Escolar Documentos
Profissional Documentos
Cultura Documentos
DISSERTAÇÃO
CORNÉLIO PROCÓPIO
2021
RUHAN PONTES POLICARPO DE SOUZA
CORNÉLIO PROCÓPIO
2021
Prof Emerson Ravazzi Pires Da Silva, Doutorado - Universidade Tecnológica Federal do Paraná
Prof Marcelo Carvalho Minhoto Teixeira, Doutorado - Universidade Estadual Paulista - Unesp
Documento gerado pelo Sistema Acadêmico da UTFPR a partir dos dados da Ata de Defesa em 19/02/2021.
Dedico este trabalho aos meus pais, pelo amor, carinho e incentivo.
AGRADECIMENTOS
Agradeço, primeiramente, a Deus, por me dar o dom da vida, saúde, paz e sabedoria,
iluminando meu caminho, guiando-me e zelando-me, e à Virgem Maria, por me proteger e
abençoar-me todos os dias.
Aos meus pais, Elson Policarpo de Souza e Maria Teresa de Pontes Ormeneze, por
me darem amor, carinho, incentivo, apoio imensurável, e oportunidade de estudo, não
medindo esforços para me proporcionarem uma vida melhor.
Agradeço aos amigos que o mestrado me proporcionou e, com os quais, dividi bons
momentos de alegria, felicidade, conversas, e principalmente aprendizado e companheirismo.
Agradeço também pelos demais amigos que a UTFPR me proporcionou, e que se tornaram
para mim, nada menos que uma família.
Agradeço também ao professor Dr. Cristiano Agulhari pela grande orientação, ensi-
namentos e conselhos, os quais contribuíram grandemente para minha formação pessoal
e profissional. Agradeço também ao professor Dr. Alessandro Goedtel, pela colabora-
ção e contribuição para o desenvolvimento deste trabalho, bem como os ensinamentos
proporcionados.
Agradeço a todos meus mestres e professores, os quais contribuíram para minha
formação, bem como a UTFPR, campus Cornélio Procópio, e a CAPES, por toda estrutura
e ajuda de custo disponibilizada para o desenvolvimento deste trabalho.
Por fim, agradeço a todos que, neste período, tive a oportunidade de conhecer e
conviver, a cada um que me fez pensar e aprender mais um pouco sobre a vida e sobre
este pequeno mundo.
“Somos una especie en viaje,
no tenemos pertenencias, sino equipaje.’
(Jorge Drexler)
RESUMO
SOUZA, Ruhan Pontes Policarpo de. Parametric Estimation Method via Robust
Filtering Applied to Three-Phase Induction Motor. 101p. Dissertação - Programa
de Pós-graduação em Engenharia Elétrica, Universidade Técnológica Federal do Paraná.
Cornélio Procópio, 2021.
The study and development of a parametric estimator applied to the three-phase induction
motor is presented in this work. Using an adaptive estimation methodology, based on the
motor’s states and outputs, a filtering technique obtained via LMIs — with guaranteed H∞
norm to assure the robustness — is applied to obtain the required informations, being the
method robust to parametric uncertainties and disturbances. In this way, a short circuit
failure estimator is proposed, using a new model in a state space representation with a
pseudo-parameter proportional to the failure severity, which is intended to be estimated. A
feasibility analysis is exposed, addressing the influence of the parameterization conditions
on the performance and the synthesis of the filters. Its also presented the development of
the proposed method, computational simulations and the validation with experimental
data, which were obtained in laboratory tests, considering different failure, load torque
and voltage supply conditions. The method demonstrated feasible to state estimation and
short-circuit fault identification, proving to be viable for qualitative fault estimation.
CC Corrente Contínua
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.1 Justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.1 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4 Organização do trabalho . . . . . . . . . . . . . . . . . . . . . . . . 15
7 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.1 Perspectivas para trabalhos futuros . . . . . . . . . . . . . . . . . 95
7.2 Publicações relacionadas ao trabalho . . . . . . . . . . . . . . . . . 95
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
12
1 INTRODUÇÃO
1.1 JUSTIFICATIVA
1.2 OBJETIVO
1.3 METODOLOGIA
Este documento é dividido em mais seis capítulos, além desta introdução, que são:
• Capítulo 2 — Apresenta o filtro robusto LPV, suas condições de síntese, bem como
o processo de estimação paramétrica adaptativa a ser utilizado neste trabalho;
2.1 DEFINIÇÃO
i=1
em que Mi é conhecida, contendo a dinâmica relativa à Θi . Por sua vez, o vetor Θ(t) é
limitado, possuindo limitantes que satisfazem as condições apresentadas na Equação (3).
Sem prejuízo, sua dependência temporal será omitida em sua notação, como se segue:
i=1
em que xf (t) ∈ Rnf é o vetor de estados do filtro e zf (t) ∈ Rnz é o vetor da saída estimada
do filtro. As respectivas matrizes deste sistema possuem dimensões adequadas.
Considerando o acoplamento realizado pelo filtro proposto, pode-se aplicar a
substituição de y(t) da Equação (6) pelas saídas disponíveis na Equação (1). Desta forma,
tem-se:
ẋf (t) = Af xf (t) + Bf u u(t) + Bf y Cy (α)x(t) + Bf y Dyu (α)u(t) + Bf y Dyw (α)w(t),
(7)
zf (t) = Cf xf (t) + Df u u(t) + Df y Cy (α)x(t) + Df y Dyu (α)u(t) + Df y Dyw (α)w(t).
Para este filtro, o erro de estimação é dado por e(t) = z(t) − zf (t). Realizando a
representação em função do multi-simplex, tal que a conversão M (Θ) → M (α) seja válida,
e definindo um conjunto de estados expandidos x̃(t), tal que:
x(t)
x̃(t) = , (8)
xf (t)
tem-se o seguinte sistema LPV que define a dinâmica do acoplamento do filtro:
˙
x̃(t) = Ã(α)x̃(t) + B̃u (α)u(t) + B̃w (α)w(t),
(9)
e(t) = C̃(α)x̃(t) + D̃u (α)u(t) + D̃w (α)w(t),
ke(t)k
kHew (s, Θ)k = max . (11)
w(t)∈L2 kw(t)k
Dessa forma, um filtro com saída robusta a ação da entrada exógena w(t), com
custo garantido pela norma H∞ , pode ser obtido por meio da utilização dos Teoremas 1 e
2, a seguir. Tais teoremas se diferenciam pela restrição imposta às variáveis do sistema
por uma constante β, permitindo a obtenção de soluções diversas, as quais devem ser
avaliadas dados os requisitos do projeto. Nos teoremas seguintes, o símbolo “?” substitui
blocos simétricos, tais que aij = aji .
Q + YF + F T Y T < 0, (12)
τ β 2 In + Ṗ11 (α) Ṗ12 (α) P11 (α) P12 (α) CzT (α) − CyT (α)DfTy
? Ṗ22 (α) P12 (α)T P22 (α) −CfT
? ? 0n 0n 0n×nz
Q=
? ? ? 0n 0n×nz
? ? ? ? −Inz
? ? ? ? ?
? ? ? ? ?
(13)
0n×nw 0n×nu
0n×nw 0n×nu
0n×nw 0n×nu
0n×nw 0n×nu ,
Dzw (α) − Df y Dyw (α) Dzu (α) − Df u − Df y Dyu (α)
−γ 2 Inw 0nw ×nu
? −τ Inu
K (α) λ1 In
11
K21 (α) λ2 In
G11 (α) λ3 In
Y=
G21 (α) λ4 In ,
(14)
Q11 (α) 0nz ×n
F11 (α) 0nw ×n
R11 (α) 0nu ×n
e
A(α) 0n −In 0n 0n×nz Bw (α) Bu (α)
F = , (15)
M2 Cy (α) M1 0n −K̂ 0n×nz M2 Dyw (α) M2 Dyu (α) + M3
Prova 1 Seja um sistema aumentado representado pela Equação (9), em que se satisfaça
as seguintes condições:
||e(t)||22 ||u(t)||22
2
2
6γ , 2
6 β 2, (16)
||w(t)||2 ||x(t)||2
eT (t)e(t) − γ 2 wT (t)w(t) 6 0,
(17)
uT (t)u(t) − β 2 xT (t)x(t) 6 0.
Define-se uma função de Lyapunov V (x̃(t)) = x̃T (t)P (α)x̃(t), com P (α) > 0,
restrita a:
As condições representadas nas Equações (17) e (18) podem ser agrupadas aplicando
a técnica conhecida como S-Procedure (BOYD et al., 1994), e reescritas como:
Da Equação (9), sabe-se que x̃˙ = Ãx̃ + B̃u u + B̃w w. Portanto, substituindo-a na
Equação (20), tem-se:
V̇ (x̃) = x̃T ÃT P x̃ + uT B̃uT P x̃ + wT B̃wT P x̃ + x̃T P Ãx̃ + x̃T P B̃u u + x̃T P B̃w w + x̃T Ṗ x̃,
(21)
T
x̃
ÃT P + P Ã + Ṗ P B̃u P B̃w x̃
V̇ (x̃) = u B̃uT P 0 0 u . (22)
w T
B̃w P 0 0 w
Etapa II: Da Equação (9), sabe-se que e = C̃z x̃ + D̃u u + D̃w w, logo:
23
eT e =x̃T C̃zT C̃z x̃ + x̃T C̃zT D̃u u + x̃T C̃zT D̃w w + uT D̃uT C̃z x̃ + uT D̃uT D̃u u+
(24)
uT D̃uT D̃w w + wT D̃wT C̃z x̃ + wT D̃wT D̃u u + wT D̃wT D̃w w,
T
x̃
C̃ T C̃ C̃zT D̃u C̃zT D̃w x̃
z z
e e = u
T
(25)
T
D̃u C̃z D̃uT D̃u D̃uT D̃w u .
w D̃wT C̃z D̃wT D̃u D̃wT D̃w w
T
x̃
τ β 2I 0 0 x̃
−γ w (t)w(t) − τ u (t)u(t) + τ β x (t)x(t) = u
2 T T 2 T
0
−τ I 0 u .
