Você está na página 1de 10

Universidade Federal do Maranhão - UFMA

Programa de Pós-Graduação em Engenharia de Eletricidade - PPGEE

Anteprojeto

Detecção de Falhas em Máquinas Elétricas Rotativas Através da Análise de Vibração e


Redes Neurais Artificiais Profundas

por

Érico Fernando da Costa Vale

São Luís
2020
Érico Fernando da Costa Vale

Detecção de Falhas em Máquinas Elétricas Rotativas Através da Análise de Vibração e


Redes Neurais Artificiais Profundas

Anteprojeto de pesquisa para dissertação de mestrado


submetida ao Programa de Pós- Graduação em
Engenharia de Eletricidade da Universidade Federal do
Maranhão.

São Luís
2020
RESUMO

Este anteprojeto de mestrado tem como objetivo apresentar um projeto de pesquisa preliminar que
através redes neurais profundas treinadas a partir de sinais vibracionais simulados seja possível a
detecção de falhas em máquinas elétricas rotativas. A metodologia adotada no trabalho foi a
obtenção de modelos matemáticos, que permitam simular falhas elétricas além da condição
normal de funcionamento através da simulação computacional dos modelos e o desenvolvimento
de estratégias de detecção e diagnóstico dessas falhas. Justifica-se este estudo tanto do ponto de
vista prático quanto do ponto de vista teórico. Do ponto de vista prático, o monitoramento preditivo
permite detectar a falha o mais cedo possível, estabelecer parâmetros de funcionamento seguro
da máquina, detectar falhas de forma não invasiva, evitar a parada de máquinas e diminuir o
número de manutenções corretivas. Do ponto de vista teórico, esse estudo visa comprovar os
padrões de falhas em máquinas elétricas rotativas.
Palavras-chaves: Manutenção preditiva. Processamento digital. Redes Neurais Artificiais
Profundas. Máquinas elétricas rotativas.
ABSTRACT

This preliminary project aims to present a preliminary research project that through deep neural
networks trained from simulated vibrating signals, it is possible to detect failures in rotating
electrical machines. A methodology adopted in the work was used for mathematical models, which
allow simulations of electrical damage beyond the normal operating condition, through the
computational simulation of the models and the development of detection and diagnostic strategies
caused. This study is justified both from a practical and a theoretical point of view. From a practical
point of view, predictive monitoring allows you to detect a failure or, as soon as possible, the
parameters of safe operation of the machine, failures in a non-invasive way, avoid a stoppage of
machines and reduce the number of corrective maintenances. From a theoretical point of view, this
study aims to prove the failure patterns in rotating electrical machines.
Key-words: Predictive maintenance. Digital processing. Hybrid system. Induction machines.
Sumário

Anteprojeto de Mestrado.................................................................................................6
1.1 Introdução.......................................................................................................6
1.2 Justificativa......................................................................................................8
1.3 Objetivos.........................................................................................................8
1.3.1 Objetivo Geral......................................................................................8
1.3.2 Objetivos Específicos..........................................................................8
1.4 Metodologia……………………………………………………………………......9
1.5 Etapas.............................................................................................................9

Referências…………………………………………………………………………………………10
1. Anteprojeto de Mestrado

1.1 Introdução

Cada vez mais a organizações buscam a excelência no seu processo de manutenção.


