemas complexos, inclusive nos sensores
responsaveis pelos falsos alarmes. A velocidade dos computadores tambem tornou possvel sua
aplicacao em sistemas de tempo real, capturando faltas enquanto elas se desenvolviam e antes
delas levarem os equipamentos a estados irrecuperaveis. Inicialmente, os computadores eram
13
Captulo I
complexos e caros, logo eram viaveis para a aplicacao em sistemas de acionamento complexos
e caros o suficiente para justifica-la. Com o advento dos microprocessadores, a situacao mudou
substancialmente. Os microprocessadores se tornaram meros componentes, baratos o suficiente
para serem introduzidos em varios aparelhos. Este desenvolvimento, juntamente com o avanco
da tecnologia de comunicacao, resultou na descentralizacao de amplos sistemas de monitora-
mento industrial e sistemas de controle. A deteccao e diagnostico de faltas nos dias de hoje
pode, assim, ser estendida e justificada para varias maquinas eletricas em plantas industriais e
plantas de potencia.
O monitoramento, deteccao e diagnostico de faltas incipientes em maquinas eletricas sao
importantes e difceis topicos no campo da engenharia. A faixa de aplicacao de tais maquinas
abrangem desde pequenos motores C.C. ate maquinas de alta potencia utilizadas em estacoes
de energia eletrica. A partir de monitoramento e de esquemas de deteccao de faltas incipientes,
previas advertencias a respeito da condicao da maquina eletrica podem ser obtidas objetivando
uma manutencao preditiva. Desta forma, uma melhoria da seguranca e confiabilidade em dife-
rentes sistemas de engenharia e alcancada. A importancia da deteccao de faltas incipientes e
encontrada na reducao de custos atraves da deteccao de faltas potenciais antes destas ocorrerem.
Muitas industrias ainda realizam manutencao em seus equipamentos apos desligamentos,
pois os sistemas de monitoramento tradicionais somente detectam faltas nas maquinas apos elas
ocorrerem (CHOW, 1997). Este tipo de manutencao, chamado Manutencao Corretiva, causa
problemas de atraso de tempo (downtime), pois nao e possvel programar a manutencao. Alem
disso, podem existir possveis estragos provenientes da falha. Objetivando a reducao de custos,
algumas companhias tem adotado princpios de manutencao preditiva. A manutencao predi-
tiva e baseada no princpio que, desde que um processo de degradacao ocorra antes de falhas,
pode existir algum mecanismo de monitoramento que perceba variacoes de comportamento da
maquina antes da falha ou do desligamento do sistema. Em um futuro proximo, processos indus-
triais de alta performance nao tolerarao significante degradacao na performance de maquinas.
Sendo assim, varios consumidores industriais requisitarao dos fabricantes equipamentos mais
inteligentes e que requeiram menos suporte tecnico.
Embora maquinas rotativas sejam usualmente bem construdas e robustas, a possibilidade de
ocorrencia de faltas incipientes e inerente devido ao estresse envolvido na conversao da energia
eletrica em mecanica e vice-versa, enfim, condicoes termicas, eletricas, mecanicas e ambien-
tais nas quais as maquinas sao inevitavelmente submetidas. Tais condicoes sao detalhadas por
Bonnett e Soukup (BONNETT, 1992). A chave para se alcancar o objetivo e a habilidade de
deteccao de faltas em estagios incipientes, visto que falhas completas podem rapidamente ocorrer
apos o incio do seu desenvolvimento (LEITE, 2007a).
Sistemas de monitoramento baseados em microprocessadores sao de interesse particular,
14
Captulo I
pois podem ser utilizados para analises regulares das variaveis das maquinas e previsao de
possveis condicoes de falta. Desta maneira a manutencao preditiva pode ser organizada de
uma forma custo-efetiva. Muitos artigos tecnicos tem ressaltado a importancia e os benefcios
economicos do monitoramento on-line e esquemas de deteccao de faltas em maquinas eletricas.
Metodos genericos de analise custo-benefcio tem sido aplicados na investigacao da viabilidade
financeira destes sistemas. Um metodo de avaliacao da melhoria da confiabilidade de uma
maquina sob o monitoramento de tais sistemas pode ser encontrado em (PAILETTI, 1989) e
(SIYAMBALAPITIYA, 1990).
1.2 Relevancia
A relevancia do estudo apresentado neste trabalho se encontra na area de manutencao das
linhas de producao e estacoes de geracao de energia. O trabalho e direcionado a reducao de
custos diretos e indiretos deste dispendioso segmento das organizacoes. Varias tecnicas para
construcao de sistemas ou softwares de manutencao preditiva sao abordadas. Espera-se que
a partir desta dissertacao, os engenheiros e tecnicos da area de manutencao das industrias se
sintam incentivados e convencidos a buscarem novas solucoes para obterem melhores resultados
e menores custos.
1.3 Objetivos
Construir um sistema de deteccao e diagnostico de faltas em maquinas eletricas utilizando
tecnicas de inteligencia computacional associada a modelos matematicos de identificacao e
otimizacao, com o objetivo de alcancar boa performance e robustez em ambiente estocas-
tico.
15
Captulo I
Captulo 6: Conclusao.
16
Captulo 2
curvatura de eixo, que pode resultar em danos aos enrolamentos e ao nucleo do estator;
17
Captulo II
Dentre os tipos de faltas relacionados acima, os mais relevantes tendo-se em vista sua maior
incidencia sao: falta no rolamento, falta no enrolamento estatorico, quebra de barras do rotor e
faltas relativas a excentricidade. Estes tipos de faltas podem produzir um ou mais dos sintomas
relacionados (NANDI, 2005):
aquecimento excessivo.
Com o proposito de detectar sinais indicativos de faltas, varios metodos foram desenvolvidos.
Alguns destes metodos sao apresentados em (NANDI, 2005) e em varios artigos de revisao da
area (VENKATASUBRAMANIAN, 2003a) (VENKATASUBRAMANIAN, 2003b) (VENKATA-
SUBRAMANIAN, 2003c). Os metodos podem ser sumarizados em:
tecnicas baseadas em modelos. Aqui se incluem varios metodos bem conhecidos como:
analise de assinatura de corrente (MCSA - Motor Current Signature Analysis), analise
de componentes sequenciais das correntes e/ou tensoes nos eixos reais e/ou complexos,
analises de componentes dq0, analise da corrente de Concordia (ZIDANI, 2003), etc;
medicoes de temperatura;
18
Captulo II
19
Captulo II
20
Captulo II
componentes sequenciais das correntes de linha e a severidade das faltas. Por fim, validaram o
modelo com resultados experimentais.
Cash, Habetler e Kliman (CASH, 1998) descreveram um metodo confiavel e promissor de
deteccao de faltas entre espiras. Eles mostraram que variacoes no somatorio das tensoes podiam
revelar a presenca e severidade da falta entre espiras. Sua maxima sensitividade foi conseguida
atraves de um filtro passa-faixas em torno da fundamental. Uma limitacao da tecnica e a
necessidade de ligacao da maquina em estrela e do ponto neutro estar conectado ao neutro da
fonte.
A Fig. 2.1 ilustra o esquema de um sistema de deteccao tpico (LEITE, 2007a), muitas vezes
utilizado na literatura. O sistema inclui os seguintes blocos: Alimentacao e possvel aplicacao de
sinais de disturbio ao motor; Aquisicao de dados; Tratamento de dados; Algoritmos matematicos
que descrevem o comportamento da maquina; Pos-processamento dos resultados computacionais;
e Diagnostico de Faltas.
21
Captulo II
22
Captulo II
Novas expectativas
A Fig. 2.2 mostra como a expectativa da manutencao evoluiu ao longo das geracoes.
Os efeitos de downtime se agravaram na decada de 70 apos o surgimento dos sistemas just-in-
23
Captulo II
time, onde estoques eram evitados e pequenas quebras significavam a parada de toda a planta.
Desde entao, e ate os dias de hoje, crescimento da mecanizacao e automacao significa confia-
bilidade e disponibilidade como principais objetivos em setores como: saude, processamento de
dados, telecomunicacoes, gerenciamento, entre outros. Um maior nvel de automacao tambem
significa que mais faltas podem afetar padroes de qualidade satisfatorios, sejam eles, padroes de
servico ou de produtos. Certas faltas passaram a gerar serias consequencias a seguranca e ao
meio ambiente.
Ao mesmo tempo que a dependencia de equipamentos e sistemas cresce, o custo dos mesmos
tambem cresce. Para assegurar o retorno maximo do investimento, equipamentos e sistemas tem
que trabalhar eficientemente pelo maior tempo possvel.
Finalmente, o custo da manutencao em si mesmo aumenta com relacao ao gasto total das
organizacoes. Em algumas industrias, ele se posiciona como o segundo ou ate o maior segmento
em termos de custos operacionais. Como resultado, em apenas 30 anos, a manutencao se tornou
um dos segmentos prioritarios ao controle de custos (MOUBRAY, 1997).
Novas pesquisas
E aparente que existam cada vez menos conexoes entre a idade dos equipamentos e a sua
propensao a faltas. A visao da primeira geracao com relacao a faltas era que, quanto mais velhos,
mais propensos a faltas os equipamentos estavam. A visao de mortalidade infantil surgiu na
segunda geracao, o que concebeu a tao conhecida curva da banheira. Ja a terceira geracao
estabeleceu que na pratica existiam varios padroes de faltas durante a operacao de qualquer
equipamento e que eles poderiam ser analisados a fundo.
24
Captulo II
Novas tecnicas
Nos ultimos 15 anos, tem-se observado um crescimento explosivo de novos conceitos e tecnicas
de manutencao. Os novos desenvolvimentos incluem:
O maior desafio nos dias de hoje e nao somente aprender as tecnicas, mas saber quais delas sao
aplicaveis em certas industrias. Se as escolhas forem corretas, e possvel melhorar a performance
dos equipamentos e ao mesmo tempo conter ou reduzir custos de manutencao. Se as escolhas
forem erradas, novos problemas sao criados, enquanto os problemas existentes se agravam.
Os desafios da manutencao podem ser sumarizados como segue:
selecionar sistemas de menor custo/benefcio e que tragam maior expectativa de vida aos
equipamentos;
25
Captulo II
o intervalo PF e consistente;
o intervalo PF e longo o suficiente para servir de algum uso, ou seja, apos detectada a
falha potencial, acoes para reduzir ou eliminar as consequencias ainda possam ser tomadas
antes da ocorrencia da falha funcional.
26
Captulo II
Entre outras:
27
Captulo II
28
Captulo II
29
Captulo II
Enfim, modelos sao utilizados pelos seguintes motivos, entre outros (GOMIDE, 2006):
forcam a consideracao de dados que sao pertinentes para quantificacao das variaveis;
podem ser melhorados com a experiencia e a historia, isto e, proporciona uma forma de
aprendizagem adaptativa.
30
Captulo II
inves de se apoiar em poucos engenheiros atuando sobre sistemas on-line contnuos. Ainda mais,
engenheiros podem nao ser capazes de detalhar a razao utilizada para se tomar certas decisoes,
simplesmente porque a transferencia de experiencia e conhecimento atraves de formas lingusticas
e matematicas podem consumir bastante tempo, serem ambguas ou imprecisas (CHOW, 1997).
Um modelo linear e aquele ao qual o princpio da superposicao se aplica, ou seja, aquele que
a resposta para uma combinacao de entradas e a mesma que a soma das respostas individuais
das mesmas entradas. Quando o princpio da superposicao nao se aplica, o modelo e nao-linear.
Esta propriedade diz que, as variaveis em tempo contnuo existem em qualquer instante de
tempo, ao contrario das variaveis discretas.
31
Captulo II
onde, f [.] e um vetor de funcoes escalares com componentes f1 [.], f2 [.], ..., fh [.], e a i-esima sada
e obtida de:
O sistema MIMO e linear se (2.5) e satisfeita para todas fi , i = 1, ..., h. Em (2.5), x1 , x2 , ...,
sao vetores de entrada, e c1 , c2 , ..., sao constantes quaisquer.
onde,
32
Captulo II
a
1
a2
y(k) = u(k) = Au(k) . (2.8)
.
ah
Modelos polinomiais podem ser construdos separadamente para cada linha como em (2.4).
Uma aproximacao do modelo nao-linear geral (2.3) e dada por:
onde,
y0 = f [u0 ] , (2.10)
fi [u(k)]
ai j = , u(k) = u0 ; i = 1, ..., h; j = 1, ..., g . (2.11)
u j (k)
33
Captulo II
x (k) 0 0 0 x (k 1) b
1 1 1 1
x2 (k) 0 2 0 0 x2 (k 1)
b2
= + u(k 1) (2.14)
. 0
: 0 0 : :
x (k) 0 0 0 x (k 1) b
Caso A tenha multiplos auto-valores, entao o desacoplamento das variaveis de estado nao e
completo.
d [abcs ]
[Vabcs ] = [Rs ] [Iabcs ] + , (2.16)
dt
d [abcr ]
[Vabcr ] = [Rr ] [Iabcr ] + , (2.17)
dt
onde, as variaveis com subscrito s e r sao relacionadas ao estator e ao rotor, respectivamente. [R]
representa a matriz de resistencias, [I] a matriz de correntes, e [] a matriz de fluxos ou enlace
de fluxo. Os subscritos a, b e c representam as fases do motor no sistema abc.
A matriz de fluxos e determinada por:
abcs Ls Lsr Iabcs
= , (2.18)
abcr Ltsr Lr Iabcr
onde, Ls , Lr e Lsr sao as matrizes de indutancias dadas por (2.19), (2.20) e (2.21), respectiva-
mente:
lls + lms 12 lms 21 lms
Ls = 21 lms lls + lms 21 lms , (2.19)
21 lms 21 lms lls + lms
34
Captulo II
llr + lmr 21 lmr 21 lmr
Lr = 21 lmr llr + lmr 21 lmr , (2.20)
21 lmr 12 lmr llr + lmr
lsr cos(r ) lsr cos(r + 2 2
3 ) lsr cos(r 3 )
Lsr = lsr cos(r 2
3 ) lsr cos(r ) lsr cos(r + 2
3 )
, (2.21)
2 2
lsr cos(r + 3 ) lsr cos(r 3 ) lsr cos(r )
onde, lls , lms , llr , lmr , lsr sao a indutancia de dispersao do estator, a indutancia de magnetizacao
do estator, a indutancia de dispersao do rotor, a indutancia de magnetizacao do rotor, e a
amplitude da indutancia mutua, respectivamente.