(26)
w 0 0 −γ 2 I w
Somando os resultados obtidos nas Etapas I, II, e III, tem-se que a Equação (19)
pode ser expressa como a seguinte LMI:
ÃT P + P Ã + Ṗ + C̃zT C̃z + τ β 2 I C̃zT D̃u + P B̃u C̃zT D̃w + P B̃w
? D̃uT D̃u − τ I D̃uT D̃w < 0. (27)
T 2
? ? D̃w D̃w − γ I
ÃT P + P Ã + Ṗ + τ β 2 I P B̃w P B̃u C̃zT h i h i
0 + D̃w I C̃z D̃w D̃u < 0, (28)
2 T
? −γ I
? ? −τ I D̃uT
seguida, realiza-se mais uma troca: entre elementos da terceira e quarta linha e coluna,
respectivamente:
à P + P à + Ṗ + τ β I
T 2
C̃zT
P B̃w P B̃u
? −I D̃w D̃u
< 0. (29)
? ? −γ 2 I 0
? ? ? −τ I
Ṗ + τ β 2 I P 0 0 0
I 0 0 0
? 0 0 0 0 Ã 0 B̃w B̃u
Q= ? ? −I D̃ D̃ e B⊥ = 0 I 0 0 . (30)
w u
? ? ? −γ 2
I 0 0 0 I 0
? ? ? ? τI 0 0 0 I
Determinando:
T
ÃT K
−I G
BT = 0 e Y = Q , (31)
T
B̃w F
B̃uT R
K11 (α) λ1 K̂ G11 (α) λ3 K̂
K= ,G= ,
K21 (α) λ2 K̂ G21 (α) λ4 K̂ (32)
h i h i h i
Q = Q11 (α) 0 , F = F11 (α) 0 , R = R11 (α) 0 .
K (α)
11
λ1 K̂
K21 (α) λ2 K̂
G11 (α) λ3 K̂
Y=
G11 (α) λ4 K̂
. (33)
Q11 (α) 0
F11 (α) 0
R11 (α) 0
||w(t)||22
6 β2 (34)
||u(t)||22
Q + YF + F T Y T < 0, (35)
0
n
0n P11 (α) P12 (α) CzT (α) − CyT (α)DfTy
? 0n P12 (α)T P22 (α) −CfT
? ? 0n 0n 0n×nz
Q = ? ? ? 0n 0n×nz
? ? ? ? −Inz
? ? ? ? ?
? ? ? ? ?
(36)
0n×nw 0n×nu
0n×nw 0n×nu
0n×nw 0n×nu
0n×nw 0n×nu ,
Dzw (α) − Df y Dyw (α) Dzu (α) − Df u − Df y Dyu (α)
−(γ 2 + τ )Inw 0nw ×nu
2
? τ β Inu
K (α) λ1 In
11
K21 (α) λ2 In
G11 (α) λ3 In
Y=
G21 (α) λ4 In ,
(37)
Q11 (α) 0nz ×n
F11 (α) 0nw ×n
R11 (α) 0nu ×n
e
A(α) 0n −In 0n 0n×nz Bw (α) Bu (α)
F = , (38)
M2 Cy (α) M1 0n −K̂ 0n×nz M2 Dyw (α) M2 Dyu (α) + M3
Prova 2 Seja um sistema aumentado representado pela Equação (9), que satisfaça:
||e(t)||22 ||w(t)||22
6 γ 2
e 6 β 2. (39)
||w(t)||22 ||u(t)||22
Utilizando uma função de Lyapunov V (x̃(t)) = xT (t)P (α)x(t), com P (α) > 0,
restrita a:
as Equações (40) e (41) podem ser agrupadas aplicando a técnica conhecida como S-
Procedure (BOYD et al., 1994) com τ > 0, e reescritas como:
ÃT P + P Ã + C̃zT C̃z C̃zT D̃u + P B̃u C̃zT D̃w + P B̃w
? D̃uT D̃u + τ β 2 I D̃uT D̃w < 0. (43)
? ? D̃wT D̃w − (γ 2 + τ )I
2 X
2 2
M (α) = (44)
X X
... α1i1 α2i2 . . . αkik Mi1 i2 ...ik ,
i1 =1 i2 =1 ik =1
28
sendo φ(t) uma função limitada, contínua e sem dependência ao parâmetro variante, e
Φ(t) uma função contendo a dinâmica variante do modelo, que possui dependência direta
a Θ. Reescrevendo a componente diferencial da Equação (1) no formato da Equação (45):
Θ
1
..
ẋ(t) = A0 x(t) + B0 u(t) + [A1 x(t) + B1 u(t) . . . AnΘ x(t) + BnΘ u(t)] . + Bw w(t),
| {z } | {z }
φ(t) Φ(t) ΘnΘ
(46)
O método proposto tem por objetivo estimar o vetor de parâmetros Θ. Uma maneira
é obter uma variável Θ̂(t) que convirja para Θ em tempo limitado, com convergência
exponencial garantida por uma função de Lyapunov. A técnica apresentada em Agulhari
et al. (2020) e Na et al. (2013) apresentam condições para sua obtenção. Primeiramente, é
necessário obter as variáveis filtradas x̂(t), φ̂(t) e Φ̂(t), que podem ser obtidas definindo o
seguinte vetor particionado:
0
I
x(t)
A0
B0
z(t) =
φ(t)
=
A1 x(t) +
B1 u(t),
(47)
.. ..
vec {Φ(t)} . .
AnΘ BnΘ
29
h i
sendo vec {Φ(t)} = ΦT1 (t) . . . ΦTnΘ (t) . Então, as variáveis desejadas serão sintetizadas
pelo filtro obtido:
x̂(t)
zf (t) = φ̂(t) . (48)
n o
vec Φ̂(t)
então a estimação de Θ̂(t) poderá ser realizada pela resolução de três equações diferenciais
matriciais de primeira ordem, apresentadas no Teorema 3.
Teorema 3 (AGULHARI et al., 2020) Considere zf (t) composto pelas variáveis filtradas
x̂(t), φ̂(t) e Φ̂(t), em que Af , Bf u , Bf y , Cf , Df y e Df u são as matrizes do filtro robusto
(6) que o compõe. Sejam P (t) e Q(t) as soluções das respectivas equações diferenciais para
todo ` > 0 :
h i
Q̇(t) = −`Q(t) + Φ̂T (t) Cf x (Af xf (t) + Bf y y(t) + Bf u u(t)) + Df yx ẏ(t) + Df ux u̇(t) − φ̂(t) ,
(51)
com P (0) = 0 e Q(0) = 0. Portanto, para toda matriz Γ > 0, a solução da Equação:
˙
Θ̂(t) = −ΓW (t), (52)
em que
( )
ζ
Υ = Θ̃(t) : Θ̃(t) 6 (ργ + kBw k2 ) kwk2 , (54)
2 σ
em que P (t) > σI, ζ e ρ > 1 são limitantes que satisfazem as seguintes desigualdades:
Z t 1
2 2
e −`(t−τ )
Φ̂(τ ) dτ 6 ζ, ∀t ∈ R, (55)
0 2
˙
ẋ(t) − x̂(t) 6 ρ kx(t) − x̂(t)k2 . (56)
2
30
Z t
P (t) = e−`(t−τ ) Φ̂T (τ )Φ̂(τ )dτ. (57)
0
Por sua vez, para resolver a Equação (51), considere a Equação (45) formada pelas
respectivas variáveis estimadas. Introduz-se a esta equação um erro de estimação δ(t), logo:
˙
x̂(t) = φ̂(t) + Φ̂(t)Θ + δ(t), t > tf . (58)
˙ − φ̂(t).
Φ̂(t)Θ + δ(t) = x̂(t) (59)
˙
Pode-se reescrever x̂(t) obtendo sua saída correspondente x̂(t) da Equação (6) e
derivando-a. Portanto, a Equação (59) torna-se:
Φ̂(t)Θ + δ(t) = Cf x (Af xf (t) + Bf y y(t) + Bf u u(t)) + Df yx ẏ(t) + Df ux u̇(t) − φ̂(t). (60)
Z t
Q(t) = e −`(t−τ )
Φ̂ (τ ) Φ̂(τ )Θ + δ(τ ) dτ,
T
0
Z t Z t
= e−`(t−τ ) Φ̂T (τ )Φ̂(τ )Θdτ − − e−`(t−τ ) Φ̂T (τ )δ(τ )dτ , (61)
0 0
| {z }
ψ(t)
= P (t)Θ − ψ(t).