Essa busca tem levado à aplicação de novas ferramentas de gestão e ao aprimoramento de
técnicas que proporcionam a otimização da manutenção. Entre essas técnicas pode-se citar a
manuteção preditiva. A manutenção preditiva surgiu em meados da década de setenta trazendo
uma nova maneira de acompanhamento do ativo, antes esse processo era invasivo e necessitava
da parada do equipamento, como por exemplo a manutenção corretiva e preventiva. MULLER[1]
destaca que até os anos 60 era prática comum continuar utilizando os equipamentos até os
mesmos apresentarem sérios problemas de desempenho ou até mesmo quebrarem, destaca
ainda que tal abordagem conduziu a muitas falhas catastróficas, o que na maioria das vezes foi
substituída por manutenções nos equipamentos críticos em datas planejadas. Tal método de
manutenção, que muitas vezes é utilizado nos processos industriais, tem efetivamente minimizado
falhas graves. Contudo sua maior limitação é que uma manutenção fixa programada pode às
vezes resultar em custosas inspeções frequentes. Essas inspeções são chamadas de
manutenção preventiva. Conforme TAVARES[2] Manutenção Preventiva é aquela que se conduz
em intervalos pré-determinados com o objetivo de reduzir a possibilidade de o equipamento
chegar em uma condição abaixo do nível requerido de aceitação. Esta manutenção pode tomar
por base intervalos de tempo pré-determinados ou condições preestabelecidas de funcionamento,
podendo ainda requerer que, para sua execução o equipamento seja retirado de operação. Já
com a metodologia preditiva foi possível a detecção de falhas com antecedência, evitando
paradas indesejadas, já que ela faz um acompanhamento em tempo real, baseada nos resultados
de monitoramento on-line. Os principais métodos utilizados para máquinas elétricas rotativas
são: ultrassom, vibração, assinatura elétrica (ESA), termografia, infravermelho, entre outras[3].
Essas técnicas têm como objetivo mitigar problemas, aumentando a disponibilidade dos
equipamentos. Além disso, este tipo de método pode ser um ótimo aliado no aumento da
confiabilidade operacional dos ativos, na tomada de decisões que envolvam a redução de custos
e aumento de produtividade.

A aplicação do monitoramento preditivo para máquinas rotativas elétricas, proporcionou


grande ganho para a indústria. Visto que mais de 90% das máquinas utilizadas nos processos
industriais, devido a sua robustez, versatilidade e eficiência[4]. As indústrias continuam a procura
de métodos de identificação e predição de falhas em equipamentos.

Um dos métodos bem comuns na indústria é a análise do sinal de corrente de uma das
fases do motor, conhecida como Motor Current Signature Analysis (MCSA)[5].
Um dos problemas dessa técnica era que, até o presente momento, quando se falava em
MCSA logo se associava ao diagnóstico de barras quebradas e excentricidade do air gap. A
localização de problemas puramente mecânicos através do espectro de corrente ficava sempre
em segundo plano, principalmente o diagnóstico de problemas na carga acoplada. Tal fato limitava
a aplicação de MCSA no meio industrial.
Outra técnica é a análise de vibrações que é uma técnica de manutenção preditiva
consolidada no meio industrial e que apresenta bons resultados. Contudo, algumas características
inerentes a própria técnica clamaram pelo aparecimento de técnicas preditivas que pudessem
complementar o potencial de detecção de falhas da análise de vibração dando força para
aplicação de métodos inteligentes baseados em redes neurais. Apesar do êxito do uso de redes
neurais convencionais, para se obter ainda mais versatilidade e melhor performance, novas e mais
complexas técnicas de aprendizado profundo ganharam força nos projetos de pesquisa.
Em 2006, Hinton[7] propôs a teoria do aprendizado profundo. O aprendizado profundo é
projetado para simular o processo de aprendizado do cérebro, combinado com um grande número
de dados de treinamento para estudar as características dos dados. As redes neurais de
aprendizado profundo podem não apenas extrair recursos, mas também reconhecer estados
diferentes.
Seguindo essa tendência, esse trabalho através de uma metodologia de aprendizado
profundo ou deep learning proporá um modelo de detecção de falhas em máquinas rotativas que
vise otimizar a utilização dos mesmos, com diagnósticos mais rápidos e precisos.
1.2 Justificativa

A atividade de manutenção, atualmente, passou a ser parte da visão estratégica das


organizações, e mais especificamente, a manutenção preditiva tem papel fundamental nos
objetivos estratégicos organizacionais. Cada vez mais as organizações estão implantando a
manutenção preditiva por ter maior eficiência e eficácia que a manutenção corretiva e preventiva,
como já exposto, o monitoramento preditivo tem recebido muita atenção através do avanço de
sensores e sistemas coletores, além da redução dos custos.
Somado a isso, o significativo avanço nas técnicas e metodologias de análise através de
redes neurais profundas permitiram aumentar o leque de falhas detectáveis, a redução do tempo
para detectá-las e maior precisão na detecção. A maioria dos métodos de detecção de falhas
usam poucas características do sinal original, com isso podem deixar passar várias falhas
despercebidas, esse trabalho pretende usar uma transformação no domínio da frequência do
tempo do sinal original que pode conter a maioria das informações dos sinais de vibração, assim
aumentando o espectro de falhas[8]. Então, esse estudo justifica-se na condição de aliado das
empresas para alcançar os objetivos estratégicos organizacionais.