A partir do desenvolvimento das equacoes acima, (2.22) e obtida. Ela representa a equacao
dinamica do MI em variaveis de estado.
[Iabcsr ], que representa o vetor das derivadas primeira das correntes do estator e do rotor, pode
ser calculado pelo algoritmo de Runge e Kutta, vide (NEUMANN, 2004). Nas simulacoes deste
trabalho, o algoritmo de Runge Kutta multi-variavel de quarta-ordem foi utilizado. [L] e a
derivada primeira da matriz de indutancias.
O modelo e complementado com a equacao de torque eletromagnetico (2.23) e a equacao de
velocidade do rotor (2.24).
P
Te = Lms {[ias (iar 0.5ibr 0.5icr ) + ibs (ibr 0.5iar 0.5icr ) +
2
3
+ics (icr 0.5ibr 0.5iar )] sin(r ) + [ias (ibr icr ) +
2
+ibs (icr iar )ics (iar ibr )] cos(r )} (2.23)
P Te Tl
Z
r = (2.24)
2 J
iar , ibr e icr sao as correntes do rotor referenciadas ao estator, P e o numero de polos, Te e o
torque eletromagnetico, Tl e o torque da carga e J e o momento de inercia.
35
Captulo II
Ls = (1 k)2 L , (2.26)
Lsk = k2 L , (2.27)
Ls(sk) = k(1 k)L , (2.28)
Lm = (1 k)L , (2.29)
36
Captulo II
Ls Lsr
L= (2.30)
Ltsr Lr
Da mesma maneira que a matriz de indutancias, a matriz de resistencias e reescrita con-
siderando:
Rs = (1 k)R , (2.31)
Rsk = kR , (2.32)
onde, Rs e Rsk sao as resistencias da parte do enrolamento sem falta e faltosa, respectivamente.
A matriz de resistencias tem sete dimensoes e e diagonal.
onde, [L] e [R] sao as matrizes de indutancias e resistencias respectivamente, [Va f ] e [Ia f ] sao as
matrizes de tensao e corrente na armadura e no campo. A matriz de tensao e composta pela
tensao de excitacao C.C. e pelas tensoes de armadura defasadas 120o , garantidas pelo barramento
infinito. A partir de (2.33), [Ia f ] e tambem calculado utilizando o Algoritmo de Runge-Kutta
multi-variavel de quarta-ordem.
O modelo e complementado com a equacao de variacao do torque eletrico (2.34) como em
(NASAR, 1979). Onde, V0 e a tensao terminal sem carga; Vt e a tensao terminal com carga;
sin() = para pequenas variacoes e representa o angulo de carga; m e a velocidade sncrona
sob condicao de estado estacionario; e Xs e a reatancia sncrona. Se a maquina e conectada a
um barramento infinito, somente muda com variacoes de carga.
V0Vt sin()
Te = (2.34)
m Xs
37
Captulo II
e as outras fases da maquina. (2.31) refere-se a resitencia da parte sem falta do enrolamento de
campo.
A matriz de indutancias e escrita como uma matriz de dimensao sete em condicao faltosa
ou saudavel. Tres linhas e tres colunas representando as fases da armadura, duas linhas e duas
colunas representando os enrolamentos de amortecedor 1 e 2 do eixo em quadratura, uma linha
e uma coluna representando o enrolamento de campo, e uma linha e uma coluna representando
o enrolamento de amortecedor do eixo direto. A matriz de indutancias pode ser compactada:
La La f
L= , (2.35)
Lta f Lf
onde, La e a indutancia da armadura, La f e a indutancia mutua entre a armadura e enrolamentos
de campo e amortecedor, e L f e a indutancia de campo e amortecedor.
Em condicao faltosa, as linhas e colunas que possuem termos relativos ao enrolamento de
campo, fora da diagonal principal, decrescem do fator k, enquanto na diagonal principal, de-
crescem do fator k2 , pois na diagonal principal se encontram as indutancias proprias dos enro-
lamentos.
A matriz de resistencias e diagonal e possui sete dimensoes.
38
Captulo 3
39
Captulo III
40
Captulo III
estimacao de parametros;
validacao do modelo.
41
Captulo III
Alguns trabalhos na literatura descrevem aplicacoes de FKE para estimar parametros e/ou
estados nao mensuraveis de maquinas eletricas utilizando metodos numericos estaveis e de rapida
convergencia.
O FK, criado em 1960 por R. E. Kalman (KALMAN, 1960) se apresentou na epoca como
uma alternativa para o problema de filtragem atraves do mnimo erro quadrado usando represen-
tacao em espaco de estados. Imediatamente, apos sua publicacao original, trabalhos propondo
variacoes ou extensoes das formulas foram desenvolvidos. Eles enriqueceram o conteudo original,
e logo sua aplicacao se tornou bem difundida.
Desde o fim dos anos 80, algumas aplicacoes bem sucedidas das tecnicas de FKE para esti-
macao de parametros de MI tem sido observadas. Um grande passo na estimacao de parametros
de MI atraves de FKE foi dado por Iwasaki e Kataoka (IWASAKI, 1989). A partir de um
modelo de MI no sistema 0 fixo no estator, a constante de tempo do rotor, indutancias de
dispersao e magnetizacao e resistencia do estator foram estimadas. O artigo tambem apresentou
um simples e pratico metodo de ajuste das matrizes de covariancias. Mais tarde, trabalhos
baseados em FKE foram propostos incluindo a estimacao de varios parametros do MI. Acarnley
et al. (ACARNLEY, 1990) estimaram a resistencia do rotor; Shi et al. (SHI, 2000) e Araujo et
al. (ARAUJO, 2004) a velocidade mecanica; Said et al. (SAID, 2000) a resistencia e velocidade
do rotor; Al-Taye e Acarnley (AL-TAYE, 1997) a temperatura do estator e rotor e a velocidade
mecanica; Loukil et al. (LOUKIL, 1996) e Torres e Verde (TORRES, 1995) a resistencia do
rotor e a indutancia mutua.
Para a estimacao de parametros de GS, varias tecnicas foram investigadas. Os parametros
mais importantes destas maquinas sao a resistencia e as indutancias dos eixos d e q. A estimacao
da resistencia em temperatura ambiente e simples e direta. Entretanto, a estimacao de fluxo
de dispersao e complicada, principalmente para maquinas operando em profunda saturacao
(RAHMAN, 2005). Tais maquinas apresentam alem do efeito de saturacao, efeito de saturacao
cruzada e harmonicos de chaveamento.
O metodo padrao de estimacao de parametros de maquinas sncronas e o Standstill Frequency
Response (SSFR) (STD, 1983). Alguns autores aplicaram o metodo Standstill no domnio do
tempo aplicando perturbacoes nos terminais da maquina (LEE, 1988) (BOJE, 1990) (KAMWA,
1991). Porem todos eles negligenciaram o efeito de saturacao.
Stumberger et al. (STUMBERGUER, 2003) apresentaram uma tecnica onde aplicava-se
pulsos de tensao no eixo d e corrente contnua no eixo q, e vice-versa. Desta forma, incluiram
os efeitos de saturacao na estimacao. Porem, o metodo desconsiderou harmonicos de tensao e
introduziu certo erro para alguns tipos de maquinas.
FKE foi utilizado com sucesso na identificacao de parametros de um GS por Nino e Velez-
Reyes (NINO, 2006). Problemas de mau condicionamento foram tratados.
42
Captulo III
Ainda outra area, que esta sendo muito explorada atualmente e a area de inteligencia com-
putacional. A habilidade de redes neurais artificiais de aproximar funcoes nao-lineares com
certa precisao faz delas fortes candidatas para uso em modelos dinamicos para a representacao
de plantas nao-lineares. Duas classes de redes neurais que tem recebido consideravel atencao na
area de estimacao de parametros sao: redes neurais multicamadas e redes recorrentes. Redes
multicamadas tem provado ser eficiente em problemas de reconhecimento de padroes, enquanto
redes recorrentes tem sido utilizadas em memorias associativas e problemas de otimizacao. Em
vista da alta dimensao do vetor de parametros em redes neurais, o problema de estimacao deve
ser condicionado, pois os parametros das redes sao muito sensveis a disturbios nos dados. Logo,
os algoritmos de treinamento podem nao convergir ou convergir muito lentamente. Em alguns
casos fixa-se a estrutura da rede e trabalha-se com problemas de condicionamento dos dados
atraves do algoritmo de treinamento de Levenberg-Marquardt para regularizar a estimacao.
Utilizando funcao de base radial trata-se o condicionamento dos dados eliminando nos da rede
atraves de simplificacoes (pruning). Logo, pode-se aperfeicoar a estrutura de uma rede para se
ter uma estimacao otima de parametros.
O ajuste de um modelo de estimacao de parametros e ilustrado na Fig. 3.1. O sinal de sada
do modelo de identificacao e comparado a sada do sinal do equipamento eletrico. Conforme o
erro entre a diferenca dos sinais um reajuste dos parametros e exigido. E, assim, recursivamente
ate um erro mnimo.
43
Captulo III
Modelagem Generica
O modelo dos Mnimos Quadrados requer que a equacao do sistema linear nos parametros
seja reescrito na seguinte forma:
Y =T , (3.1)
= (T T T )1 T T Y . (3.2)
V = R I + L I . (3.3)
[R L]T ,
V = [I I] (3.4)
onde,
V = Y ,
T
I I = T ,
[R L] = .
Os vetores V e I podem ser obtidos atraves da aquisicao de amostras de tensao e corrente
no terminal do estator da maquina. Desta forma, os sinais contem disturbios do sistema e de
medicao. Uma outra forma de se obter os vetores e a partir de modelos matematicos represen-
tativos da maquina. Desta forma, sobrepoe-se rudo branco aos sinais antes do processamento
do algoritmo para que a simulacao se aproxime do comportamento real. I e obtido derivando-se
a curva de I.
Considerando maquinas sncronas, este modelo utilizado para motores de inducao foi apro-
ximado. Foi considerado a maquina trabalhando como motor sncrono. Assim a estrutura do
algoritmo permaneceu a mesma.
44
Captulo III
A Estimacao em batelada
Y = [V ] > dim[V ] = X x 1 ,
> dim[T ] = X x 2 ,
T = [I I]
= [R L] > dim[] = 2 x 1 ,
onde, dim e a dimensao da matriz. Caso a corrente nao seja senoidal, e sim gerada por chavea-
mento, aproxima-se uma senoide a curva chaveada.
Aplicando a equacao (3.2) estima-se em apenas um passo do programa (estimacao em
batelada). Isto se deve ao fato de que as amostras ja estao armazenadas antes do incio do
processamento do algoritmo. Desta forma, nao existe recursao nem curva transitoria dos parame-
tros. A estimacao e relativamente rapida. A aquisicao de dados e o processamento do algoritmo
acontecem em serie.
T )
(Pk+1 Tk+1
Kk+1 = T )
(3.5)
(I + Tk+1 Pk+1 Tk+1
k+1 = k + Kk+1 (Vk Tk k ) (3.6)
Pk+1 = (Pk Kk Tk Pk )/I (3.7)
Define-se um passo de amostragem e pode ser visualizada a curva transitoria dos parametros.
A estimacao recursiva e mais lenta em relacao a estimacao em batelada.
45
Captulo III
Lista de Smbolos
Neste trabalho o FKE foi utilizado para estimacao de estados e parametros de um MI com
rotor bobinado de 5 Hp. Os estados estimados foram I , I e , . Os parametros estima-
dos foram Lm e Rr . Na escolha dos parametros a serem estimados, aqueles mais importantes
em Controle Indireto de Campo Orientado e especialmente em Diagnostico de Faltas foram
considerados.
46
Captulo III
0 = MI + (1 + p) + wr (3.10)
0 = MI + (1 + p) wr (3.11)
x = Ac x + Bc u , (3.12)
onde,
(Rs M/)/(Ll ) 0 1/(Ll ) wr /Ll
(Rs M/)/(Ll ) wr /Ll 1/(Ll )
0
Ac = , (3.13)
1/ wr
M/ 0
0 M/ wr 1/
1/(Ll ) 0
1/(Ll )
0
Bc =
,
(3.14)
0 0
0 0
e
2
M = Lm /Lr , (3.15)
Ll = Ls M , (3.16)
= Lr /Rr . (3.17)
Nesta subsecao, os valores das variaveis em (3.13) - (3.17) sao obtidos a partir de testes sem
carga e rotor bloqueado como em (VAS, 1993) ou (FITZGERALD, 1961), ou a partir de dados
do fabricante.