1
V (t) = Θ̃T (t)Γ−1 Θ̃(t). (63)
2
˙
V̇ (t) = Θ̃T (t)Γ−1 Θ̃(t). (64)
˙
V̇ (t) = Θ̃T (t)Γ−1 Θ̇ − Θ̂(t) ,
˙
= −Θ̃T (t)Γ−1 Θ̂(t), (65)
= Θ̃T (t)W (t),
= −Θ̃T (t)P (t)Θ̃(t) + Θ̃T (t)ψ(t).
εψ
Υ̂(t) = Θ̃(t) : Θ̃(t) 6 . (67)
2 σ
Por fim, para demostrar que Υ̂(t) ⊆ Υ, subtraindo a componente ẋ(t), exposta na
Equação (1), em (58), e isolando δ(t):
˙
δ(t) = − ẋ(t) − x̂(t) + φ(t) − φ̂(t) + Φ(t) − Φ̂(t) Θ + Bw w(t). (68)
kδ(t)k2 6 ρ kx(t) − x̂(t)k2 + φ(t) − φ̂(t) + Φ(t) − Φ̂(t) kΘk2 + kBw k2 kw(t)k2 .
2 2
(69)
Sabe-se que pode-se considerar kΘk2 < 1, condição que pode ser obtida a partir de
uma renormalização dos parâmetros. Considerando ainda a relação γ de e(t) para w(t),
obtida pela limitação da norma H∞ , então, a Equação (69) torna-se:
Z t
k ψ(t)k2 6 e−`(t−τ ) Φ̂T (τ )δ(τ ) dτ
0 2
Z t
6 e−`(t−τ ) Φ̂T (τ ) kδ(τ )k2 dτ, (71)
0 2
Z t 1 Z t 1
2 2 2
6 e −`(t−τ )
Φ̂ (τ )
T
dτ kδ(τ )k22 dτ .
0 2 0
( )
εψ ζ kδk2 ζ
Υ̂(t) = Θ̃(t) : Θ̃(t) 6 6 6 (ργ + kBw k2 ) kwk2 . (73)
2 σ σ σ
O curto-circuito entre bobinas de uma mesma fase pode ser representado como a
conexão direta entre espiras curto-circuitadas, dada uma resistência de curto-circuito de
acoplamento rf . Desta forma, as espiras curto-circuitadas apresentam um caminho direto
para a corrente de fase. Tallam, Habetler e Harley (2002) apresentam o equacionamento
34
desta falha aplicada em uma única fase, por meio de um modelo equivalente em coordenadas
abc, em que a fase a divide-se em duas componentes: um ramo de curto-circuito, que
fornece um caminho de baixa impedância para a corrente de fase, e o respectivo ramo
remanescente. A Figura 2 ilustra o circuito elétrico equivalente do estator, considerando a
falha na fase a do modelo.
Neste circuito, as tensões das componentes remanescentes e em curto-circuito da
fase a são, vsa1 (t) e vsa2 (t), respectivamente, enquanto as tensões das fases b e c são dadas
por vsb (t) e vsc (t). Além disso, as correntes das fases abc do estador são dadas por ias (t), ibs (t)
e ics (t), e a corrente de curto-circuito é expressa por if (t). O número de espiras nominal
de cada fase é dado por na , nb e nc , enquanto o número de espiras curto-circuitadas e
remanescente são, respectivamente, na1 e na2 .
na2
µ= . (74)
na
1
Ressalta-se que, a qualquer momento nesta modelagem, a representação simétrica sem falha pode ser
obtida considerando µ = 0.
35
v a1 (t) (1 − µ) rs 0 0 0
s
ias (t)
λa1 (t)
s
vs (t) 0 µrs 0 0 i (t) − if (t) λ (t)
a2 a a2
d
= s + s (75)
,
vs (t) 0 0 0 (t) (t)
b b b
r s
i s
dt
λ
s
vs (t)
c
0 0 0 rs is (t)
c
λs (t)
c
v a (t)
r
r 0 0 iar (t)
r
λa (t)
r
d
vr (t) = 0 rr 0 ibr (t) + λ (t) . (76)
b b
dt r
vrc (t) 0 0 rr icr (t) λcr (t)
λa1 (t) (1 − µ)
s
0 0 0
(1 − µ)2 µ (1 − µ) 0 0
λs (t) 0 0 0 µ (1 − µ) 0 0
a2
µ µ2
= Lls + Lss +
λs (t) 0 0 1 0 0 0 1 0
b
λcs (t) 0 0 0 1 0 0 0 1
0 0 (1 − µ) (1 − µ) ias (t)
0 0 is (t) − if (t)
a
µ µ
+
Lsm
(1 − µ) µ 0 1 i b
(t)
s (77)
(1 − µ) µ 1 0 is (t)
c
2π 2π
(1 − µ) cos(θr ) (1 − µ) cos θr + (1 − µ) cos θr −
3 3
2π 2π
ir (t)
a
µ cos(θr ) µ cos θr + µ cos θr −
3 3
ir (t).
b
Lsr
2π 2π
cos θr − cos(θr ) cos θr +
ir (t)
c
3 3
2π 2π
cos θr + cos θr − cos(θr )
3 3
Na Equação (77), as indutâncias do estator, dadas por Lss , Lls e Lsm são, respecti-
vamente, a indutância própria, a indutância de dispersão e a indutância mútua entre os
36
λa (t)
r
L + Lrr
lr
Lrm Lrm iar (t)
λr (t) = Lrm Llr + Lrr i (t) +
b b
Lrm
r
λr (t)
c
Lrm Lrm Llr + Lrr icr (t)
2π 2π
(1 − µ) cos(θr ) µ cos(θ r ) cos θr − cos θr + i a
(t)
3 3
s
2π 2π 2π (t) (t)
a
i − i
f
Lsr (1 − µ) cos θr + µ cos θr + cos(θr ) cos θr − s
.
3 3 3 (t)
b
i
s
2π 2π 2π
(1 − µ) cos θr − µ cos θr − cos θr + cos(θr ) is (t)
c
3 3 3
(78)
λa (t)
s ls
L + Lss Lsm Lsm ias (t) L + Lss
ls
λs (t) = Lsm Lls + Lss i (t) − µ Lsm if (t)+
b b
Lsm
s
λcs (t) Lsm Lsm Lls + Lss ics (t) Lsm
| {z } | {z }
L abc
ss L abc
sf
2π 2π
cos(θr ) cos θr + cos θr − (81)
3 3 a
i
r (t)
2π 2π
cos cos(θ ) cos + ir (t) ,
b
Lsr θ − θ
r r r
3 3
2π 2π ir (t)
c
cos θr + cos θr − cos(θr )
| 3 {z 3 }
L abc
sr
cos (θr )
λa (t) L + Lrr Lrm Lrm iar (t)
r lr 2π
cos θr +
λr (t) = Lrm Llr + Lrr i (t) if (t)+
b b
Lrm − µ Lsr
r 3
2π
λr (t)
c
Lrm Lrm Llr + Lrr icr (t) cos θr −
| {z } 3 }
L abc
| {z
rr
L abc
rf
2π 2π
cos(θr ) cos θr − cos θr +
3 3 a
i
s (t)
2π 2π
cos θr + cos(θr ) cos θr − is (t) ,
b
Lsr
3 3
2π 2π is (t)
c
cos θr − cos θr + cos(θr )
| 3 {z 3 }
L abc
rs
(82)
em que r s , r r , L abc
ss , L sr , L rr e L rs são as matrizes de impedância nominais, e r sf , L sf
abc abc abc
h iT
s (t) = vs (t) vs (t) vs (t)
v abc a b c ,
h iT
r (t) = vr (t) vr (t) vr (t)
v abc a b c ,
h iT
s (t) = is (t) is (t) is (t)
i abc a b c ,
h iT (83)
r (t) = ir (t) ir (t) ir (t)
i abc a b c ,
h iT
s (t) = λs (t) λs (t) λs (t)
λ abc a b c ,
h iT
r (t) = λr (t) λr (t) λr
λ abc a b c .
38
r (t)
λabc
dλ
r (t) = r ri r (t) +
v abc abc
,
dt
s (t)
λabc
dλ (84)
s (t) = r si s (t) +
v abc − µ r sf if (t),
abc
| {z dt } | {z }
(ii)
(i)
(85)
r (t) = L rs i s (t) + L rr i r (t) − µ L rf if (t) .
λ abc abc abc abc abc abc
| {z } | {z }
(i) (ii)
Assim, as Equações (84) e (85) possuem duas componentes: (i) nominal, deter-
minada pela dinâmica das componentes abc; e (ii) curto-circuito, que possui dinâmica
determinada pela corrente de curto-circuito if (t). A primeira componente — nominal —
possui a mesma dinâmica do motor de indução simétrico. Logo, pode-se utilizar as ferra-
mentas de análise já desenvolvidas na literatura para este modelo. A segunda componente
— curto-circuito — será tratada de modo particular.
Por sua vez, a equação que representa o torque eletromagnético exercido pelo motor,
pode ser obtida por meio das expressões contendo a componente de curto-circuito. Sendo
P o número de polos do MIT, o torque eletromagnético Tm para o modelo assimétrico é
dado por:
2π 2π
T (1−µ) cos(θr ) (1−µ) cos θr+ 3 (1−µ) cos θr−
3
ias (t)
2π 2π
ir (t)
a
µ cos(θ ) µ cos θr+ µ cos θr−
P is (t)−if (t)
a
d r
3 3
Tm = ir (t).