Objetivos

Objetivo Geral

O objetivo principal deste projeto é implantar, através de um sistema de redes neurais


artificiais de aprendizado profundo, o diagnóstico preditivo de falhas em máquinas elétricas
rotativas, diminuindo a frequência de paradas não programadas e aumentando a confiabilidade
operacional.

Objetivos Específicos

Com a finalidade de alcançar o objetivo geral, os seguintes objetivos específicos são


estabelecidos como parte da pesquisa:

1) Estabelecer modelos matemáticos de máquinas rotativas;

2) Estabelecer padrões de falhas em máquinas rotativas;


3) Obter os sinais de falhas no domínio da frequência;

4) Analisar a transformada Contínua de Wavelet no pré-processamento do sinal das


correntes elétricas;

5) Estabelecer a melhor topologia de uma rede neural artificial profunda para diagnósticos
de falhas;

6)Validar e analisar dos resultados.

Metodologia

1.4.1 Formulação do Problema

1.4 Etapas
Para o desenvolvimento da pesquisa apresentada neste anteprojeto, pretende-se
realizar as seguintes etapas:

1) Revisão bibliográfica: será realizado um levantamento bibliográfico sobre as topologias de


redes neurais profundas;

2) Delimitação das amostras: após a aquisição dos dados será realizada a aplicação das
variáveis estatísticas e normalização dos dados;
3) Separação dos conjuntos e Treinamento: serão retiradas amostras para validação da
rede e outras para treinamento;
4) Proposta de uma rede neural de aprendizado profundo: ao final será proposta uma rede
neural profunda;

5) Publicação de artigos: O método proposto será publicado em congressos (nacio- nais e


internacionais);

6) Proposta da dissertação: Nesta etapa, a proposta da dissertação e sua apresentação será


apresentada;

7) Exame de qualificação: Nesta etapa, a qualificação da proposta da dissertação será


examinada por uma banca definida pela coordenação do programa;

8) Redigir a dissertação: nesta etapa, a dissertação será escrita;

9) Defesa da dissertação.
Referências

[1] http://ptshvoong.com/social- sciences/1700280 manuten


%C3%A7%C3%A3opreventivamanuten%C3%

% A3opreventivamanuten%C3%A7%C3%A3o-preditiva/;

[2] ALMEIDA, M.T.(a) Manutenção preditiva: Confiabilidade e qualidade. Artigo tirado da internet.
www.mtaev.com.br/download/mnt1.pdf - Escola Federal de Engenharia de Itajubá. Visitado em
15/12/17.

[3] ANHESINE,M.,W., (1999). Uma abordagem sistêmica para diagnósticos em manutenção


industrial. Tese de doutorado, apresentado à Escola de Engenharia de São Carlos-USP, São
Carlos.

[4] HANITSCH, R., 2002, “Energy Efficient electric Motors,” in Proc. RIO 02 World Climate &
Energy Event, pp 6-11. Rio de Janeiro.

[5] Bonaldi, E. L.: “Manutenção Preditiva em Motores de Indução Trifásicos através do Espectro
de Corrente do Estator”, Dissertação de Mestrado, Escola Federal de Engenharia de Itajubá,
2002.

[6] Marcio T.Almeida e Ricardo D. Góz. “Análise de Vibrações”. Itajubá, FUPAI 2000.

[7] S. Sabour, N. Frosst, and G. E. Hinton, “Dynamic routing betweencapsules,” in Proc. Adv.
Neural Inf. Process. Syst., 2017, pp. 3859–3869.

[8] Zhang, Y.; Huang, S.; Hou, J.; Shen, T.; Liu, W. Continuous wavelet grey moment approach for
vibration analysis of rotating machinery. Mech. Syst. Signal Process. 2006, 20, 1202–1220.

Você também pode gostar