Pode ser observado que em (3.13), wr e uma variavel. Porem, pode ser considerada constante,
pois a resposta mecanica do sistema e bem mais lenta do que aquela do sistema eletrico. Logo,
a matriz do sistema Ac e constante e a matriz de transicao pode ser expressa como uma funcao
exponencial da matriz Ac . O modelo discreto correspondente do MI e o seguinte:
xk+1 = Ad xk + Bd uk (3.18)
xk = [I I ] (3.19)
uk = [V V ] (3.20)
Ad = e(Ac ) (3.21)
Bd = A1
c [Ad I]Bc (3.22)
47
Captulo III
= [Rr Lm ] . (3.23)
xk+1 = Fk xk + Gk uk + wk , (3.24)
onde:
48
Captulo III
h i
xk = [x ] = I I Rr Lm , (3.25)
h i
uk = V V , (3.26)
Ad 0
Fk = , (3.27)
0 I
Bd
Gk = , (3.28)
0
[1 , 1 ]
wk = . (3.29)
:
[6 , 6 ]
zk = Hyk + vk , (3.30)
onde:
yk = [I I ] , (3.31)
1 0 0 0 0 0
H = , (3.32)
0 1 0 0 0 0
[1 , 1 ]
vk = . (3.33)
[2 , 2 ]
onde:
49
Captulo III
Pk = (I Kk H)Mk . (3.36)
xk = xk + Lk (zk H y ) (3.37)
k = k1 + Nk (zk H y ) (3.38)
onde:
Algoritmo de Filtragem
A maneira usual de implementacao iterativa do algoritmo FKE pode ser descrita passo a
passo como segue:
INICIO
Inicializar variaveis: k = 0; yk = [x ] ; Q; R; H como em (3.32); P0
Faca enquanto nao convergir:
{
1)Atualizar yk atraves de yk+1 = [x ]
2)Atualizar zk atraves de zk+1 = Hyk + vk
3)Calcular Ad e Bd no proximo passo a partir de (3.21) - (3.22) usando o valor atual de
4)Calcular x a partir de x = Ad x(k1) + Bd u(k1)
50
Captulo III
nominal na Fig. 3.3 e considerado o vetor de parametros reais, enquanto xk representa o vetor
de estados das correntes e fluxos. y e utilizado nos passos 11-12 para calcular o erro entre os
estados e parametros reais e aqueles estimados.
51
Captulo 4
Otimizacao e Inteligencia
Computacional
Do rio que tudo arrasta, se diz que e violento. Mas
ninguem diz violentas as margens que o comprimem.
Bertold Brecht
52
Captulo IV
5 - Desenvolvimento de software.
Neste trabalho foram avaliadas duas tecnicas para otimizacao dos parametros de entrada dos
modelos matematicos de MI e GS, sao elas: Descida Coordenada e Gradiente Condicional. Estas
sao tecnicas iterativas para se encontrar o valor maximo ou mnimo de uma funcao objetivo.
Elas partem de uma solucao factvel inicial, geralmente nao-otima, e procuram produzir solucoes
melhores ate que algum criterio de convergencia seja atingido ou que nao existam melhores
solucoes.
min F(x)
s.a. x (4.1)
Diretas Funcionais
xi g j (x1 , x2 , x3 , ..., xn ) j
xi g j (x1 , x2 , x3 , ..., xn ) j
xi + g j (x1 , x2 , x3 , ..., xn ) = j
53
Captulo IV
n n n
F(x) = a0 + bi xi + cit xi xt , (4.2)
i=1 i=1 t=1
Se temos um ponto x(p) no espaco e procuramos um novo ponto x(p+1) que melhora o valor
da funcao objetivo, entao fazemos:
onde, e(p) e um vetor unitario que define a direcao do movimento, a p e um escalar representando
o passo na direcao de e(p) .
De acordo com as caractersticas para a definicao de e(p) e a p e possvel classificar os metodos
como de ordem 0, primeira ordem e segunda ordem. Os metodos de ordem 0 utilizam somente
valores da funcao objetivo, enquanto que, os de primeira ordem utilizam tambem as derivadas
de primeira ordem e os de segunda ordem, as derivadas de segunda ordem. O metodo de ordem
0 e o metodo de maior aplicabilidade, porem de menor velocidade de convergencia.
Inicia-se o metodo em um ponto inicial:
54
Captulo IV
Caso este incremento seja negativo (problema de minimizacao), entao continua-se o movimento
na mesma direcao:
Caso o incremento seja positivo, entao para x1 trocamos a direcao, como em:
Caso os incrementos em (4.5)-(4.7) sejam positivos, entao faz-se necessario trocar a coordenada,
como em:
Terminado o ciclo, se x(1) 6= x(0) , entao inicia-se o proximo ciclo e assim sucessivamente. Caso
x(p+1) = x(p) entao toma-se x(p) como a solucao do problema para o passo a. Se for desejado, e
possvel modificar o valor do passo e realizar outros ciclos. Desta forma, o criterio de parada e
dado por:
55
Captulo IV
0 ap 1 . (4.13)
56
Captulo IV
57
Captulo IV
58
Captulo IV
composta por um grid de unidades de sada. Um padrao de entrada alimenta cada unidade
de sada. As variaveis de entrada para cada sada sao ponderadas. Estes pesos sao inicializados
com valores aleatorios pequenos.
O processo de aprendizado consiste primeiramente na inicializacao dos pesos para cada
unidade de sada. O treinamento acontece ate que variacoes de pesos sejam desprezveis. Para
cada padrao de entrada, encontra-se a unidade de sada vencedora (treinamento competitivo).
Logo, encontram-se todas as unidades vizinhas da vencedora e atualiza-se o vetor de pesos para
todas estas unidades.
A unidade de sada vencedora e simplesmente aquela que apresentar a menor distancia eu-
clidiana do vetor de pesos a uma entrada padrao.
A rede neural de Elman (ELMAN, 1990) e uma rede recorrente simples. Sua realimentacao
capacita a realizacao de tarefas que se estendem no tempo (HAYKIN, 2001).
A realimentacao da rede de Elman acontece da sada de uma camada intermediaria para a
entrada da mesma. Cada neuronio da camada intermediaria e realimentado com um atraso de
tempo. A camada de realimentacao, tambem conhecida como camada de contexto, simula a
memoria da rede, realimentando o neuronio com informacoes de estados passados.
No instante inicial do processamento da rede, a camada de contexto nao tem influencia sobre
o sinal propagado, ou seja, na primeira iteracao, a rede se comportara como uma rede feed
forward. Ainda na primeira iteracao, os neuronios ocultos ativarao a camada de contexto que
armazenara sua sada para que esta seja utilizada no proximo ciclo. O algoritmo Backpropagation
e aplicado para a correcao dos pesos entre camadas. Ressalta-se que a camada de contexto nao
possui pesos.
No instante seguinte o processo e repetido, porem com os neuronios ocultos sendo ativados
tambem pelas realimentacoes, e assim, sucessivamente.
59
Captulo IV
Embora redes neurais possam prover a deteccao de faltas a partir de exemplos de entrada e
sada, elas sao essencialmente uma caixa preta, pois nao provem as razoes ou justificativas do
processo de deteccao de faltas. Em outras palavras, as redes nao sao transparentes, pois nao
explicam em detalhes o que ela considera como falta incipiente. O conhecimento necessario para
realizar a deteccao da falta esta contido nos pesos da rede neural. A interpretacao das condicoes
de uma maquina e usualmente uma questao difcil, pois nao ha nada inerente na estrutura da
rede relacionando os pesos a uma descricao da falta. Em varios casos, a interpretacao dos
resultados, que e uma habilidade e qualidade humana, se torna necessaria e a logica fuzzy se
apresenta como uma contribuicao para o problema.
A logica fuzzy pode facilmente e sistematicamente traduzir conhecimento qualitativo, ligus-
tico e heurstico (preferido pelos humanos) em conhecimento quantitativo (preferido pelos com-
putadores), e vice-versa.
O Sistema de Inferencia Fuzzy (FIS) e um sistema que nao necessita de uma descricao
matematica detalhada do sistema modelado, podendo ser utilizadas descricoes empricas na
obtencao do modelo fuzzy final.
A estrutura basica de um FIS consiste de tres camadas conceituais:
uma base de dados, que define as funcoes de pertinencia usadas nas regras fuzzy;
Em comparacao com as redes neurais, o sistema fuzzy utiliza uma representacao lingustica
transparente ao inves de uma representacao tipo caixa preta. Apresenta tambem um custo
computacional geralmente menor do que as redes neurais, porem e necessario conhecimento de
especialista para sua construcao. Ambas as tecnicas sao tolerantes a discrepancias nos dados.
Sistemas fuzzy tem sido aplicados em uma grande variedade de campos, tais como controle
automatico, classificacao de dados, sistemas especialistas, predicao de series temporais, robotica,
reconhecimento de padroes, entre outros.
60
Captulo IV
neuro-fuzzy simularem a inteligencia humana, estas sao frequentemente referidas como Sistemas
Inteligentes e tambem frequentemente referidas como tecnicas de computacao flexvel (Soft
Computing). Diversas aplicacoes bem sucedidas de sistemas neuro-fuzzy consolidaram-os como
mais uma ferramenta ou tecnologia nas areas de: controle de processos, manufatura, comunicacao
homem-maquina, sistemas de tomada de decisao, diagnostico (ALEXANDRE, 2003).
Os sistemas hbridos neuro-fuzzy podem apresentar vantagens em relacao a RNAs e logica
fuzzy isoladas aproveitando as poderosas caractersticas de ambas as tecnologias. Um sistema
hbrido neuro-fuzzy pode ser usado para solucionar problemas de deteccao de faltas em maquinas
eletricas com alta precisao e robustez. Tambem podem prover uma explicacao do processo
de deteccao de falta. Alguns trabalhos relacionados ao tema foram reportados na literatura
(AYOUBI, 1997) (DURAISAMY, 2007).
ANFIS
K-Means
61
Captulo IV
Inicialmente os centros dos grupos, ou, pontos de classes diferentes, se inicializam sobre-
postos em um ponto comum. Ao se processar o algoritmo, os centros se deslocam para as
regioes de maiores aglomeracoes de pontos. Eles convergem para um ponto no espaco atraves
da minimizacao da soma dos quadrados das distancias euclidianas das amostras.
O metodo e tambem aplicavel quando trabalhamos em espacos n-dimensionais, com n>3.
Nestes espacos a visualizacao geometrica do problema e mais complexa.
Uma abordagem completa sobre o metodo K-means com exemplos praticos pode ser encon-
trada em (MEDEIROS, 2006).
Fuzzy C-Means
O Fuzzy C-means (FCM) proposto em (BEZDEK, 1981) e um tipo de classificacao nao super-
visionada baseada em clusterizacao. Esta tecnica tenta subdividir um conjunto Y de dados em
clusters, sendo que a uniao dos clusters forma o conjunto Y. O procedimento no qual cada ponto
em Y e alocado somente ao cluster com maior nvel de similaridade e chamado de NonFuzzy
C-means.
A teoria de conjuntos fuzzy foi inserida ao C-means para que cada amostra de entrada nao
fosse associada a apenas um cluster, mas para que tenha um determinado grau de pertinencia
para cada um dos centros de clusters existentes. Da criou-se o algoritmo FCM.
Determinam-se os centros dos clusters em um espaco Y, cuja dimensao e a dimensao do vetor
de entradas. Os centros apresentam a dimensao do vetor de entradas, porem a cada centro esta
associado um rotulo que representa o vetor de sadas.
Ao receber uma entrada, esta e diretamente expressa no espaco Y. O algoritmo FCM a
processa, calculando a distancia da entrada a todos os centros de Y. Logo o FCM atribui um
grau de pertinencia a entrada em cada um dos centros.
Estagio de Classificacao - Uma rede neural e utilizada para classificar o domnio de dados
em um certo numero de clusters. Usualmente, redes nao-supervisionadas, como a rede de
Kohonen, sao utilizadas.
62
Captulo IV
clusters possui maior pertinencia ao centro do cluster a que ele corresponde do que aos
outros centros.
Este metodo e muito semelhante ao FCM. A diferenca se encontra na utilizacao de uma rede
neural para estipular a quantidade de clusters necessaria, ao inves de simplesmente selecionar o
numero de clusters desejado. Da em diante o procedimento e similar. Desta maneira, o AHA
se torna conveniente quando da existencia de um grande banco de dados nao-organizado, onde
nao se tem ideia de quantos clusters sao necessarios.
Computacao Evolutiva
63
Captulo IV
busca que podem representar uma condicao de operacao do sistema. Cabe assim: adquirir
vetores com variaveis indicadoras de faltas; evoluir os vetores ate um vetor padrao (reproducao,
mutacao e selecao); aproximar o vetor de seu ambiente apropriado (adaptabilidade ao meio);
e rotular este ambiente com as condicoes de sada do sistema. Este procedimento e cabvel
para maquinas eletricas, equipamentos eletricos, sistemas de engenharia, entre outros. Algumas
aplicacoes sao encontradas em (LEITE, 2007d) (BUSTOS, 2006).
O Sistema Imunologico e composto por celulas, moleculas e orgaos que juntos tem um impor-
tante papel no nosso organismo. O Sistema Imunologico e capaz de reconhecer sinais internos e
externos, influenciar o comportamento de outros sistemas como o sistema nervoso e endocrino,
e mais importante, aprender a combater agentes infecciosos e guardar informacoes sobre eles
(CASTRO, 2006).
A Imunocomputacao e uma nova abordagem que visa implementar os princpios de processa-
mento de protenas e redes imunologicas em algoritmos computacionais e softwares (TARAKANOV,
2003). Ja os Sistemas Imunologicos Artificiais (SIA) foram inspirados no sistema imunologico
e seus modelos teoricos, e tem como enfase a solucao de problemas computacionais, como pro-
blemas de otimizacao, reconhecimento de padroes, deteccao de faltas, deteccao de spams, analise
de dados, aprendizado de maquina, vida artificial, controle e navegacao autonoma, entre outros
(CASTRO, 2006).
O primeiro passo a ser dado antes que uma resposta imunologica seja efetuada e reconhecer o
patogeno. As partes dos patogenos que podem provocar uma resposta imunologica sao chamadas
de antgenos, ou seja, os antgenos sao agentes causadores de doencas como vrus e bacterias.
A parte do antgeno que as celulas reconhecem e chamada de eptopo. Fazendo uma analogia
entre SIA e reconhecimento de padroes de falta em maquinas eletricas temos:
Todas as celulas que fazem parte do organismo sao conhecidas como proprio e todos os
elementos que sao estranhos ao organismo e podem causar doencas sao conhecidos como nao-
proprio. Em deteccao de faltas, proprio e a condicao de operacao normal da maquina, e nao-
proprio e a condicao faltosa. Existem varias teorias que explicam como o sistema imunologico
torna-se capaz de diferenciar o proprio do nao-proprio, uma delas e a chamada selecao negativa
das celulas T no timo. A selecao negativa inspirou o desenvolvimento de um algoritmo focado
64
Captulo IV
em deteccao de faltas. Existem duas versoes deste algoritmo, uma para valores binarios e outra
para valores reais (CASTRO, 2006). Aplicacoes de SIA em deteccao de faltas em maquinas
eletricas nao foram encontradas na literatura.