Lsr b
2 ibs (t) 2π 2π
dθ r cos θr−
cos(θr ) cos θr+
ir (t)
c
3 3
ics (t)
2π 2π
cos θr+ cos θr− cos(θr )
3 3
(86)
2π 2π
T cos(θ r ) cos θr+ cos θ r−
i a
s (t)
3 3 a
r i (t)
2π 2π
P b d
Tm = is (t)Lsr
cos θr−
cos(θ r ) cos θr+ ir (t)−
b
2 dθr 3 3
ics (t) 2π 2π ir (t)
c
cos θr+ cos θr− cos(θr ) (87)
3 3
r ia
(t)
2π 2π
!
µP d
if (t) Lsr cos(θr ) cos θr+ cos θr− ir (t) .
b
2 dθr 3 3
icr (t)
P abc Labc
dL
Tm = (iis (t))T i (t) +
sr abc
2 dθr r
| {z }
(i)
(88)
µLsr P 2π 2π
if (t) iar (t) sen(θr ) + ibr (t) sen θr + + icr (t) sen θr − .
| 2 {z 3 3 }
(ii)
f (t)
q
f (t)
a
fd (t) = Tqd0 (θe ) fb (t) , (90)
f0 (t) fc (t)
e
f (t)
a
f (t)
q
fb (t) = Tqd0 (θe ) fd (t) ,
−1
(91)
fc (t) f0 (t)
sendo as matrizes de transformação:
2π 2π
cos(θe ) cos θe − cos θe +
3 3
2 2π 2π
Tqd0 (θe ) = sen(θe ) sen θe − sen θe + , (92)
3
3 3
1 1 1
2 2 2
cos(θe ) sen(θe ) 1
2π 2π
−1
(θe ) = cos θe
− sen θe − 1 (93)
Tqd0 .
3 3
2π 2π
cos θe + sen θe + 1
3 3
Define-se os novos vetores de tensão, corrente e fluxo com referencial qd0, como:
h iT
s (t) = vs (t) vs (t) vs (t)
v qd0 q d 0 ,
h iT
r (t) = vr (t) vr (t) vr (t)
v qd0 q d 0 ,
h iT
s (t) = is (t) is (t) is (t)
i qd0 q d 0 ,
h iT (94)
r (t)
i qd0 = iqr (t) idr (t) i0r (t) ,
h iT
s (t) = λs (t) λs (t) λs (t)
λ qd0 q d 0 ,
h iT
r (t) = λr (t) λr (t) λr (t)
λ qd0 q d 0 .
−1
d Tqd0 (θe )λ s (t)
λqd0
s (t) = Tqd0 (θe )r (θe )iiqd0
s (t) + Tqd0 (θe ) − Tqd0 (θe )µrr sf if (t), (99)
−1
v qd0 r s Tqd0
| {z dt } | {z }
(i) (ii)
−1
d Tqd0 (θe − θr )λ r (t)
λqd0
r (t) = Tqd0 (θe − θr )rr r Tqd0 (θe θr )iiqd0
r (t) + Tqd0 (θe − θr ) . (100)
−1
v qd0 −
dt
A Equação (99) resulta novamente em duas componentes, (i) nominal e (ii) curto-
circuito. Sua componente nominal, bem como a Equação (100), possuem componentes
simétricas e sua transformação é idêntica a um motor simétrico sem a presença de falhas,
a qual é apresentada em Ong (1998). Por sua vez, a componente de curto-circuito será
desenvolvida a seguir, dada por:
2π 2π
cos(θe ) cos θe − cos θe +
3 3 rs
2 2π 2π
Tqd0 (θe ) µ r sf if (t) = µ sen(θe ) sen θe − sen θe + 0 if (t),
3 3 3
1 1 1 0
(101)
2 2 2
cos(θe )
2
= µ rs sen(θe ) if (t).
3 1
2
cos(θe )
v q (t)
s
0r
s
0 iqs (t) 0 ω 0 λqs (t) λq (t)
s
d 2
sen(θe )
vs (t) = 0 0 i (t) + −ω 0 0 λ (t) + λs (t) if (t),
d d d d
rs
− µ rs
s s dt 3 1
vs0 (t) 0 0 rs i0s (t) 0 0 0 λ0s (t) λ0s (t)
2
(102)
v q (t)
r
r 0 0 iqr (t)
r
0 ω − ωr 0 λqr (t) λqr (t)
d d
vr (t) = 0 rr 0 idr (t) + −ω + ωr 0 0 λ (t) + λ (t) . (103)
d d
r dt r
vr (t)
0
0 0 rr ir (t)
0
0 0 0 λr (t)
0
λ0r (t)
(105)
s (t) = Tqd0 (θe )L ss Tqd0 (θe )ii s (t) + Tqd0 (θe )L sr Tqd0 (θe − θr )ii r (t)
−1 −1
λ qd0 Labc qd0
Labc qd0
| {z }
(i)
(106)
− Tqd0 (θe )µL
Lsf if (t),
| {z }
(ii)
λrqd0 (t) = Tqd0 (θe − θr )L rr Tqd0 (θe − θr )ii r (t) + Tqd0 (θe − θr )L
Labc −1 qd0
sr Tqd0 (θe )ii s (t)
Labc −1 qd0
| {z }
(i)
(107)
− Tqd0 (θe − θr )µL
Lrf if (t) .
| {z }
(ii)
3 3
Lm = Lss = Lsr ,
2 2 (108)
Ls = Lls + Lm .
tem-se:
2π 2π
cos(θe ) cos θe − cos θe +
3 3
Lls + L ss
2 2π 2π
Tqd0 (θe )µL
Lsf = sen(θ ) sen θ − sen θ + µ L ,
3 e e
3
e
3
sm
1 1 1 Lsm
2 2 2
2π 2π
cos(θe )(Lls + Lss ) + cos θe − Lsm + cos θe + Lsm
3 3
2 2π 2π
=µ sen(θ )(L + L ) + sen θ − L + sen θ + L ,
3 e ls ss e
2
sm e
3
sm
1 1 1
(Lls + Lss ) + Lsm + Lsm
2 2 2
cos(θe )Ls
2
=µ sen(θe )Ls
,
3 Lls
2
(109)
2π 2π
cos (θ )
cos(θ e −θ r ) cos θe −θ r − cos θ e −θ r + r
3 3
2 2π 2π 2π
cos θr+
Tqd0 (θe−θr )µLLrf = sen(θe −θr ) sen θe −θr − sen +
θ −θ µLsr ,
3 3
e r
3 3
1 1 1 2π
cos θr−
2 2 2 3
2π 2π 2π 2π
cos(θe−θ r )cos (θr ) + cos θ e−θ r− cos θr + + cos θe−θ r+ cos θ r−
3 3 3 3
2 2π 2π 2π 2π
=µ Lsr sen(θe−θr )cos (θr ) + sen θe−θr− cos θr+ + sen θe−θr+ cos θr− ,
3 3 3 3 3
1 1 2π 1 2π
cos (θr ) + cos θr + + cos θr −
2 2 3 2 3
cos(θe )
2
= µ Lm sen(θe ) .
3
0
(110)
cos(θe )Ls
λq (t)
s
L 0 0 iqs (t) Lm 0 0 iqr (t)
s 2
λs (t) = 0 Ls 0 is (t) + 0 sen(θe )Ls if (t), (111)
m 0 ir (t) − µ
d d d
L
3 Lls
λs (t)
0
0 0 Ls is (t)
0
0 0 0 ir (t)
0
2
λq (t)
r
L 0 0 iqr (t) Lm 0 0 iqs (t)
r
cos(θe )
2
λr (t) = 0 Lr 0 ir (t) + 0 Lm 0 i (t) − µ Lm sen(θe ) if (t). (112)
d d d
s 3
λ0r (t) 0 0 Lr i0r (t) 0 0 0 i0s (t) 0
P abc T ∂LLabc
Tm(i) = i s (t) i (t),
sr abc
(113)
2 ∂θr r
e
µLsr P 2π 2π
Tm(ii) = if (t) iar (t) sen(θr ) + ibr (t) sen θr + + icr (t) sen θr − . (114)
2 3 3
3Lm P q
Tm(i) = is (t)idr (t) − ids (t)iqr (t) . (115)
4
Por sua vez, de acordo com Baccarini, Menezes e Caminhas (2010), substituindo as
correntes da componente (ii) por aquelas expressas em (98), tem-se então a representação
de Tm(ii) em componentes qd0:
µLsr P h i
Tm(ii) = if (t) sen(θr ) cos (θe − θr ) iqr (t) + sen (θe − θr ) idr (t) + i0r (t) +
2
2π 2π q 2π d
sen θr + cos θe − θr − ir (t) + sen θe − θr − ir (t) + ir (t) +
0
3 3 3
2π 2π q 2π d
!
sen θr − cos θe − θr + ir (t) + sen θe − θr + ir (t) + ir (t) .
0
3 3 3
(116)
45
µLm P
(117)
Tm(ii) = if (t) iqr (t) sen(θe ) − idr (t) cos(θe ) .