Inteligencia de Enxame
65
Captulo IV
Diferentes condicoes de operacao de uma maquina e diferentes tipo de faltas requerem me-
didas e esquemas de deteccao diferentes. E importante conhecer as condicoes de operacao da
maquina e entender as consideracoes sobre faltas para se determinar quais as variaveis e parame-
tros da maquina devem ser selecionados e monitorados. A vantagem da metodologia de deteccao
de faltas em maquinas eletricas baseada em RNAs feed forward e proposta nesta dissertacao e
que esta pode ser modificada e adaptada, com certa facilidade, a diferentes condicoes de operacao
das maquinas e diferentes faltas.
Na realidade, a dinamica de uma maquina nao pode ser modelada precisamente a partir de
um modelo linear, pois maquinas eletricas sao sistemas altamente nao-lineares. Muitas tecnicas
de deteccao de faltas baseadas em modelos lineares nao podem ser aplicadas a maquinas eletricas.
Porem, e importante observar que, desde que apresentadas condicoes de contorno em torno de
um ponto de operacao, pode-se linearizar um modelo em torno deste ponto. Assim, as tecnicas
lineares poderao ser aplicadas, todavia com restricoes em torno de um ponto.
Por outro lado, RNAs feed forward possuem a capacidade de realizar mapeamento nao-linear.
Isto acontece quando as funcoes de ativacao dos neuronios de ao menos uma camada da rede sao
funcoes nao-linares, e.g. sigmoide, tangente hiperbolica, Gaussiana. Por isso, redes neurais se
tornaram ferramentas de grande utilidade para solucionar problemas de deteccao de faltas, seja
em maquinas eletricas, equipamentos eletricos diversos, sistemas de engenharia, entre outros.
Com a tecnologia de RNAs, a inteligencia humana pode ser imitada e automatizada em certo
nvel. RNAs podem ser treinadas para realizar a funcao de deteccao de faltas em maquinas
eletricas. Um possvel esquema de treinamento ou aprendizado e ilustrado na Fig. 4.1. No
incio do treinamento de uma rede, a deteccao e o diagnostico das condicoes do motor nao
estarao corretos. Baseado na diferenca entre a decisao correta tomada por um especialista e a
predicao feita pela rede, um erro e gerado e usado para ajustar os parametros internos da RNA
para se obter uma melhor sada estimada nas proximas iteracoes.
Uma vez que a rede neural se encontra apropriadamente treinada, seus pesos conterao o
conhecimento necessario para executar deteccao de faltas. O esquema da Fig. 4.2 ilustra o
esquema de uma RNA treinada e aplicada na deteccao de faltas de uma maquina.
66
Captulo IV
Projeto de RNAs
Para que seja selecionada uma configuracao apropriada para uma rede, varios fatores devem
ser cuidadosamente considerados. Entre estes fatores estao os seguintes:
Treinamento da rede, e.g. inicializacao dos parametros livres da rede, escolha de valores
pertinentes dos parametros de treinamento como taxa de aprendizado e taxa de momento,
selecao de criterios de parada do treinamento, quantidade de dados de treinamento e dados
de teste.
67
Captulo IV
E uma pratica comum a escolha de um conjunto de dados para treinamento de uma RNA,
sendo o restante dos dados utilizado em teste. Estes conjuntos de dados devem ser estatisti-
camente significativos para representar o sistema sob consideracao. O conjunto de dados de
treinamento e utilizado para efetivamente treinar a rede, enquanto o conjunto distinto de dados
de teste e usado para testar a precisao ou a capacidade de generalizacao do problema por parte
da rede apos um treinamento.
Os dados de entrada e sada de RNAs sao usualmente normalizados no intervalo [0,1] quando
a funcao de ativacao sigmoide e usada. A normalizacao dos valores de entrada aumentam a
estabilidade numerica do processamento da rede neural, enquanto a normalizacao da sada e
necessaria por causa das caractersticas da funcao de ativacao que e usada em suas unidades de
processamento.
68
Captulo IV
Figura 4.3: RNA com entrada simples Figura 4.4: RNA com entrada expandida
armazenar, porem maior sera o tempo requerido para treinamento. Ressalta-se cuidados com
overfitting, isto e, excesso de neuronios que impossibilita generalizar um problema.
Erro no treinamento
onde, y(x p , w) e a sada da rede, y(x p ) e a sada real do sistema para a mesma entrada x p , p e a
ordem do vetor e w representa os pesos da rede.
69
Captulo IV
Medidas de performance
Medidas de performance apropriadas precisam ser definidas para o projeto de RNAs com o
objetivo de avaliar a capacidade da rede em solucionar o problema de interesse.
Algumas vezes e desejado que a sada de uma rede neural apresente valores discretos. Neste
caso, as sadas sao discretizadas atraves de um conversor. Por exemplo, considerando que
queremos que a sada de uma rede represente os estados [bom; razoavel; ruim] de uma maquina
eletrica, e que estes estados sejam representados pelos valores [1; 0,5; 0] respectivamente, o
processo de discretizacao e entao esquematizado como ilustrado na Fig. 4.5.
Na Fig. 4.5, y e uma sada com valores contnuos. A sada e alimentada ao conversor
provendo uma sada yd discreta no conjunto {1; 0,5; 0}.
Diferentes tecnicas podem ser usadas para discretizar a sada de um neuronio, e.g.:
Erro mnimo de ajuste do ponto inicial: utilizando o algoritmo do erro mnimo, 1 e 2 sao
escolhidos tais que:
P
min1 2 (y p ydp(1, 2))2 . (4.16)
p=1
70
Captulo IV
Neste trabalho utilizou-se o algoritmo da menor distancia. A relacao (4.17) e uma relacao
que permite quantificar a performance da rede e foi tambem utilizada.
p K
Per f ormance = [1 ]100%, onde : K = 0, se y p = ydp
P
K = 1, se y p 6= ydp . (4.17)
Os pesos iniciais de uma rede neural representam um importante papel no processo de treina-
mento de uma RNA. Isto acontece principalmente quando da utilizacao de algoritmos de treina-
mento com tendencias a convergencia para otimos locais como o Backpropagation. A regiao de
busca efetivamente explorada por tais algoritmos no espaco de pesos, que geralmente e de grande
dimensao, e altamente dependente dos pesos iniciais.
Sem informacoes a priori sobre os valores finais dos pesos apos o treinamento, e uma pratica
comum incializar todos os pesos com numeros aleatorios no intervalo [-0,1; 0,1] (CHOW, 1997).
Este procedimento permite que a funcao de ativacao de um neuronio produza valores na regiao
nao-saturada de seu domnio. Quando sua inibicao for desejada ao longo do treinamento, o valor
da funcao de ativacao deve se deslocar para a regiao saturada.
Parametros de treinamento
71
Captulo IV
Dois paradigmas de treinamento de RNAs sao: atualizacao por padrao (atualiza os pesos
da rede a cada padrao de entrada e sada apresentado); atualizacao por lote (atualiza os pesos
da rede apos todos os padroes considerados para o treinamento terem sido apresentados). A
atualizacao por lote tem sido reivindicada por ser mais robusta e consistente com o algoritmo de
treinamento Backpropagation em sua formulacao original. Este tipo de atualizacao, minimiza
monotonicamente o erro quadratico do lote de treinamento. Por outro lado, a atualizacao por
padrao minimiza o erro quadratico, mas nao garante o decrescimento monotonico do mesmo.
Quando valores pequenos dos parametros de aprendizagem sao usados nos algoritmos de
atualizacao por padrao, o erro medio quadratico (norma-2) decresce vagarosamente no inicio
do processo de treinamento, mas apos um certo tempo decresce rapidamente ate um valor de
estado estacionario. Ja no algoritmo de atualizacao por lote, o erro medio quadratico decresce
monotonicamente e vagarosamente para um valor de estado estacionario similar (CHOW, 1997).
Segundo (CHOW, 1997), as RNAs aprendem de forma mais rapida quando o algoritmo de
atualizacao por padrao e utilizado. Porem, sua afirmacao foi baseada em suas experiencias e
algumas vezes observa-se o contrario.
Quando uma RNA treinada e utilizada no mundo real, as medidas que alimentam a rede
sao contaminadas com disturbios que podem degradar significantemente a performance da rede.
Felizmente, RNAs podem ser desenvolvidas com capacidade inerente de filtragem de disturbios
como uma caracterstica incorporada durante seu desenvolvimento.
Seja M a funcao que mapeia o espaco de entrada X no espaco de sada Y de uma rede neural,
tem-se:
M : X > Y . (4.18)
Entao, uma RNA feed forward N aprende o mapeamento M atraves do ajuste de pesos w no
espaco de pesos W a partir de algortmos de treinamento, como o Backpropagation por exemplo.
O processo de treinamento pode ser representado como:
72
Captulo IV
zk = xk + k , (4.21)
N(x|w)
kN(z|w) M(x)k = kN(x|w) + (z x) + A M(x)k , (4.26)
x
onde, A sao os termos de ordem mais altas de x. Se o disturbio de medida de x e pequeno entao
os termos de A sao desprezveis comparados com o termo de primeira ordem, logo (4.26) pode
ser aproximada por:
73
Captulo IV
N(x|w)
k N(z|w) M(x)k kN(x|w) + (z x) M(x)k
x
N(x|w)
kN(x|w) M(x)k + k (z x)k
x
N(x|w)
+k (z x)k
x
N(x|w)
+k kk(z x)k .
x
Logo,
N(x|w)
k N(z|w) M(x)k + k kkk . (4.27)
x
Combinando (4.25) com (4.27) resulta:
N(x|w)
kyk + k kkk , (4.28)
x
onde, e o erro final do treinamento da rede que e considerado muito pequeno e desprezvel
comparado com o segundo termo de (4.28). Sendo assim, pode-se escrever:
N(x|w)
kyk k kkk . (4.29)
x
onde,
74
Captulo IV
Robustez relativa
Uma medida de robustez relativa r de uma rede feed forward para uma entrada x sujeita a
disturbios e definida por:
Nx Ny
s2i j (x|w)
kS(x|w)k22 i=1 j=1
r(x|w) = 1 = 1 , (4.31)
Smax Smax
yi (x|w)
onde, si j (x|w) = x j e Smax e o valor maximo de kS(x|w)k22 para todas as entradas x, Smax e
uma constante apos a rede estar treinada. r pertence ao intervalo [0,1]. Para uma rede treinada
por m exemplos, existira m medidas de robustez relativa:
A medida de robustez relativa fornece a robustez da rede neural para cada entrada indi-
vidual. Como exemplo, a medida de robustez relativa tera um valor menor para uma entrada
proxima a fronteira de duas classes do que para uma entrada dentro de uma classe ou regiao.
Pequenas perturbacoes no sinal de entrada podem causar erros de classificacao de uma entrada
proxima aos pontos de fronteira. Por outro lado, para entradas proximas aos centros das regioes,
perturbacoes nas entradas nao causarao erros de classificacao facilmente. Entao, quanto menor o
valor da robustez relativa, mais a rede neural e sensvel a perturbacoes na entrada, aumentando
a probabilidade de erros de classificacao.
Na maioria dos casos, os desenvolvedores de RNAs estao mais interessados na performance
geral da rede para todas as entradas, ao inves de performances individuais para cada entrada.
Assim, a medida de robustez relativa geral, R, e definida como a norma de r:
R = krk . (4.32)
v
u m
u r2 (xi )
t
i=1
R = krk2 = . (4.33)
m
Em aplicacoes no mundo real, as medidas que alimentam uma rede sao muitas vezes conta-
minadas com diferentes nveis de disturbios, os quais podem degradar significantemente a pre-
cisao de algum esquema detector de faltas.
75
Captulo IV
A RNA original pode ser modificada com o objetivo de aumentar a robustez relativa para
operacao em ambientes ruidosos (SIETSMA, 1998). Uma possibilidade e manter as camadas
ocultas e de sada da rede fixas e aumentar o numero de unidades de entrada. Os sinais amostra-
dos provenientes de uma maquina eletrica sao alimentados nas unidades de entrada da rede neural
atraves de linhas de atraso (CHOW, 1990). A camada de entrada do modelo e basicamente uma
expansao das medidas de entrada no tempo tl para n medidas consecutivas nos tempos tl , tl1 , ...,
tln+1 obtidas a partir das linhas de atraso. A Fig. 4.6 mostra este esquema. Na Fig. 4.6, cada
bloco atrasa o sinal um perodo de amostragem. Em qualquer perodo de tempo, n conjuntos
de medidas de entrada sao alimentados a rede, sendo n o tamanho da janela de amostragem. O
valor de n = 1 gera a estrutura original da rede.
Este esquema aumenta a robustez da rede neural detectora de faltas sujeita a disturbios na
entrada, pois agora as condicoes da maquina sao determinadas baseando-se nao somente nas
medidas mais recentes, z(k), mas nas (n-1) medidas. O efeito do disturbio de cada medida
alimentada na rede e suprimido pelas multiplas entradas da rede.
76
Captulo IV
supx A(x) = 1 ,
onde sup e o valor supremo. Quando sup e menor que 1, A e chamado de subnormal. O valor
supremo e usualmente referido como altura de A. Assim, a normalidade do conjunto fuzzy e
equivalente a ter altura igual a 1.
Suporte de um conjunto fuzzy A, denotado por Supp(A), sao todos os elementos de X que
pertencem a A em um grau diferente de zero,
77
Captulo IV
baseada em regra sao varias. Ela se encontra em sistemas baseados em conhecimento como
uma forma generica de representacao e e suportada por numerosas implementacoes. E possvel
encontrar modelos baseados em regra, classificadores baseados em regra, controladores baseados
em regra, etc.