2
3P Lm q µP Lm if (t) q
Tm = is (t)idr (t) − ids (t)iqr (t) + ir (t) sen(θe ) − idr (t) cos(θe ) . (118)
4 2
dλdr (t)
vrd (t) = λqr (t)ωr (t) + idr (t)rr + . (119)
dt
A corrente de eixo direto do rotor pode ser obtida isolando idr (t) na Equação (112),
a qual pode ser substituída na Equação (119):
1 Lm dλd (t)
vrd (t) = λqr (t)ωr (t) + λdr (t) − ids (t) rr + r . (120)
Lr Lr dt
Por sua vez, a expressão de vrq (t) é exposta na Equação (103), sendo:
dλqr (t)
vrq (t) = −ωr (t)λdr (t) + iqr (t)rr + . (122)
dt
Para obter a dinâmica da corrente iqr (t), pode-se isolá-la na Equação (112):
1 Lm 2µLm
iqr (t) = λqr (t) − iqs (t) + if (t) . (123)
Lr Lr 3Lr
dλds (t)
vsd (t) = ids (t)rs + . (125)
dt
λdr (t) Lm
idr (t) = − ids (t) . (127)
Lr Lr
A Equação (128) pode ser resolvida substituindo o termo derivativo de λdr (t)
pela Equação (121) já obtida. Definindo uma nova variável, σ = Ls Lr − L2m , isolando a
componente diferencial e desenvolvendo as devidas manipulações matemáticas, tem-se a
expressão que determina a dinâmica da corrente de eixo direto do estator:
Expressando a corrente iqr (t) na Equação (112), e o fluxo λqs (t) na Equação (111):
2Ls
λqs (t) = iqs (t)Ls + iqr (t)Lm − if (t)µ . (132)
3
Substituindo o termo derivativo de λqr (t) pelo obtido na Equação (124), isolando o
termo derivativo de iqs (t) e, desenvolvendo as expressões matemáticas, concluímos que:
Por fim, a tensão vs0 (t) e seu fluxo concatenado, λ0s (t) são dados, respectivamente,
por:
µLls
λ0s (t) = Lls i0s (t) − if (t) . (136)
3
torque inercial e de atrito, então a expressão que representa a dinâmica de um motor com
coeficiente inercial J e coeficiente de atrito Bc é dada por:
dωr
Tm = Tc + J + Bc ωr . (138)
dt
rr rr Lm
− ωr (t) 0 0 0
Lr Lr
rr rr L m
(t) λq (t)
q
λ r
−ωr (t) − 0 0 0 r
Lr Lr
λr (t) (t)
d d
λ
−ωr (t)Lm −rs L2r − rr L2m
rr L m r
0 0 0
(t) (t)
q q
i
d s i
Lr σ σ Lr σ
=
s +
dt is (t) ωr (t)Lm rr Lm −rs L2r − rr L2m id (t)
d
0 0 0
s
σ Lr σ Lr σ
is (t) i (t)
0 0
−rs s
0 0 0 0 0
ωr (t) ω (t)
Lls r
−3Lm P is (t) 3Lm P iqs (t)
d
−Bc
0 0 0
4Lr J 4Lr J J
2Lm rr
0 0 0 0 0
−
3Lr
0 0 0 0 0 0
vs (t)
q
Lr
0 0 0 d
2(r r m + rs Lr )
L 2 2
2
if (t)
σ vs (t) 3Lr σ 3
Lr + µ
dif (t) .
0 0 0 v 0 (t)
0 0
σ s
dt
1 r 1
0 0 0 Tc (t) s
Lls 3L 3
ls
−1 −Lm P λr (t)
d
L2m P ids (t)
0 0 0
+ 0
J 2Lr J 2Lr J
(140)
Desta forma, o modelo do motor de indução com falha de curto-circuito, não linear, torna-se
linear com parâmetros variantes no tempo. O procedimento para a representação LPV
será apresentado em detalhes no capítulo seguinte.
Considerando µ = 0, situação sem falha, o sistema resume-se ao modelo simétrico
nominal do motor de indução. Este modelo, exposto pela Equação (141), coincide com
os modelos já conhecidos na literatura (KRISHNAN, 2001), podendo seu estado i0s (t) ser
suprimido sem prejuízo à notação:
rr rr Lm
− ωr (t) 0 0
Lr Lr
λq (t) λq (t)
rr rr Lm
−ωr (t) 0 0
r − r
λr (t) Lr Lr (t)
d
d
λ
−ωr (t)Lm
r
−rs L2r − rr L2m
d rr Lm
is (t) = 0 0 (t) +
q
q
i
Lr σ σ Lr σ s
dt
is (t) ω (t)L id (t)
d
rr Lm −rs L2r − rr L2m
r m
0 0 s
ωr (t) ω (t)
σ Lr σ Lr σ r
−3Lm P ids (t) 3Lm P iqs (t) −Bc
0 0
4Lr J 4Lr J J
0 0 0
0 0 0
v q (t)
Lr
s
0 0
vsd (t)
σ
Lr
0 0 (t)
T c
σ
−1
0 0
J
(141)
s (t)
dλa2
vsa2 (t) = µrs (ias (t) − if (t)) + . (142)
dt
Contudo, por meio da análise do circuito elétrico da Figura 2, também é possível concluir
que:
s (t)
dλa2
vsa2 (t) = µrs iqs (t) + i0s (t) − if (t) + . (144)
dt
ias (t)
iis (t) − if (t)
a
h
λs (t) = Lss µ(1 − µ) Lss µ + Lls µ Lsm µ Lsm µ
a2
2
i b
(t)
s
ics (t) (145)
ir (t)
a
2π 2π
+µLsr cos(θr ) cos θr + cos θr − ir (t) .
b
3 3
icr (t)
h i h i
s (t) =is (t) [Lls µ + Lss µ] + if (t) −Lls µ − Lss µ
λa2 + µLsm ibs (t) + ics (t) +
a 2
2π
2π
(146)
µLsr iar (t) cos(θr ) + ibr (t) cos θr + + icr (t) cos θr − .
3 3
h i h i
s (t) =(is (t) + is (t)) [Lls µ + Lss µ] + if (t) −Lls µ − Lss µ
λa2 + µLsm −iqs (t) + 2i0s (t) +
q 0 2
h i
µLsr cos(θr ) cos (θr ) iqr (t) − sen (θr ) idr (t) + i0r (t) +
2π 2π q 2π d
µLsr cos θr + cos −θr − i (t) + sen −θr − i (t) + i0r (t) +
3 3 r 3 r
2π 2π q 2π d
µLsr cos θr − cos −θr + ir (t) + sen −θr + ir (t) + ir (t) .
0
3 3 3
(147)
2µ2 Lm
" #
s (t)
λa2 = µLs iqs (t) + µLls i0s (t) − µLm iqr (t) + if (t) µLls + . (148)
3
dif (t) 2µL2m 2µLm
" #
vsa2 (t) =µrs iqs (t) + i0s (t) − if (t) + − Lls − +
dt 3Lr 3
ωr (t)Lm
" # " # " #
L2 −rs L2r −rr L2m rr Lm
Ls − m iqs (t) + λqr (t) −λdr (t) +
Lr Lr σ Lr σ σ
2 µ (rs L2r + rr L2m ) dif (t) 2µ
" # !
Lr
vs (t)
q
+ if (t) + +
σ 3Lr σ dt 3
(151)
| {z }
diqs (t)/dt
1 dif (t) µ
!
−rs µrs
Lls i0s (t) + vs0 (t) + + if (t) +
Lls Lls dt 3 3Lls
| {z }
di0s (t)/dt
Lm q rr Lm −rr 2µrr Lm
is (t) + λqr (t) + λdr (t) ωr (t) − if (t) .
Lr Lr Lr 3Lr
| {z }
dλqr (t)/dt
dif (t) 1 1
" # " # " #
rf rs
= if (t) − − vsq (t) − vs0 (t) . (152)
dt µLls (µ − 1) Lls Lls (µ − 1) Lls (µ − 1)
Esta expressão, válida para todo µ ∈ ]0, 1[ permite, a partir do fator de severidade
µ e de uma resistência de curto-circuito rf , modelar a dinâmica da corrente if (t) e sua
influência no MIT. Assim, pode-se estudar e simular o comportamento de tal variável em
aplicações práticas. O modelo em espaço de estados do motor de indução, apresentado na
Equação (140), pode ser acoplado a dinâmica da corrente de curto-circuito desenvolvida
nesta seção. Substituindo a componente derivativa de if (t) nas Equações (134) e (137):
diqs (t) q ωr (t)Lm
" # " #
−rs L2r − rr L2m rr Lm
=is (t) + λqr (t) − λdr (t) +
dt Lr σ Lr σ σ
2 rr L2m + rs L2r 2µ 2µ
" !# " # " #
rf rs Lr
if (t) + − + vs (t)
q
+ + vs (t)
0
,
3 Lr σ µLls (µ−1) Lls σ 3Lls (1−µ) 3Lls (1−µ)
(153)
di0s (t) 1
" # " # " #
−rs rf µ µ
= is (t)
0
+ if (t) + vs (t)
0
+ + vs (t)
q
.
dt Lls 3Lls (µ − 1) Lls 3Lls (1 − µ) 3Lls (1 − µ)
(154)
Definindo-se uma nova variável δ = rs L2r + rr L2m , a dinâmica do motor de indução
sob curto-circuito com severidade µ será dada por:
rr rr Lm −2rr Lm
− ωr 0 0 0 µ
Lr Lr 3Lr
rr rr L m
−ω − 0 0 0 0
(t) λq (t)
q
λ
r
r
Lr Lr r
!