A teoria de conjuntos fuzzy apresenta uma papel essencial neste paradigma computacional.
Conjuntos fuzzy ajudam a aliviar uma dificuldade destes sistemas. Devido ao fato de an-
tecedentes e consequentes serem termos lingusticos, o nvel de ativacao das regras sao contnuos
(ao inves de serem exclusivamente 0 ou 1) e isto contribui com aumento da robustez. Implici-
tamente, isto ajuda no desenvolvimento dos sistemas. Os benefcios manifestam-se quando o
sistema se encontra em fase de aprendizado (WITOLD, 1998).
As regras em sua forma padrao sao expressas por:
As regras podem assumir varios formatos alem dos apresentados acima. O formato acima e
o mapeamento mais simples de conjunto para conjunto. As regras podem assumir uma forma
de mapeamento de conjunto para funcao:
78
Captulo IV
onde f e uma funcao de X para Y e par e o vetor de parametros da funcao. f pode ser linear,
quadratica, polinomial, etc.
A generalidade do mapeamento pode ser aumentada utilizando redes neurais nos conse-
quentes das regras:
O lado direito da regra pode ser um mapeamento altamente nao-linear fornecido pela rede.
Ainda, ao inves de dependencia estatica, pode-se adimitir equacoes diferenciais ou de dife-
rencas no consequente da regra:
SE x = A1 e y = B1 , ENTAO 1 = 11 x + 12 y + 13
SE x = A2 e y = B2 , ENTAO 2 = 21 x + 22 y + 23
Este modelo pode ser ilustrado como na Fig. 4.7, onde Ci corresponde a camada i.
Na camada 1, dada as entradas x e y, sua sada e a pertinencia das entradas em relacao aos
termos (conjuntos fuzzy). Geralmente sao usadas funcoes Gaussianas:
(xb)2
f (x) = ae 2c2 , (4.34)
79
Captulo IV
sistemas fuzzy, agregando as sadas das camadas anteriores. Geralmente o operador utilizado e
a t-norma produto algebrico.
Na camada 3, os valores de ativacao das regras sao normalizados como em:
u1
u1 = , (4.35)
(u1 + u2 )
u2
u2 = . (4.36)
(u1 + u2 )
A camada 4 recebe os valores normalizados e suas sadas representam a contribuicao de cada
regra na sada total, que e dada pelo valor da funcao do consequente da regra ponderada pelo
valor normalizado de ativacao da regra:
o41 = u1 1 , (4.37)
o42 = u2 2 . (4.38)
Na camada 5, as sadas de cada regra sao somadas para gerar a sada do modelo.
A adaptacao dos parametros do ANFIS compreende duas etapas. Na primeira etapa, os
parametros dos consequentes das regras sao adaptados atraves da resolucao de um problema de
Mnimos Quadrados. Na segunda etapa, os parametros das funcoes Gaussianas sao adaptados
atraves de algum algoritmo de gradiente.
K-Means
80
Captulo IV
k m
||xi
( j)
J= c j ||2 , (4.39)
j=1 i=1
( j) ( j)
onde, ||xi c j ||2 e uma medida de distancia entre o vetor xi e o centro do cluster c j , k e o
total de clusters e m e o total de exemplos de treinamento.
Passo a passo, o algoritmo e o seguinte (MACQUEEN, 1967):
INICIO
Posicionar k pontos no espaco a partir dos objetos que estao sendo clusterizados
Faca ate os centros nao se deslocarem mais:
{
1)Associar cada objeto ao centro mais proximo.
2)Recalcular as posicoes dos k centros.
}
FIM
Fuzzy C-Means
C
c j (x) = 1 . (4.40)
j=1
81
Captulo IV
N C
Jm = mij ||xi c j ||2 , 1m , (4.41)
i=1 j=1
i=1 i j xi
N m
cj = , (4.42)
i=1 i j
N m
1
i j = ||x c || 2 , (4.43)
Cq=1 ( ||xi cq || ) m1
i j
(q+1) (q)
maxi j {|i j i j |} < , (4.44)
INICIO
Carregar N
Inicializar q, C, e
Faca ate que (4.44) seja verdade:
{
Calcular c j como em (4.42)
Atualizar i j como em (4.43)
q=q+1
}
FIM
82
Captulo 5
Resultados
83
Captulo V
e Aproximacao Emprica da Norma IEEE-112, vide (IEEE-112, 2004). As sadas do modulo sao
agrupadas em um vetor. Este vetor e o conjunto inicial dos parametros dos modelos de faltas.
O Modulo Modelos de Maquinas consiste do modelo dinamico do MI e do modelo dinamico do
GS, ambos com possibilidade de simulacao de faltas. O vetor de sada dos modelos das maquinas,
que consiste das variaveis de estados das maquinas obtidas em diferentes condicoes, e comparado
com o vetor de dados pre-processados obtido diretamente a partir de aquisicao do prototipo real.
Um vetor de erros e assim constitudo e alimentado ao Modulo de Otimizacao de Parametros.
Este modulo tem o importante papel de ajustar os parametros de entrada do bloco Modelos
de Maquinas, de forma a minimizar o vetor de erros de estados. O Modulo de Otimizacao de
Parametros consiste dos algoritmos: Descida Coordenada e Gradiente Condicional.
Apos o ajuste do modelo de faltas, este e levado a segunda etapa. A segunda etapa do
sistema consiste em gerar dados saudaveis e faltosos a partir dos modelos de faltas ajustados. A
vantagem de se obter estes dados a partir de modelo e clara, logo que situacoes adversas quaisquer
podem ser simuladas em computador. Em MI e possvel simular: desbalanceamento da tensao
84
Captulo V
85
Captulo V
ou de um usuario do sistema, a Fig. 5.2 e apresentada. Esta figura ilustra os modulos do sistema
e suas interconexoes ainda em mais alto nvel. O sistema de deteccao de faltas da figura pode
detectar faltas em maquinas eletricas de C.A. trabalhando em paralelo atraves de um esquema
de roteamento, onde, por vez, os estados de uma maquina sao adquiridos e o processamento dos
modulos executado (LEITE, 2007c).
Figura 5.2: Sistema de diagnostico de faltas em maquinas eletricas de C.A. - Visao geral
86
Captulo V
Os enrolamentos das fases do prototipo foram fracionados como e ilustrado na Fig. 5.4. As
partes dos enrolamentos apresentavam conexoes externas. Assim, uma quantidade de espiras
pode ser externamente curto-circuitada.
O processo de validacao do modelo foi realizado sob tensao de alimentacao de 20V. Este
procedimento evitou altas correntes nas conexoes externas faltosas. O numero mnimo de espi-
ras curto-circuitadas em cada fase do estator foi de sete espiras. Atraves de regressao linear, os
nveis de correntes em estagios incipientes de falta (1-3 espiras em curto-circuito) e obtido. As
curvas aproximadas dos ensaios experimentais sao reveladas em (5.1)-(5.2). (5.1) representa a
aproximacao quadratica da corrente na fase faltosa I f considerando a evolucao de uma quanti-
dade de espiras em curto-circuito, K. (5.2) representa a aproximacao linear das correntes nas
outras fases In f . A corrente e medida na condicao saudavel da maquina. Os valores de em
Amperes para as condicoes de carga maxima, meia carga e a vazio foram estabelecidas: 2.6A,
1.8A e 1.6A, respectivamente.
87
Captulo V
88
Captulo V
A Tabela 5.1 mostra uma comparacao entre alguns resultados do modelo e resultados ex-
perimentais. A tabela apresenta a evolucao de faltas de ate 5 espiras em curto-circuito no
enrolamento da fase A do estator da maquina e em tres diferentes pontos de operacao de carga:
carga maxima, meia carga e sem carga. O erro medio entre os valores das correntes na tabela foi
obtido atraves da media aritimetica dos erros individuais absolutos das correntes em cada fase.
O erro medio dos resultados da Tabela 5.1 foi 1.68%. Este erro pode ser atribudo a classe de
precisao dos instumentos de aquisicao de dados, a uma pequena variacao da impedancia entre
os enrolamentos do estator e tambem aos erros residuais do modelo matematico.
resistencia do estator;
resistencia do rotor;
indutancia mutua;
indutancia de magnetizacao;
Estes parametros foram suficientes para que os modulos em sequencia pudessem ser proces-
sados e o sistema de diagnostico pudesse ser aplicado em tempo real.
Os parametros foram estimados para motores assncronos e aproximados para motores gi-
rando a velocidade sncrona. A dissertacao se restringe a apresentacao das estimacoes para
uma maquina assncrona. A aproximacao dos resultados para uma maquina sncrona leva a
estimacoes semelhantes e de assinatura trivial apos apresentada a primeira.
89
Captulo V
Potencia 5 [Hp]
Tensao (Y) 127 [V]
Polos 4
Inercia 0.00995 [J.m2 ]
Torque Nominal 2.1 [kgf.m]
Torque Maximo 6.5 [kgf.m]
Velocidade Nominal 1715 [RPM]
Resistencia do Estator 0.9 []
Resistencia do Rotor 0.8 []
Reatancia de Dispersao do Estator 4.1 []
Reatancia de Dispersao do Rotor 4.1 []
Reatancia de Magnetizacao 11.5 []
A tecnica recursiva, MQR, estimou os valores dos parametros ao longo do tempo, diferente-
mente da tecnica MQB que analisou a massa de dados em lote, sem recursividade e apresentou a
estimacao final. A Fig. 5.5 ilustra a evolucao da resistencia equivalente de uma fase da maquina
estimada pelo MQR. Percebe-se que a partir de um ponto inicial arbitrario, o algoritmo conduz
o parametro ate um valor de convergencia. A Fig. 5.6 ilustra a evolucao da reatancia equivalente
de uma fase da maquina pelo MQR, novamente a partir de um ponto inicial arbitrario.
Os resultados provenientes da tecnica de estimacao em batelada apresentaram valores finais
de estimacao proximos aos valores dos ensaios tradicionais e da tecnica de estimacao recursiva.
90
Captulo V
Figura 5.5: Resistencia equivalente estimada Figura 5.6: Reatancia equivalente estimada
pelo MQR pelo MQR
A partir dos resultados obtidos das tres maneiras citadas acima, foi possvel construir a Tabela
5.3 que compara os valores dos parametros estimados e apresenta o erro entre eles, considerando
os ensaios tradicionais como os valores corretos.
Os valores estimados pelo MQR e MQB apresentaram erros inferiores a 0.15%, conforme
apresentado na tabela. O tempo de processamento do MQR e do MQB foram de 0.03s e 0.12s,
respectivamente, para 1 segundo em tempo real. E de 0.62s e 3.49s, respectivamente, para 10s em
tempo real. Observa-se que no tempo de processamento do MQR nao foi contabilizado o tempo
de troca de informacoes entre o software de aquisicao e o software que processa o algoritmo.
O metodo baseado em mnimos quadrados se mostrou eficiente em performance e tempo de
maquina. A maior vantagem de sua utilizacao e que podem ser aplicados em sistemas de tempo
real sem a necessidade da retirada da maquina eletrica de operacao. Sua aplicacao interfere de
forma mnima na disponibilidade de um sistema de manutencao preditiva em tempo real.
91
Captulo V
indutancia mutua) de um motor com rotor bobinado cujos dados de placa sao aqueles da Tabela
5.2.
A maxima amplitude do disturbio do sistema e a maxima amplitude do disturbio de medicao
foram assumidas serem da ordem de 0.0025 e 0.1, respectivamente. O criterio para a adocao
destes valores foi baseado na faixa de valores encontrada em outros trabalhos na literatura, e
tambem devido a convergencia do algoritmo operando em tais nveis de disturbios.
As matrizes de covariancia Q (5.3) e R (5.4) sao relacionadas a esperanca matematica dos
disturbios do sistema e de medicao, respectivamente, logo naturalmente estabelecidas. O valor
inicial da matriz de covariancia P (5.5) foi determinado empiricamente de tal forma que os
parametros iniciais arbitrarios convergissem para um certo valor no menor intervalo de tempo
possvel. Assumindo que nao existe correlacao entre os eixos e , (5.3) - (5.5) foram reduzidas
a matrizes diagonais.
106 0
Q = (5.3)
0 106
102 0
R = (5.4)
0 102
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
P0 =
(5.5)
0 0 0 1 0 0
0 0 0 0 103
0
0 0 0 0 0 103
92
Captulo V
Figura 5.7: Estimacao da resistencia do rotor Figura 5.8: Estimacao da indutancia mutua
A Tabela 5.4 apresenta o desvio maximo entre os parametros estimados e seus valores no-
minais. Os desvios podem ser atribuidos aos disturbios do sistema e de medicao.
93
Captulo V
Figura 5.9: Estimacao das correntes Figura 5.10: Estimacao dos fluxos
Figura 5.11: Estimacao da resistencia do rotor Figura 5.12: Estimacao da indutancia mutua
sob dinamicas do sistema sob dinamicas do sistema
94
Captulo V
95
Captulo V
Figura 5.13: Processo de otimizacao dos parametros dos modelos das maquinas
96
Captulo V
+ o o o o o o o o
o + o o o o o o o
: : : : : : : : :
o o o o o o o o +
- o o o o o o o o
o - o o o o o o o
: : : : : : : : :
o o o o o o o o -
97
Captulo V
p Rsa () Rsb () Rsc () llsa (H) llsb (H) llsc (H) lma (H) lmb (H) lmc (H) F.O. Analise
0 0,865 0,866 0,866 0,0103 0,0103 0,0103 0,03055 0,03055 0,03055 190,97 o
1 0,874 - - - - - - - - 190,79 +
2 - 0,875 - - - - - - - 190,62 +
3 - - 0,875 - - - - - - 190,45 +
4 - - - 0,0104 - - - - - 188,60 +
5 - - - - 0,0104 - - - - 186,76 +
6 - - - - - 0,0104 - - - 184,92 +
7 - - - - - - 0,030553 - - 190,54 -
8 - - - - - - 0,03055 0,030553 - 190,54 -
9 - - - - - - - 0,03055 0,030553 190,54 -
Direcao + + + + + + - - - o o
10 0,882 - - - - - - - 0,03055 184,77 +
11 - 0,883 - - - - - - - 184,64 +
12 - - 0,883 - - - - - - 184,50 +
13 - - - 0,0105 - - - - - 183,02 +
14 - - - - 0,0105 - - - - 181,55 +
15 - - - - - 0,0105 - - - 180,07 +
16 - - - - - - 0,030519 - - 128,78 +
17 - - - - - - - 0,030519 - 86,58 +
18 - - - - - - - - 0,030519 53,50 +
Direcao + + + + + + - - - o o
: : : : : : : : : : : :
51 0,917 0,918 0,918 0,0109 0,0109 0,0109 0,030489 0,030489 0,030489 0,09
98
Captulo V
Variaveis Real Inicial Estimado Erro (%) Final Estimado Erro (%)
diminui)].