2
λr (t) r L −ω L −δ µδ µr µr s λr (t)
d d
r m r m f
0 0 0 +
−
3 ls (µ −µ) Lls iq (t)
L 2
is (t) rσ σ L rσ L rσ L
q
s
d d ωr Lm rr L m −δ
is (t) = 0 0 0 0 id (t)
σ Lr σ Lr σ s
dt
is (t) −r r i0 (t)
0
s f
0 0 0 0 0 s
3Lls (µ − 1)
ωr (t)
Lls ω (t)
−3Lm P ids (t) 3Lm P iqs (t) r
−B c Lm P
if (t) 0 0 0 Lm ids (t) − λdr (t)
if (t)
4Lr J 4Lr J J 2Lr J !
rf rs
0 0 0 0 0 0 −
µLls (µ − 1) Lls
0 0 0 0
0 0 0 0
Lr 2µ
σ + 3L (1 − µ) 0 0 0
v q (t)
ls s
Lr
vsd (t)
0 0 0
+
.
σ
v 0 (t)
1
µ µ
0 + 0 s
3Lls (1 − µ) Lls 3Lls (1 − µ)
T (t)
c
−1
0 0 0
J
1 1
0 0
Lls (1 − µ) Lls (1 − µ)
(155)
54
rr rr L m
− 0 0
0 1 0 0
Lr Lr
λq (t) λq (t)
r rr rr Lm r
0 0 0 0 0
− −1
(t) λr (t)
d d
d λ
r = Lr Lr
+Θ1 (t) 0 −Lm +
−rs L2r − rr L2m 0 0
rr Lm
iqs (t) (t)
q
dt
0 0 i
σ
s
Lr σ Lr σ
Lm
is (t) id (t)
d
0 0 0
2 2
0 rr Lm −rs Lr − rr Lm s
0 | σ
Lr σ Lr σ
{z }
| {z } A1
A0
0 0
0 0
vs (t)
q
Lr
.
0
vsd (t)
σ
Lr
0
| {z σ }
B0
(156)
dx(t)
= [A0 + Θ1 (t)A1 ] x(t) + B0 u(t). (157)
dt
Logo, a saída, z(t), que sintetiza e agrupa as variáveis x(t), φ(t) e Φ(t), pode ser
escrita por:
57
0 0 0
1 0 0 0
0 1 0 0 0 0 0
0 0 1 0
0 0 0
0 0 0 1
0 0 0
rr rr Lm
0 0
−
0 0 0
Lr Lr
rr rr Lm
0 0
−
x(t)
0 0 0
Lr Lr
z(t) = φ(t) = rr Lm −rs L2r − rr L2m x(t) + u(t) +
w(t).
0 0
Lr
0 0
Φ(t)
Lr σ Lr σ
σ
2 2
−rs Lr − rr Lm
rr L m
0 0
Lr
0 0
Lr σ Lr σ
σ
0 1 0 0
0 0 0
0 0 0
−1
0 0 0
−Lm
0 0 0
0 0 0
σ
Lm
0 0 0
0 0 0
| σ {z } | {z } | {z }
Cz Dzu Dzw
(159)
Portanto, a definição de um filtro com saída z(t) possibilita a obtenção das variáveis
filtradas x̂(t), φ̂(t) e Φ̂(t), compondo o vetor de saída do filtro zf (t) que convergem para o
respectivo vetor de variáveis desejadas. Este filtro, representado pela Equação (6), utiliza,
como entradas para o processo de filtragem e obtenção de zf (t), duas variáveis, u(t) e y(t).
Em aplicações práticas, a entrada u(t) é acessível, dada pela tensão de alimentação do
motor, que pode ser obtida por sensores de tensão, ou diretamente do inversor utilizado
para sua alimentação. Já y(t), por sua vez, pode ser estabelecida como as correntes
estatóricas do motor, também acessíveis. Considerando que as saídas y(t) podem sofrer
com distúrbios provocados por w(t), tem-se:
0 0 1 0 0 0 1
y(t) = x(t) + u(t) + w(t). (160)
0 0 0 1 0 0 1
| {z } | {z } |{z}
Cy Dyu Dyw
h iT
Bw = 0 0 1 1 . (161)
Potência 3 cv
Tensão Nominal 220 V
Frequência 60 Hz
Polos 4
Rs 0,435 Ω
Rr 0,816 Ω
Ls = Lr 71,31 mH
Lm 69,31 mH
Lls = Llr 2 mH
J 0,089 kgm2
Bc 5 ×10−3 Nms
ωp − ∆ω 6 Θ1 6 ωp + ∆ω . (163)
Na Figura 3(a), percebe-se que valores mais elevados de γ são obtidos conforme
∆ω cresce em amplitude, ao ponto que, para um dado valor de ∆ω , as soluções tornam-se
infactíveis. Considerando que a busca por soluções ocorre por tentativa e erro, determinando
o conjunto λ1 , λ2 , λ3 e λ4 de forma aleatória, observa-se também que valores mais elevados
de ∆ω ocasionam em uma dificuldade maior de se encontrar conjunto que satisfaça as
condições das LMIs. Logo, a probabilidade de encontrar conjuntos factíveis também
diminui com a ampliação da região de parametrização, como pode ser observado na Figura
3(b). Nos testes realizados, valores de ∆ω superiores a 82 rad/s não levaram à solução.
Ressalta-se que γ relaciona-se com o desempenho do método de duas maneiras, a primeira
diretamente com a robustez do filtro, dada a norma H∞ , mas também relaciona-se com o
erro de estimação adaptativo, como observado na Equação (54). Portanto, valores mais
elevados de γ causam consequentemente maior erro de estimação. Nos testes realizados,
obteve-se o melhor γ = 169, 78, com ∆ω = 4 rad/s.
Outra possível abordagem para o problema é a variação de ωp , a qual pode indicar
que algumas regiões de operação do motor podem apresentar maior dificuldade de síntese
do filtro, enquanto outras, como possíveis regiões de operação nominais, um conjunto
factível pode ser obtido com maior facilidade. Para validar tal suposição, realiza-se o
cálculo da LMI apresentada no Teorema 1, considerando ∆ω = 20 rad/s, variando o ponto
central de operação ωp . Para uma melhor visualização, permitiu-se a extrapolação da busca
para intervalos contendo valores além daqueles observados em operação nominal, como
−20 e 220 rad/s, já que para tais valores o sistema ainda se mantém numericamente estável.
Utilizou-se ωp uniformemente espaçado, considerando 100 iterações para cada conjunto ωp .
Os resultados obtidos podem ser visualizados nas Figuras 4(a) e 4(b), as quais apresentam
respectivamente, o menor valor de γ e a porcentagem de soluções factíveis, por conjunto.
não obteve-se resultados factíveis, inviabilizando sua aplicação para a estimação de baixas
velocidades e demonstrando a influência da região de parametrização na composição do
politopo ΛN , e consequentemente no processo de síntese do filtro. Realizou-se também a
síntese de filtros considerando variações em ∆ω e ωp de maneira conjunta, para verificação
da relação mútua entre as variáveis. Realizou-se o cálculo de 6400 conjuntos (∆ω , ωp )
uniformemente espaçados, executadas 50 iterações por conjunto, a fim de se obter o menor
valor para γ. A Figura 5(a) apresenta a superfície que relaciona o menor γ obtido para
a região observada, enquanto a Figura 5(b) demonstra os resultados em uma projeção
bidimensional (2D) da Figura 5(a), para melhor visualização.
rr rr Lm
− ωr (t) 0 0 0
Lr Lr
λ (t) −ωr (t)
q rr rr L m q
λ (t)
0 0 0 r
r −
λr (t)
d Lr Lr λr (t)
d
rr Lm −ωr (t)Lm −δ
0 0 0
(t) iqs (t)
q
d i
s =
Lr σ σ Lr σ +
ids (t) ωr (t)Lm
rr Lm −δ
0 is (t)
d
dt
0 0
σ Lr σ Lr σ
is (t) is (t)
0 0
−rs
0 0 0 0 0
ωr (t) ωr (t)
Lls
−3Lm P ids (t) 3Lm P iqs (t) −Bc
0 0 0
4Lr J 4Lr J J (164)
2µLm rr
0 0 0 −
3Lr
0
0
0 0 0 0
v q (t)
s
2µδ 2µ
vsd (t)
Lr
0 0
σ 3Lr σ 3
v 0 (t)
Lr s .