O desempenho final obtido pelo GC foi similar ao resultado final obtido pelo DCR, con-
siderando as mesmas casas decimais da Tabela 5.7. Em tempo de processamento, o GC se
mostrou superior ao DCR devido a descida simultanea em multiplos eixos.
Concluindo, o modulo de otimizacao dos parametros dos modelos das maquinas eletricas
se mostrou eficiente na supressao de erros de estimacao e apto a ser aplicado em sistemas de
manutencao preditiva em tempo real. O modulo consumiu pouco tempo de disponibilidade do
sistema, considerado negligenciavel tendo-se em vista o tempo de evolucao das faltas abordadas
ate a ocorrencia de uma falha funcional.
99
Captulo V
Figura 5.14: Comportamento das correntes Figura 5.15: Comportamento das correntes de
A do estator campo
100
Captulo V
controlados nas fases da armadura e assimetrias nos enrolamentos, alem de nveis de severidade
de faltas quaisquer.
As correntes da armadura de um gerador conectado a um barramento infinito sao ilustradas
na Fig. 5.15. Na figura, evoluiu-se a quantidade de espiras em curto-circuito no enrolamento
de campo, considerando um ponto de operacao fixo, em outras palavras, considerando todas as
outras variaveis de entrada do modelo matematico asseguradas constantes. Este procedimento
novamente permitiu a clara visualizacao do efeito da falta nas variaveis de estado da maquina.
A evolucao de curto-circuito entre-espiras do enrolamento de campo da maquina fez com que
as correntes na armadura decrescessem em amplitude. Em escalas menores, observa-se um
deslocamento de fase de decimos de graus.
101
Captulo V
102
Captulo V
Tabela 5.8: Comparacao de topologias da rede neural MLP em treinamento Early stop
Estrutura Erro final Tempo (s) Epocas Deteccoes Corretas Deteccoes Erradas
Com o objetivo de obter nao so um bom desempenho da rede, mas tambem de obter arquite-
turas menores, estabeleceu-se um fator de punicao para arquiteturas grandes de acordo com uma
funcao exponencial negativa. O expoente da funcao e uma funcao do numero total de neuronios
da rede. Desta forma, a arquitetura [11 - 63 - 3] foi selecionada como a melhor estrutura. Para
esta, estabeleceu-se os criterios de parada para o treinamento definitivo:
103
Captulo V
O mesmo procedimento adotado para MI ao longo desta subsecao, foi adotado para GS.
Foram utilizados 240 dos 600 vetores da base de dados para treinamento. Definiu-se a melhor
estrutura da rede [12 - 30 - 30 - 1]. Otimizou-se parametros e taxas. Apos o treinamento extenso,
e considerando os mesmo criterios de parada da rede MLP para MI, obteve-se:
Como argumentado em captulos anteriores, as medidas que alimentam uma rede MLP apli-
cada em mundo real contem degradacoes que podem ser minimizadas atraves do aumento do
numero de unidades de entrada e linhas de atraso de tempo. Expandiu-se a camada de entrada
a partir de 10 linhas de atraso. Assim, considerou-se 10 amostras de dados em cada propragacao
adiante na rede. Este procedimento permitiu a reducao da sensibilidade da rede. Esta rede
foi denominada MLP modificada. Obteve-se para MI a estrutura [121 - 63 - 3] e para GS a
estrutura [132 - 30 - 30 - 1].
Os resultados para a rede MLP modificada para MI foram:
Ja para GS:
104
Captulo V
A rede de Elman tambem pode ser modificada em via de aumento da robustez. Expandiu-se
a camada de entrada com 10 linhas de atraso. Esta rede foi denominada Elman modificada.
Obteve-se as estruturas [121 - 63 - 3] e [132 - 49 - 1] para MI e GS, respectivamente. Observe
que a Elman modificada possui recursividade nas unidades de entradas e ocultas.
Os resultados para a rede de Elman modificada para MI foram os seguintes:
105
Captulo V
Deteccoes Erradas - 5;
Ja para GS:
Deteccoes Erradas - 8;
FIS
106
Captulo V
simplesmente a regra para uma funcao vizinha nao existe, por causa da explosao de possveis com-
binacoes. Logo o resultado e inconsistente. Este problema poderia ser contornado descrevendo
regras relacionando as funcoes de pertinencia vizinhas a uma mesma sada, ou eliminando certas
funcoes e ampliando as fronteiras de outras. Este trabalho de estudo matematico do FIS e cor-
reto posicionamento das funcoes de pertinencia tornou-o inadequado ou nao-ideal pelo motivo
da complexidade do sistema e do amplo banco de dados.
A porcentagem de acerto do FIS foi considerada insuficiente (42,00% em media para MI e
GS), sendo este considerado desapropriado para a aplicacao.
AFIS
Para contornar este problema foi necessaria a reducao do espaco de entradas. Propos-se
ainda, uma adaptacao de algumas funcoes de pertinencias de acordo com o disparo de certas
regras. Este novo sistema de inferencia fuzzy foi denominado AFIS.
Os dados de treinamento apresentados na Tabela 5.9 foram considerados pelo AFIS para MI.
As entradas do AFIS foram: o deslize do rotor (s); o valor absoluto da componente de sequencia
negativa das correntes (|Isn |); e o angulo da componente de sequencia positiva das correntes
(sp ). As componentes sequenciais das correntes foram calculadas a partir de:
1
Isn = (Ia + h2 Ib + hIc ) , (5.8)
3
1
Isp = (Ia + hIb + h2 Ic ) , (5.9)
3
onde, h e h2 defasam 120 e 240 graus, respectivamente, um vetor no espaco, ambos no sentido
anti-horario. Na Tabela 5.9, o numero de espiras em curto-circuito nas fases sao as sadas do
AFIS.
Este momento e oportuno para clarear alguns pontos sobre este sistema de inferencia adap-
tativo.
Analisando os dados da Tabela 5.9, percebe-se que existe uma relacao direta entre o torque
da carga e o deslize. Os valores de s na tabela sao relacionados as condicoes de carga
maxima, meia carga e a vazio;
|Isn | em uma visao geral tem a funcao de detectar a quantidade de espiras em curto-circuito;
107
Captulo V
sp em uma visao geral tem a funcao de localizar a fase faltosa. Isto acontece, pois sp
tende a se direcionar para a fase faltosa considerando o vetor resultante de sequencia
positiva.
As funcoes de pertinencia do AFIS estabelecidas a partir da Tabela 5.9 sao ilustradas na Fig.
5.17. Na figura, muitas funcoes de pertinencia triangulares para a variavel s foram definidas,
porem apenas algumas sao ilustradas para uma melhor visualizacao. Desta maneira, o sistema
nao e limitado a pontos de operacao discretos, em outras palavras, a aquisicao de dados pode
ser realizada sob qualquer condicao de carga, uma funcao de pertinencia correspondente de s
sempre sera disparada.
Os limites da funcao de pertinencia |Isn | foram definidos em funcao da funcao de pertinencia
de s ativa como em (5.10) - (5.11), onde Isn (M.F.1in f ) e o limite inferior da primeira funcao de
pertinencia de Isn (0 espiras em curto-circuito), Isn (M.F.4sup ) e o limite superior da quarta funcao
de pertinencia de Isn (3 espiras em curto-circuito), s(M.F.active ) e a funcao de pertinencia ativa
de s. As quatro funcoes de pertinencia de |Isn | se deslocam no universo de discurso.
108
Captulo V
O diagnostico foi realizado com ate tres espiras em curto-circuito por fase do estator. O
mecanismo de inferencia proposto por Mamdani foi utilizado. A formula generica de inferencia
foi: se (Isn e mfD) e (sp e mfE) entao (Espiras em curto-circuito na fase A e mfA), (Espiras em
curto-circuito na fase B e mfB) e (Espiras em curto-circuito na fase C e mfC). As quatro funcoes
de pertinencia das sadas do AFIS, que sao os nveis de espiras em curto-circuito em cada fase,
tem a mesma distribuicao universal. Elas sao tambem ilustradas na Fig. 5.17.
A defuzificacao foi realizada atraves da tecnica da media dos maximos (MOM). O diagnostico
para uma suposta condicao e mostrado na Fig. 5.18. As condicoes apresentadas na figura
consideram as entradas: s = 0,02; |Isn | = 10,2; e sp = 8,4. O diagnostico determinou uma
espira em curto-circuito na fase A, e valores insignificantes nas fases B e C.
Procedimentos semelhantes se deram para a construcao do AFIS para uma maquina sncrona.
A variavel de entrada s foi substituida pela variavel fator de potencia FP. As tres variaveis de
sada do esquema para MI foram reduzidas a apenas uma, curto-circuito no enrolamento de
campo.
Os resultados do AFIS para MI foram:
109
Captulo V
E para GS:
110
Captulo V
Pontos pertencentes a uma mesma classe nao se aglomeravam em uma regiao do espaco, mas
se encontravam dispersos e isolados. A Fig. 5.19 ilustra o espaco caracterstico e a classificacao
dos vetores. A figura apresenta tres dimensoes espaciais dentre as onze existentes para MI.
Aumentou-se o numero de neuronios da camada de sada do SOM ate se atingir o numero de
vetores total de entradas. Este procedimento nao comprime em classes os vetores de entrada.
Porem, a rede estaria preparada para receber novas entradas quando fosse aplicada em tempo
real. Nem mesmo considerando tal procedimento foi possvel o correto posicionamento dos
neuronios em um tempo de treinamento similar ao utilizado pelas outras redes estudadas.
Para contornar o problema, reduziu-se o espaco de entrada. Considerou-se para MI as varia-
veis delize do rotor (s), valor absoluto da componente de sequencia negativa das correntes (|Isn |) e
angulo da componente de sequencia positiva das correntes (sp ). Igualmente para GS, exclusive
s, que foi substituido por fator de potencia (FP), como no AFIS.
Utilizou-se 350 e 600 vetores de treinamento para o MI e para o GS, respectivamente. Gerou-
se novos vetores para teste, com rudo sobreposto, a partir dos modelos de faltas das maquinas.
Foram definidos 30 neuronios na camada de sada, alguns redundantes, mas necessarios.
Os resultados do SOM para MI foram:
111
Captulo V
Ja para GS:
Deteccoes Erradas - 0;
112
Captulo V
113
Captulo V
Deteccoes Erradas - 0;
114
Captulo V
E para o GS:
115
Captulo V
onde, , , , e sao coeficientes de importancia das variaveis definidos por criterio do autor:
5; 0,5; 2; 2; 0,5, respectivamente. Isto se deveu a busca por boa performance em deteccoes
corretas, disponibilidade do sistema em tempo real e robustez a disturbios em ambiente real.
Tambem, devido ao fato do sistema ter sido desenvolvido em ambiente de pesquisa, o tempo
de treinamento e aperfeicoamento das tecnicas nao foi considerado tao importante. Elaborou-se
para a comparacao das tecnicas a Tabela 5.11. Na tabela, o smbolo * significa que a tecnica foi
116
Captulo V
Tecnica Performance (%) Tempo Treino (s) Tempo Teste (ms) Robustez relativa Facilidade Avaliacao Geral
MLP 87,07 18242 23 0,85 10 9,00
MLP modificada 96,97 24620 26 0,95 9 9,25
Elman 93,63 22074 32 0,94 9,5 9,19
Elman modificada 98,62 28525 35 0,99 8,5 9,51
SOM 91,73 18343 21 0,90 8,5 9,04
FIS 42,00 x 80 0,18 9,5 5,85
AFIS 96,00 x 30 0,99 9 9,42
ANFIS 100,00 21750 55 1 9 9,86 *
FCM 95,76 381 28 0,93 9,5 9,56 *
selecionada para o sistema de deteccao de faltas em sua versao final. Os valores apresentados
na tabela sao valores medios para MI e GS.
Foi selecionado o ANFIS pela melhor avaliacao geral, performance e robustez. Foi tambem
selecionado o FCM. Isto se deveu ao fato que em plantas industriais ou plantas de poten-
cia, dependendo do numero de maquinas monitoradas e da pouca disponibilidade de tempo de
treinamento do ANFIS para cada uma delas, a tecnica FCM se apresenta como uma rapida,
eficiente e temporaria solucao, ate o treinamento do ANFIS.
E importante colocar que as tecnicas MLP modificada, Elman modificada e AFIS apresen-
taram um bom desempenho, apesar de inferior ao desempenho do ANFIS. Porem, esta melhor
avaliacao do ANFIS foi estritamente obtida para este caso de deteccao de faltas. Qualquer destas
tecnicas pode vir a se apresentar como melhor, caso a base de dados for alterada significativa-
mente.
Por fim, sumarizando os resultados do captulo, o sistema de diagnostico de faltas em sua
versao final conteve:
Foi apresentado no captulo: resultados experimentais para validacao dos modelos, resultados
individuais dos modulos do sistema, criterios de selecao das melhores tecnicas e uma analise
comparativa geral.
117
Captulo 6
Conclusao
N esta dissertacao foram propostos um modelo de faltas de curto-circuito entre espiras nos
enrolamentos do estator de motores de inducao e um modelo de faltas de curto-circuito entre
espiras no enrolamento de campo de geradores sncronos. Foram aplicadas tecnicas para esti-
macao e otimizacao dos parametros dos modelos das maquinas, alem de tecnicas de inteligencia
computacional para mapeamento de funcoes e deteccao de faltas. Redes neurais, sistemas fuzzy,
sistemas hbridos e tecnicas de clusterizacao foram desenvolvidas, aprimoradas e comparadas
em performance em deteccoes corretas, robustez a disturbios e disponibilidade quando aplicadas
em sistemas em tempo real.
Para validacao dos modelos, resultados experimentais provenientes de uma maquina pro-
totipo em laboratorio foram utilizados. Os modelos apresentaram boa performance.
As tecnicas de Mnimos Quadrados e Filtro de Kalman Estendido foram capazes de estimar
os parametros dos modelos das maquinas com precisao e rapidez. O metodo do Gradiente
Condicional otimizou os parametros estimados a partir da observacao dos estados do sistema.
Em conjunto, as tecnicas minimizaram erros de aproximacoes de modelagem.
Os modelos de faltas e de condicoes adversas foram de extrema importancia para a verificacao
das interacoes entre as variaveis, para a identificacao de limitacoes dos valores das variaveis e
para a composicao de uma base de dados faltosos e saudaveis das maquinas eletricas.
A tecnica de inteligencia computacional ANFIS, unindo conceitos de sistemas fuzzy e redes
neurais, se mostrou a melhor tecnica em termos de performance em deteccoes corretas e robustez
a disturbios quando aplicadas em ambiente real.
A tecnica de clusterizacao FCM se apresentou como a melhor tecnica em termos de rapidez
118
Captulo V
de treinamento. Alem disto, apresentou boa performance em deteccoes corretas e alta robustez.
Logo, foi considerada como uma eficiente e temporaria solucao para o problema de deteccao de
faltas, ate que o ANFIS seja treinado. Isto foi considerado tendo-se em vista que em plantas
industriais ou plantas de potencia podem existir varias maquinas e que um sistema de deteccao
deve considerar os dados individuais de cada uma para apresentar melhor desempenho. O
treinamento do ANFIS para cada uma delas pode se tornar um processo demorado.
Sistemas de diagnostico de faltas vem se difundindo no Brasil, principalmente nas grandes
organizacoes. Observando a precisao dos resultados obtidos nesta dissertacao e a relacao custo-
benefcio que estes sistemas podem gerar para a area de manutencao apos alguns anos de imple-
mentacao, e simples concluir que investimentos em pesquisa na area sao satisfatorios a medio e
longo prazo.
Este trabalho apresentou uma contribuicao para as areas de manutencao preditiva, moni-
toramento de condicoes baseado em sinais eletricos, modelagem computacional, inteligencia
computacional aplicada e, mais especificamente, a area de diagnostico de faltas em maquinas
eletricas.
Espera-se que, a partir deste trabalho e de tantos outros que foram e serao desenvolvidos sobre
o tema, as empresas brasileiras se conscientizem da importancia do investimento em pesquisa na
area de manutencao preditiva e se convencam a buscarem novas solucoes para obterem melhores
resultados e menores custos. Assim, consequentemente, apresentando um importante papel no
desenvolvimento tecnologico nacional.
119
Captulo V
Consideracao Final
120
Bibliografia
(ACARNLEY, 1990) Acarnley, P. P.; Atkinson, D. J.; Finch, J. W.; Observers for induc-
tion motor rotor current estimation. Industry Applications Society Annual Meeting, 1990.
Conference Record of the 1990 IEEE 7-12, Out. 1990. pp: 399 - 403. vol.1.
(AL-TAYE, 1997) Al-Tayie, J. K.; Acarnley, P. P.; Estimation of speed, stator temperature and
rotor temperature in cage induction motor drive using the extended Kalman filter algorithm.
Electric Power Applications, IEE Proceedings - Vol. 144, Issue 5, Set. 1997. pp: 301 - 309.
(ARAUJO, 2004) Araujo, A. V.; Freitas, R. E.; Leite, D.; A new approach for speed estimation
in induction motor drives based on a reduced-order extended Kalman filter. IEEE International
Symposium on Industrial Electronics, 2004. Vol. 2, 4-7 Maio 2004. pp: 1221 - 1226.
(ARKAN, 2001) Arkan, M.; Perovic, D.K.; Unsworth, P.; Online stator fault diagnosis in
induction motors. IEE Proceedings - Electric Power Applications. Vol. 148, Issue 6, Nov.
2001. pp: 537 - 547.
(AUCKLAND, 1995) Auckland, D. W.; Pickup, I. E. D.; Shuttleworth, R.; Wu, Y.-T.; Zhou,
C.; Novel approach to alternator field winding interturn fault detection. IEE Proceedings on
Generation, Transmission and Distribution, Vol. 142, Issue 2, Marco 1995, pp: 97 - 102.
121
Referencias Bibliograficas
(AYOUBI, 1997) Ayoubi, M.; Isermann, R.; Neuro-fuzzy systems for diagnosis. Fuzzy Sets
and Systems, Vol. 89, Issue 3, Agosto 1997, pp: 289 - 307.
(BEZDEK, 1981) Bezdek, J. C.; Pattern Recognition with Fuzzy Objective Function Algo-
ritms. Plenum Press, New York, 1981. pp: 256p.
(BLUM, 2005) Blum, C.; Socha, K.; Training feed-forward neural networks with ant colony
optimization: an application to pattern classification. International Conference on Hybrid In-
telligent Systems. Nov, 2005. pp: 6p.
(BOJE, 1990) Boje, E. S.; Balda, J. C.; Harley, R. G.; Beck, R. C.; Time-domain identification
of synchronous machine parameters from simple stand still test. IEEE Trans. Energy Convers.,
vol. 5, no. 1, pp. 164-175, Mar. 1990.
(BONNETT, 1992) Bonnett, A.H.; Soukup, G.C.; Cause and analysis of stator and rotor
failures in three-phase squirrel-cage induction motors. IEEE Transactions on Industry Appli-
cations, Vol. 28, Issue 4, Jul-Ago. 1992, pp: 921 - 937.
(BOWERS, 1995) Bowers, S. V.; Integrated Strategy for Predictive Maintenance of AC Induc-
tion Motors. Predictive Maintenance Technology National Conference. Indianapolis, Indiana,
Vol. 27, no. 6, 4-6 Dez. 1995, pp: 6-13.
(BUSTOS, 2006) Bustos, A. M.; Sellier, A. G.; Some Metaheuristic Approaches for the Clus-
tering Problem with an Application to Failure Detection. 2006 IEEE International Conference
on Information Reuse and Integration. Set. 2006, pp: 426 - 431.
(BYARS, 1982) Byars, M.; Detection of Alternator Rotor Winding Faults Using an On-Line
Magnetic Field Search Coil Monitoring Unit. 17th Universities Power Engineering Conference,
Institute of Science and Technology, University of Manchester, Mar-Abr. 1982.
(CASH, 1998) Cash, M. A.; Habetler, T. G.; Kliman, G. B.; Insulation failure prediction in
AC machines using line-neutral voltages. IEEE Transactions on Industry Applications. Vol.
34, Issue 6, Nov-Dez. 1998. pp: 1234 - 1239.
122
Referencias Bibliograficas
(CHEN, 1994) Chen, O.T.-C.; Sheu, B.J.; Optimization schemes for neural network training.
IEEE World Congress on Computational Intelligence. 1994 IEEE International Conference on
Neural Networks. Jul, 1994. Vol. 2, pp: 817 - 822.
(CHOW, 1990) Chow, Mo-Yuen; S. O. Yee. Real Time Application of Artificial Neural Net-
works for Incipient Fault Detection of Induction Machines. The Third International Confer-
ence of Industrial and Engineering Applications of Artificial Intelligence and Expert Systems,
Charleston, South Africa, 1990.
(CHOW, 1997) Chow, Mo-Yuen; Methodologies of Using Neural Network and Fuzzy Logic
Technologies for Motor Incipient Fault Detection. World Scientific, Danvers, USA. 1997. pp:
140p.
(COLLAMATI, 1996) Collamati, L.; Filippetti, F.; Franceschini, G.; Pirani, S.; Tassoni,
C.; Induction machine stator fault on-line diagnosis based on LabVIEW environment. 8th
Mediterranean Electrotechnical Conference, 1996 - MELECON 96. Vol. 1, 13-16 Mai. 1996.
pp: 495 - 498.
(CRISTALLI, 2006) Cristalli, C.; Paone, N.; Rodrguez, R. M.; Mechanical fault detection of
electric motors by laser vibrometer and accelerometer measurements. Mechanical Systems and
Signal Processing, Vol. 20, Issue 6, Ago. 2006, pp: 1350 - 1361.
(DANGELO, 2000) DAngelo, M. F. S. V.; Costa Jr., P. P.; Simulator of Faults in the Stator
Windings in Induction Machines. IV Industry Applications Conference - IEEE INDUSCON,
Nov. 2000. pp: 76 - 80.
(DING, 2000) Ding, J.; Chen, Y.; On-line diagnosis for shorted field-turns of synchronous
generator based on artificial neural networks. International Conference on Power System Tech-
nology - PowerCon 2000. Vol. 3, 4-7 Dez. 2000, pp: 1675 - 1678.
(EKEL, 1990) Ekel, P. Ya.; Popov, V. A.; Direcoes Metodologicas e Problemas para o Trabalho
de Calculos do Curso em Modelos e Metodos de Otimizacao de Sistemas de Fornecimento de
Energia Eletrica. Kiev: Instituto Politecnico de Kiev, 1990, 44 pp. (Em russo).
123
Referencias Bibliograficas
(ELMAN, 1990) Elman, J. L.; Finding structure in time. Cognitive Science, 14, pp: 179 -
211, 1990.
(FITZGERALD, 1961) Fitzgerald, A. E.; Kingsley Jr., C.; Electrical Machinery the Dynamics
and Statics of Electromechanical Energy Conversion. New York, McGraw Hill, segunda edicao,
1961. pp: 565p.
(GARCIA, 2005) Garca, B.; Burgos, J. C.; Alonso, A.; Winding deformations detection in
power transformers by tank vibrations monitoring. Electric Power Systems Research, Vol. 74,
Issue 1, Abr. 2005, pp: 129 - 138.
(GERTLER, 1998) Gertler, J. J.; Faults Detection and Diagnosis in Engineering Systems.
Marcel Dekker, Inc. New York. 1998. pp: 484p.
(GOMIDE, 1998) Gomide, F. A. C.; Pedrycz, W.; An Introduction to Fuzzy Sets: Analysis
and Design. MIT Press Complex Adaptive Systems, 1998. pp: 465p.
(GUARDADO, 2001) Guardado, J. L.; Naredo, J. L.; Moreno, P.; Fuerte, C. R.; A comparative
study of neural network efficiency in power transformers diagnosis using dissolved gas analysis.
IEEE Transactions on Power Delivery. Vol. 16, Issue 4, Out. 2001. pp: 643 - 647.
(HAYKIN, 2001) Haykin, S.; Neural Networks: a Comprehensive Foundation. 2ed. Prentice-
Hall, 1999. (Edicao em Portugues: Redes Neurais - Princpios e Pratica, Bookman, 2001).
(HSU, 1994) Hsu, S.; Stein, J.; Shaft Signals of Salient-Pole Synchronous Machines for Ec-
centricity and Shorted-Field-Coil Detections. IEEE Trans. on Energy Conversion, Vol. 9, No.
3, pp: 572 - 578, 1994.
124
Referencias Bibliograficas
(HUNG, 1994) Hung, S. L.; Adeli, H.; A Parallel Genetic/Neural Network Learning Algorithm
for MIMD Shared Memory Machines. IEEE Transactions on Neural Networks, Vol. 5, no. 6,
pp. 900 - 909, Nov 1994.
(HUNG, 2004) Hung, C.-P.; Wang, M.-H.; Diagnosis of incipient faults in power transformers
using CMAC neural network approach. Electric Power Systems Research, Vol. 71, Issue 3,
Nov. 2004, pp: 235 - 244.
(IEEE-112, 2004) IEEE Standard Test Procedure for Polyphase Induction Motors and Gener-
ators. Nov. 2004, pp: 79p.
(IWASAKI, 1989) Iwasaki, T.; Kataoka, T.; Application of an extended Kalman filter to
parameter identification of an induction motor. Conference Record of the 1989 IEEE Industry
Applications Society Annual Meeting. 1-5 Out. 1989. pp: 248 - 253.
(JANG, 1997) Jang, J. R. S.; Sun, C. T.; Mizutani, E.; Neuro-Fuzzy and Soft-Computing - A
Computational Approach to Learning and Machine Intelligence. Prentice Hall, 1997. pp: 614p.
(JENKINS, 2006) Jenkins, W. M.; Neural network weight training by mutation. Computers
& Structures, Vol. 84, Issues 31-32, Dez. 2006, Pp: 2107 - 2112.
(KALMAN, 1960) Kalman, R. E.; A new approach to linear filtering and prediction problems.
Trans. ASME - J. Basic Engr., Mar. 1960, pp: 35 - 45.
(KAMWA, 1991) Kamwa, I.; Viarouge, P.; Dickinson, E. J.; Identification of generalized
models of synchronous machine from time-domain tests. Proc. Inst. Elect. Eng., pt. C, vol.
138, no. 6, Nov. 1991, pp: 485 - 498.
(KIRKPATRICK, 1983) Kirkpatrick, S.; Gelatt, C. D.; Vecchi, M. P.; Optimization by simu-
lated annealing. Science, Vol. 220, No: 4598, 1983, pp: 671 - 680.
(KOHLER, 1992) Kohler, J. L.; Sottile, J.; Trutt, F. C.; Alternatives for assessing the electrical
integrity of induction motors. IEEE Transactions on Industry Applications. Vol. 28, Issue 5,
Set-Out. 1992, pp: 1109 - 1117.