0 0 0 0
if (t)
σ
1 µrs µ dif (t)
0 0
3Lls 3
Lls
dt
µLm P
0 0 0 Lm ids (t) − λdr (t) 0
2Lr J
Todavia, a corrente if (t) não é fisicamente acessível. Neste caso, uma aproximação
de sua dinâmica pode ser realizada. Utilizando com base o circuito apresentado na Figura
2, pode-se analisar que:
Com isso, a expressão de if (t) passa a ser feita em função de uma variável acessível,
vsa (t), a tensão de alimentação da respectiva fase a. Por sua vez, o valor da componente
derivativa de if (t) pode ser obtida derivando numericamente a Equação (167). Contudo,
esta aproximação traz consigo um erro associado, devido principalmente ao fato de não
considerar parte da tensão induzida nas espiras relacionadas a vsa2 (t). Utilizando como
base as Equações (75) e (77), é possível calcular o erro associado a esta aproximação:
rr rr Lm
− ωr (t) 0 0 0
Lr Lr
λ (t) −ωr (t)
q rr rr Lm q
λ (t)
0 0 0
r − r
λr (t)
d Lr Lr λr (t)
d
rr Lm −ωr (t)Lm −δ
0 0 0
(t) (t)
q q
d i i
s =
Lr σ σ Lr σ s
+
ωr (t)Lm rr L m −δ
is (t)
dt d
0 0 0 s i d
(t)
σ Lr σ Lr σ
is (t) (t)
0 0
i
−rs s
0 0 0 0 0
ωr (t) ωr (t)
Lls
−3Lm P ids (t) 3Lm P iqs (t) −Bc
0 0 0 (169)
4Lr J 4Lr J J
2Lm rr
0 0 0 0 0 0 0 0 − 0
3Lr q
v (t)
0 0 0 0 0 0 0 0 0 0
s
Lr 2δ 2 vs (t)
d
0 0 0 0
µ2
0 0 0
3L 3
σ v (t)
0
σ
Lr + r .
s
0 0 0 0 0 0 0 0 0
r f v (t)
a
σ
1 s
1
rs
0 0 0
a
(t)
0
0 0 0
dv s
3Lls 3
Lls
dt
Lm P
0 0 0 0 0
0 0 0 Lm ids (t) − λdr (t) 0
2Lr J
µ2
Θ1 = . (170)
rf
Θ2 = ωr (t),
Θ3 = ids (t),
(171)
Θ4 = iqs (t),
Θ5 = vsa (t).
r rr Lm
− r 0 0 0 0
Lr Lr
0 1 0 0 0 0
λ q
(t) rr rr Lm
r 0 − 0 0 0
−1 0 0 0 0 0
λr (t)
d Lr Lr
rr Lm −δ −Lm
0 0 0 0 0 0 0 0 0
(t)
q
d i
s = Lr σ Lr σ +Θ2 σ +
−δ Lm
dt is (t)
d rr Lm
0 0 0 0 0
0 0 0 0
σ
is (t)
0
Lr σ Lr σ
−rs 0 0 0 0 0 0
0 0 0 0 0
ωr (t)
Lls
0 0 0 0 0 0
−Bc
0 0 0 0 0
| {z }
J } A2
| {z
A0
0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
λr (t)
q
0 0 0 0 0 0
0 0 0 0 0 0
0
0 0 0 0 0
λd (t)
r
0 0 0 0 0 0 iq (t)
0 0 0 0 0 0 0
0 0 0 0 0
Θ3 +Θ4 +Θ1 Θ50 +
s
0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 i (t)
d
s
0 0 0 0 0 0 i0 (t)
0 0 0 0 0 0 0 0 0 0 0 0
s
3Lm P
−3Lm P −Lm P L2m P
00000 0 0000 0 0 00 (t)
ω
r
4Lr J 4Lr J 2Lr J 2Lr J
| {z } | {z } | {z }
A3 A4 A1,5
2Lm rr
0 0 0 0 0
0 0 0 − 0
3Lr
vsq (t)
0 0 0 0 0
0 0 0 0 0
Lr d
(t)
0 0 0 0
2δ 2
v s
0 0 0
σ v (t)
0
+Θ1 3Lr σ 3 s
Lr
.
0 0 0 0
0 0 0 0 0 a
(t)
σ
v s
1
1
rs a
(t)
0
0 0 0
0
0 0 dv s
Lls 3Lls 3
dt
0 0 0 0 0
0 0 0 0 0
| {z } | {z }
B0 B1
(173)
O próximo passo é definir e modelar as saídas x(t), φ(t) e Φ(t), a serem utilizadas no
processo de filtragem e estimação. Considerando que se deseja estimar apenas o parâmetro
Θ1 e que os demais parâmetros variantes são acessíveis para a composição do sistema,
pode-se reorganizar os termos da seguinte forma:
68
dx(t)
= A0 + Θ2 A2 + Θ3 A3 + Θ4 A4 x(t) + B0 u(t) + Θ5 A1,5 x(t) + B1 u(t) Θ1 (175)
dt | {z } | {z }
φ Φ
Com isso, a saída desejada do filtro z(t), composta pelas três variáveis, x(t), φ(t) e
Φ(t) torna-se, então:
x(t) In
0
6
z(t) = φ(t) = A0 + Θ2 A2 + Θ3 A3 + Θ4 A4 x(t) + B0 u(t).
(176)
Φ(t) Θ5 A1,5 B1
Neste estudo de caso, a solução de um filtro com saída z(t) pode apresentar grande
complexidade computacional, devido à grande dimensão dos vetores de saídas e à presença
de diversos parâmetros variantes. Desta forma, algoritmos utilizados para a síntese do filtro
podem gerar soluções infactíveis. Um alternativa para a obtenção do filtro é a definição de
um filtro zf (t) estimador de estados, que tem como saída x̂(t). Desta forma, facilita-se a
síntese do filtro via LMIs, já que as matrizes relacionadas a composição do filtro, Cz , Dzu e
Dzw possuem dimensão reduzida. No mais, considerando que as entradas u(t) e o conjunto
de parâmetro Θ2 , Θ3 , Θ4 , e Θ5 são acessíveis, pode-se realizar a composição das saídas
sintéticas a partir da estimação de estados obtida. Define-se uma versão simplificada de
z(t) dada por:
z(t) = |{z}
I6 x(t) + 06×6 u(t) + 06×1 w(t). (177)
| {z } | {z }
Cz Dzu Dzw
x̂(t) = zf (t),
φ̂(t) = A0 + Θ2 A2 + Θ3 A3 + Θ4 A4 zf (t) + B0 u(t), (178)
Φ̂(t) = Θ5 A1,5 zf (t) + B1 u(t).
também que tais sinais podem sofrer a incidência de ruídos externos, denotados pela
entrada exógena w(t), então:
h i
y(t) = 04×2 I4 x(t) + 04×5 u(t) + 14×1 w(t). (179)
| {z } | {z } | {z }
Cy Dyu Dyw
h iT
Bw = 0 0 1 1 1 1 . (180)
Potência (cv) 1 cv 2 cv
Rs 12, 9263 Ω 7,9640 Ω
Rr 4, 0656 Ω 2,0253 Ω
Ls = Lr 475, 2 mH 323,1 mH
Lm 452, 9 mH 309,1 mH
Lls = Llr 19, 4 mH 14,0 mH
J 0, 0216 kgm2 0,0285 kgm2
Bc 0, 0002 Nms 0,0002 Nms
0 6 Θ1 (t) 6 0, 04,
175 6 Θ2 (t) 6 190 [rad/s] ,
−8 6 Θ3 (t) 6 8 [A] , (181)
−8 6 Θ4 (t) 6 8 [A] ,
−375 6 Θ5 (t) 6 375 [V] ,
0 6 Θ1 (t) 6 0, 04,
175 6 Θ2 (t) 6 190 [rad/s] ,
−10 6 Θ3 (t) 6 10 [A] , (182)
−10 6 Θ4 (t) 6 10 [A] ,
−375 6 Θ5 (t) 6 375 [V] .
Balanceado, Balanceado,
−2%Va , ±2%Vbc , −2%Va , ±2%Vbc ,
Desequilíbrio de Alimentação −4%Va , ±4%Vbc , −4%Va , ±4%Vbc ,
−6%Va , ±6%Vbc , −6%Va , ±6%Vbc ,
−8%Va , ±8%Vbc −8%Va , ±8%Vbc
0%, 25% , 50%, 0%, 25% , 50%,
Torque de carga
75% e 100% 75% e 100%
0%, 1% , 3%, 5%, 0%, 1% , 3%,
Severidade de falha
10%, 15% e 20% 5% e 10%
Total de testes 315 225
5.2.1 PÓS-PROCESSAMENTO
µ [%] 0 1 3 5 10 15 20
rf [Ω] ∞ 20 10 5 2 1 1
1 XN h i2
Eqm = b(i) − b̂(i) , (184)
N i=1
sendo N a quantidade total de amostras, neste caso discretizadas com frequência de 15
kHz, sendo esta a taxa de amostragem utilizada. Apresenta-se na Figura 12 a filtragem dos
estados x(t), aplicada ao motor 1 nas condições de 3% e 5% de falha, enquanto na Tabela
6 apresenta-se os EQMs obtidos para as estimações do fluxo, corrente, e o respectivo vetor
de estados.
No instante t = 1, 5s, ocorre a incidência da falha, mas percebe-se qualitativamente
que o filtro mantém seu desempenho após tal instante. A filtragem das correntes estatóricas
80
µ(%) λqd
r iqd0
s ωr x
0 2,413 13,564 4,521 20,499
1 2,446 13,564 4,521 20,533
3 2,389 13,564 4,521 20,475
5 2,208 13,564 4,521 20,295
10 1,346 13,565 4,521 19,433
15 0,645 13,565 4,521 18,732
20 0,386 13,566 4,521 18,474
previamente na Seção 5.1, percebe-se baixa robustez ao ruído, os quais não são rejeitados
corretamente. Verifica-se que o método possibilitou a obtenção dos estados λ̂qr (t) e λ̂dr (t),
mesmo considerando que tais estados não são acessíveis. Observa-se que a estimação
das correntes apresentou o maior erro de estimação entre as componentes. Uma possível
abordagem e justificativa para esta observação é a baixa robustez ao ruído representado
por w(t), já que o ruído que atua nas correntes não é corretamente filtrado, prejudicando
a estimação. Maiores detalhes sobre tal abordagem serão apresentadas na sequência desta
seção.