(KOHONEN, 1990) Kohonen, T.; The self-organizing map. Proceedings of the IEEE. Vol. 78,
Issue 9, Set. 1990. pp: 1464 - 1480.
125
Referencias Bibliograficas
(KRAUSE, 1995) Krause, P.C.; Wasynczuk, O.; Sudhoff, S.D.; Analysis of Electric Machin-
ery. New York: IEEE Press, NJ:1995. pp: 133 - 159.
(KUNZI, 1962) Kunzi, H. P.; Krelle, von W.; Nichtlineare Programmierung. Berlin - Springer-
Verlag, 1962.
(LEE, 1988) Lee, L. X.; Wilson, W. J.; Synchronous machine parameter identification: A time
domain approach. IEEE Trans. on Energy Conversion. Vol. 3, no. 2, Jun. 1988. pp: 241-248.
(LEE, 2001) Lee, S.-B.; Tallam, R. M.; Habetler, T. G.; A robust, on-line turn-fault detection
technique for induction machines based on monitoring the sequence component impedance ma-
trix. Power Electronics Specialists Conference, 2001. PESC. 2001 IEEE 32nd Annual Vol. 4,
17-21 Jun. 2001. pp: 2217 - 2223.
(LEE, 2003) Lee, S.-B.; Tallam, R. M.; Habetler, T. G.; A robust, on-line turn-fault detec-
tion technique for induction machines based on monitoring the sequence component impedance
matrix. IEEE Transactions on Power Electronics. Vol. 18, Issue 3, Mai. 2003. pp: 865 - 872.
(LEITE, 2007a) Leite, D. F.; Araujo M. V.; Secco, L. A.; Costa Jr., P. P.; Induction Motors
Modeling and Fuzzy Logic Based Turn-To-Turn Fault Detection and Localization. IEEE Inter-
national Conference on Power Engineering, Energy and Electrical Drives, Abr. 2007. pp:91-96.
(LEITE, 2007b) Leite, D. F.; Peixoto, Z. M. A; Ekel, P. Ya.; Costa Jr., P. P.; Extended Kalman
Filter Applied to Induction Motors Parameters Estimation Aiming at Faults Diagnosis. 2008.
Nao publicado.
(LEITE, 2007c) Leite, D. F.; Hell, M. B.; Gariglio, B. S. L.; Nascimento, O. L.; Costa Jr.,
P. P.; Real-Time Model-Based Fault Detection and Diagnosis for Alternators and Induction
Motors. IEEE International Electric Machines and Drives Conference, IEMDC, Mai. 2007.
Vol. 1, pp: 202-207.
(LEITE, 2007d) Leite, D. F.; Evolutionary Neural Network Applied to Induction Motors Stator
Windings Faults Detection. 2008. Nao publicado.
(LOUKIL, 1996) Loukil, I.; Gossa, M.; Chaari, A.; Jemli, M.; Jarray, K.; Boussak, M.; In-
duction machine parameters and state estimation using Kalman filter approach. 8th Mediter-
ranean Electrotechnical Conference, 1996. MELECON 96. Vol. 1, 13-16 Mai. 1996. pp:265-268.
126
Referencias Bibliograficas
(MACQUEEN, 1967) MacQueen, J. B.; Some Methods for classification and Analysis of Mul-
tivariate Observations. Proceedings of 5-th Berkeley Symposium on Mathematical Statistics
and Probability, Berkeley, University of California Press, Vol. 1, pp: 281 - 297, 1967.
(MEDEIROS, 2006) Medeiros, L. F.; Redes Neurais em Delphi. Visual Books, Florianopolis,
SC, segunda edicao, 2006. pp: 75 - 120.
(MENDES, 2002) Mendes, R.; Cortez, P.; Rocha, M.; Neves, J.; Particle swarms for feed-
forward neural network training. Proceedings of the 2002 International Joint Conference on
Neural Networks - IJCNN. Vol. 2, Mai. 2002. Pp: 1895 - 1899.
(MUHLHAUS, 1985) Muhlhaus, J.; Ward, D. M.; Lodge, I.; The Detection of Shorted Turns
in Alternator Rotor Windings by Measurement of Circulating Stator Currents. IEE Conference
Publication, 254, pp: 100 - 103, 1985.
(NANDI, 2005) Nandi, S.; Toliyat, A.; Condition Monitoring and Fault Diagnosis of Electrical
Motors - A Review. IEEE Transaction on Energy Conversion, vol. 20, no. 4, pp: 719-729, 2005.
(NASAR, 1979) Nasar, S. A.; Unnewehr, L. E.; Electomechanics and Electric Machines.
Segunda edicao, John Wiley & Sons, New York, 1979. pp: 480p.
(NASCIMENTO JR., 2000) Nascimento Jr., C. L.; Yoneyama, T.; Inteligencia Artificial em
Controle e Automacao. Edgard Blucher Press, primeira edicao, 2000. pp: 68 - 91.
(NETI, 2006) Neti, P.; Nandi, S.; Stator Inter-turn Fault Detection of Synchronous Machines
Using Field Current Signature Analysis. The 2006 IEEE Industry Applications Conference -
Forty-First IAS Annual Meeting. Vol. 5, Out. 2006. pp: 2360 - 2367.
127
Referencias Bibliograficas
(NINO, 2006) Nino, C. E.; Velez-Reyes, M.; Dealing with Ill Conditioning in Recursive Param-
eter Estimation for a Synchronous Generator. IEEE 32nd Annual Conference on Industrial
Electronics, IECON 2006. Nov. 2006. pp: 1089 - 1094.
(PAILETTI, 1989) Pailetti, G. J.; A. Rose; Improving Existing Motor Protection for Medium
Voltage Motors. IEEE Transaction on Industry Applications, vol. 25, no. 3, pp: 456 - 464,
1989.
(PENMAN, 1994) Penman, J.; Sedding, H.G.; Lloyd, B.A.; Fink, W.T.; Detection and location
of interturn short circuits in the stator windings of operating motors. IEEE Transactions on
Energy Conversion, Vol. 9, Issue 4, Dez. 1994. pp: 652 - 658.
(POYHONEN, 2004) Poyhonen, S.; Jover, P.; Hyotyniemi, H.; Signal processing of vibrations
for condition monitoring of an induction motor. First International Symposium on Control,
Communications and Signal Processing, 2004. pp: 499 - 502.
(RAHMAN, 2005) Rahman, K. M.; Hiti, S.; Identification of machine parameters of a syn-
chronous motor. IEEE Transactions on Industry Applications. Vol. 41, Issue 2, Mar-Abr. 2005.
pp: 557 - 565.
(RAO, 1996) Rao, S.; Engineering Optimization. Wiley, New York, 1996.
(REN, 2006) Ren, T.-J.; Chen,T.-C.; Robust speed-controlled induction motor drive based on
recurrent neural network. Electric Power Systems Research, Vol. 76, Issue 12, Ago. 2006, pp:
1064 - 1074.
(RUMELHART, 1986) Rumelhart, D. E.; Hinton, G. E.; Williams, R. J.; Learning repre-
sentations by back-propagating errors. Parallel Distributed Processing: Explorations in the
Microstructure of Cognition. Vol. 1: Foundations. pp: 318 - 362 (MIT, Cambridge, 1986).
(SAID, 2000) Said, M. S. N.; Benbouzid, M. E. H.; Benchaib, A.; Detection of broken bars in
induction motors using an extended Kalman filter for rotor resistance sensorless estimation.
IEEE Transactions on Energy Conversion. Vol. 15, Issue 1, Mar. 2000. pp: 66 - 70.
(SEXTON, 2000) Sexton, R. S.; Gupta, J. N. D.; Comparative evaluation of genetic algorithm
and backpropagation for training neural networks. Information Sciences, Vol. 129, Issues 1-4,
Nov. 2000. Pp: 45 - 59.
128
Referencias Bibliograficas
(SHAKOURI, 2005) Shakouri, H.; Malik, O. P.; Estimation of synchronous generator parame-
ters using an adaptive parameter estimator. IEEE Power Engineering Society General Meeting,
2005. Vol. 3. Jun. 2005. pp: 2253 - 2258.
(SHI, 2000) Shi, K. L.; Chan, T. F.; Wong, Y. K.; Ho, S. L.; Speed estimation of an induction
motor drive using extended Kalman filter. IEEE Power Engineering Society Winter Meeting,
2000. Vol. 1, 23-27 Jan. 2000. pp: 243 - 248.
(SIETSMA, 1998) Sietsma, J.; R. J. F. Dow. Neural Net Pruning - Why and How. ICNN,
1998.
(SINGH, 2003) Singh, G. K.; Al Kazzaz, S. A. S.; Induction machine drive condition moni-
toring and diagnostic research, a survey. Electric Power Systems Research, Vol. 64, Issue 2,
Fev. 2003, pp: 145 - 158.
(SMITH, 1990) Smith, J.R., Response Analysis of A.C. Electrical Machines: Computer Models
and Simulations. Research Studies Press, NJ, pp: 239p, 1990.
(SOTTILE, 1993) Sottile, J., Jr.; Kohler, J. L.; An on-line method to detect incipient failure
of turn insulation in random-wound motors. IEEE Transactions on Energy Conversion. Vol.
8, Issue 4, Dez. 1993, pp: 762 - 768.
(SOTTILE, 2006) Sottile, J.; Trutt, F.C.; Leedy, A.W.; Condition Monitoring of Brushless
Three-Phase Synchronous Generators with Stator Winding or Rotor Circuit Deterioration.
IEEE Transactions on Industry Applications. Vol. 42, Issue 5, Set-Out. 2006. pp: 1209 - 1215.
(STD, 1983) Standard Procedure for Obtaining Synchronous Machine Parameters by SSFR
Testing. IEEE Standards, 115A - 1983. pp: 30p.
(STREIFEL, 1996) Streifel, J.; Marks II, R. J.; El-Sharkawi, M. A.; Kerszenbaum, I.; Detection
of Shorted-Turns in the Field Winding of Turbine-Generator Rotors Using Novelty Detectors -
Development and Field Test. IEEE Transactions on Energy Conversion, Vol. 11, No. 2, 1996.
pp: 312 - 317.
129
Referencias Bibliograficas
(STUMBERGER, 2003) Stumberger, G.; Stumberger, B.; Dolinar, D.; Evaluation of satu-
ration and cross magnetization effects in interior permanent magnet synchronous machine.
IEEE Transactions on Industry Applications. Vol. 39, no. 5, Set-Out. 2003. pp: 1264 - 1271.
(TAKAGI, 1985) Takagi, T.; Sugeno, M.; Fuzzy Identification of Systems and its applications
to modeling and control. IEEE Transactions On System, Man and Cybernetics, 1985. SMC -
Vol. 15(1), pp: 116 - 132.
(TALLAM, 2002) Tallam, R. M.; Habetler, T. G.; Harley, R. G.; Transient model for induction
machines with stator winding turn faults. IEEE Transactions on Industry Applications. Vol.
38, Issue 3, Mai-Jun. 2002. pp: 632 - 637.
(TALLAM, 2003) Tallam, R. M.; Lee, S. B.; Stone, G.; Kliman, G. B.; Yoo, J.; Habetler,
T. G.; Harley, R. G.; A survey of methods for detection of stator related faults in induction
machines. 4th IEEE International Symposium on Diagnostics for Electric Machines, Power
Electronics and Drives, SDEMPED 2003. 24-26 Ago. 2003. pp: 35 - 46.
(TORRES, 1995) Torres, B. M. A.; Verde, C.; Real time parameters estimation of an induc-
tion motor. Power Electronics Congress, 1995. Technical Proceedings. CIEP 95., IV IEEE
International 16-19 Out. 1995. pp: 29 - 32.
(VAN DER HORN, 1995) Van der Horn, G.; Woyshner, W.; Electric Motor Predictive Mainte-
nance - A Comprehensive Approach. Predictive Maintenance Technology National Conference.
Indianapolis, Indiana, 4-6 Dez. 1995.
(VAS, 1993) Vas, P.; Parameter Estimation, Condition Monitoring, and Diagnosis of Electical
Machines. Clarendon Press - Oxford, 1993. pp: 180 - 184.
130
Referencias Bibliograficas
(XIN, 1998) Xin Yao; Yong Liu; Towards designing artificial neural networks by evolution.
Applied Mathematics and Computation, Vol. 91, Issue 1, Abril 1998. Pp: 83 - 90.
(YONG-GANG, 2002) Yong-Gang, L.; He-ming, L.; Feng, Z.; Wei, Z.; A new method of
blocking fault diagnosis on stator winding based on ANN. International Conference on Power
System Technology, 2002 - PowerCon 2002. Vol. 2, Out. 2002. pp: 740 - 744.
(WAMKEUE, 1999) Wamkeue, R.; Kamwa, I.; Dai-Do, X.; Keyhani, A.; Iteratively reweighted
least squares for maximum likelihood identification of synchronous machine parameters from
on-line tests. IEEE Transactions on Energy Conversion. Vol. 14, Issue 2, Jun. 1999. pp: 159 -
166.
(WHITE, 1998) White, T.; Pagurek, B.; Towards Multi-Swarm Problem Solving in Networks.
Proceedings of the 3rd International Conference on Multi-Agent Systems, 1998 - ICMAS 98.
pp: 333 - 340.
(WITOLD, 1998) Witold, P.; Computational Intelligence - An Introduction. CRC Press, Boca
Raton, New York, 1998. 284p.
(ZADEH, 1965) Zadeh, L. A.; Fuzzy sets. Information and control, vol. 8, pp: 338 - 353, 1965.
(ZIDANI, 2003) Zidani, F.; Benbouzid, M. E. H.; Diallo, D.; Nait-Said, M. S.; Induction
motor stator faults diagnosis by a current Concordia pattern-based fuzzy decision system. IEEE
Transactions on Energy Conversion. Vol. 18, Issue 4, pp: 469 - 475. Dez, 2003.
131