Após a obtenção do vetor de estados filtrados, realiza-se a composição de φ̂(t) e
Φ̂(t) e, então, o cálculo de P (t), Q(t) e Θ1 (t), por meio da solução das equações diferenciais
(50)-(52). Desta forma, o resultado da estimação do pseudo-parâmetro Θ̂1 , para as sete
diferentes severidades aplicadas, é apresentado na Figura 13. Após a aplicação da falha,
a estimação adapta-se a um novo valor, buscando estimador o pseudo-parâmetro que se
relaciona com a severidade da falha. Desta forma, a estimação permite representar, com
certa proporcionalidade, a evolução da falha de curto-circuito.
Após a partida do motor, a qual provoca variação no parâmetro estimado, Θ̂1 (t)
adapta-se para um valor de regime permanente. Após a incidência e evolução das falha, o
pseudo-parâmetro adapta-se novamente, convergindo para um novo valor de estimação.
Contudo, observa-se que a estimação relativa ao parâmetro demonstrou baixa precisão,
possuindo erro de offset e não convergindo precisamente para os valores desejados. Nota-se
que, devido à elevada norma H∞ , dada pela constante γ, a região que delimita o erro
de estimação, dada pela Equação (54), pode apresentar valores elevados, prejudicando o
desenvolvimento do método. A Figura 14(b) expõe a relação entre o pseudo-parâmetro
estimado e a respectiva severidade de falha aplicada, em que se observa também o efeito da
estimação incorreta. Ambas as curvas, estimada e simulada, apresentam comportamento
e formas similares, porém em diferentes escalas, já que a estimação não apresentou
sensibilidade para a correta estimação.
Percebe-se que as severidades de 1% e 3% representam, respectivamente, variações
de 0,0125% e 0,225% dentro da região de parametrização definida, demandando alta
sensibilidade do procedimento adaptativo para sua correta estimação. Uma possível
abordagem para a solução desta limitação é a definição de regiões de parametrização de
menor amplitude para o parâmetro incerto, limitando a região de operação do estimador.
Tal abordagem poderia melhorar a sensibilidade do método, além de permitir a obtenção
de filtros com norma H∞ mais vantajosas, trazendo maior robustez ao método. Conforme
apresentado no Capítulo 4, a amplitude da região de parametrização possui influência direta
na norma do filtro, e respectivamente no desempenho do método. Contudo, mesmo após
verificada tal imprecisão, considerando o contexto de identificação de falhas, a detecção da
ocorrência de uma falha ainda pode ser realizada, por meio da verificação de alterações e
variações no pseudo-parâmetro estimado.
83
= 0% = 10%
= 1% = 15%
= 3% = 20%
= 5%
Com base nos resultados obtidos, observou-se pouca influência da variação das
condições de operação no processo de estimação, quando comparado aos resultados em
condições nominais. Percebe-se que para o motor 1, os desequilíbrios na tensão de alimen-
tação foram os responsáveis pelas maiores diferenças observadas, em que se verifica que o
aumento no desequilíbrio provocou offset negativo na estimação. Tal constatação também
pode ser observada pelo cálculo do EQM obtido entre o vetor de estados simulado, x(t), e o
estimado, x̂(t), apresentado nas Tabelas 7 e 8. Verifica-se que os maiores erros se relacionam
84
a desequilíbrios elevados, tais como o de 8%. Contudo, tal diferença representa apenas
cerca de 1,8% de severidade (µ) entre as curvas em condições nominais e em desequilíbrio.
Ressalta-se que a aproximação da corrente de curto-circuito if (t) apresentada na Seção 5.1,
utiliza a tensão de alimentação aplicada ao enrolamento com falha, afetando diretamente
tal aproximação em caso de desequilíbrio na tensão de alimentação.
µ(%) Tc = 0N m Tc = 1N m Tc = 2N m Tc = 3N m Tc = 4N m
0 18,642 18,798 19,133 19,687 20,499
1 18,614 18,792 19,149 19,707 20,533
3 18,623 18,791 19,124 19,665 20,475
5 18,631 18,757 19,052 19,557 20,295
10 18,579 18,592 18,737 19,014 19,433
15 18,558 18,486 18,482 18,564 18,732
20 18,585 18,481 18,414 18,410 18,474
Contudo, mesmo sobre variações nas condições de operação, a curva que relaciona
a estimação e a respectiva falha aplicada apresentou comportamento estável, podendo ser
utilizada para inferir falhas em condições experimentais.
Desta forma apresentou-se, nesta seção, a simulação do MIT em condições de falha,
bem como o processo de filtragem e estimação paramétrica aplicada. Observou-se que,
apesar de apresentar baixa precisão absoluta quanto aos valores estimados, o método ainda
permite identificar as falhas e mensurá-las de forma qualitativa, a partir da observação
de sua variação. Os resultados obtidos permitirão a análise mais precisa dos resultados
experimentais, obtidos utilizando dados reais de motores com falha e que serão expostos
na seção seguinte.
85
= 0% = 10%
= 1% = 15%
= 3% = 20%
= 5%
= 0% = 5%
= 1% = 10%
= 3%
= 0% = 5%
= 1% = 10%
= 3%
a vazio e em plena carga, pode-se definir faixas de estimação para a interpolação dos valores.
Neste caso, o valor da falha não seria precisamente conhecido, mas sim pertencente a um
intervalo definido; por exemplo, considerando que para o motor 1, Θ̂1 (t) = 2×10−3 , pode-se
h i
inferir que µ(%) ∈ 2, 5 , 3, 8 , da mesma forma que para o motor 2, Θ̂1 (t) = 8 × 10−3 ,
h i
µ(%) ∈ 2, 6 , 6, 6 , compondo limitantes mínimos e máximos para a estimação da falha.
Dentre os fatores os quais podem justificar tais resultados, cita-se principalmente
erros oriundos da estimação tais como observado na Seção 6.1. Percebe-se também que o
modelo matemático do MIT, com o qual desenvolveu-se a metodologia, considera torque
de carga nulo, levando em consideração apenas a componente de atrito. Tal condição foi
determinada neste trabalho, devido à entrada de carga não satisfazer o requisito de ser
persistentemente excitável. Contudo, tal definição pode apresentar-se de forma restritiva
ao desempenho do método, considerando equipamentos com torque nominal mais elevado.
91
= 0% = 10%
= 1% = 15%
= 3% = 20%
= 5%
= 0% = 5%
= 1% = 10%
= 3%
A partir das Figuras 22(a) e 22(c), observa-se que o desequilíbrio de tensão causa
variações no valor estimado. Percebe-se que as condições de falha incipiente apresentaram
maior combinação entre seus respectivos valores de estimação, principalmente em situações
de desequilíbrio severo, tais como aqueles superiores a 4%. Contudo, de forma similar aos
resultados previamente apresentados, nota-se a evolução do parâmetro frente à severidade
de falha aplicada ao motor, permitindo relacionar o incremento de Θ̂1 (t) com o aumento da
92
= 0%
= 0%
= 1%
= 3%
= 1%
= 3%
= 5%
= 10% = 5%
= 15% = 10%
= 20%
Para esta análise, são considerados os valores médio temporais de cada uma das
315 amostras obtidas para o motor 1 e 225 amostras para o motor 2. Observa-se a partir
dos resultados apresentados que, tanto a variação da carga do motor quanto o desequilíbrio
na tensão de alimentação, podem afetar o processo de estimação, gerando alterações no
valor observado. Contudo, percebe-se que o método permite inferir os diversos níveis
de falha, possibilitando diferenciá-los e verificar a evolução de sua severidade. Nesta
93
figura, observa-se que para severidades maiores que 3%, as estimações formam superfícies
separáveis.
7 CONCLUSÃO
O método proposto neste trabalho possui pontos que podem ser aprimorados, vi-
sando a evolução do trabalho e obtenção de melhores resultados. Primeiramente, ressalta-se
o desempenho do filtro robusto utilizado. Novas LMIs com condições menos conservadoras
podem aprimorar a filtragem, além de permitir uma estimação paramétrica mais precisa,
com maior robustez. Cita-se também o estudo e investigação da metodologia de estimação
paramétrica utilizando filtros estocásticos não-lineares, tais como o EKF, os quais possibi-
litariam a estimação da dinâmica de curto-circuito sem a necessidade de aproximações ou
considerações adicionais, possibilitando um melhor desempenho.
Considerando o estudo e análise de falhas em máquinas elétricas, pode-se realizar
o estudo e desenvolvimento de novos modelos, possibilitando a representação de outras
falhas, tais como falhas de rolamento e de rotor, e sua respectiva detecção e mensuração
com a técnica aqui apresentada. Cita-se também a implementação da metodologia em
hardware, possibilitando a filtragem e estimação no MIT em tempo real.
REFERÊNCIAS
HOLTZ, J. Sensorless control of induction motor drives. Proceedings of the IEEE, v. 90,
n. 8, p. 1359–1394, 2002. Citado na página 13.
KALMAN, R. E.; BUCY, R. S. New Results in Linear Filtering and Prediction Theory.
Journal of Basic Engineering, v. 83, n. 1, p. 95–108, 03 1961. Citado na página 12.
KHALIL, H. K. Nonlinear systems. Upper Saddle River, N.J: Prentice Hall, Inc., 2002.
v. 3. Citado na página 12.
KIM, Y.-R.; SUL, S.-K.; PARK, M.-H. Speed sensorless vector control of induction motor
using extended Kalman filter. IEEE Transactions on Industry Applications, v. 30, n. 5, p.
1225–1233, 1994. Citado na página 13.
KRAUSE, P. et al. Analysis of Electric Machinery and Drive Systems. Piscataway, N.J:
IEEE Press, 2002. Citado na página 33.
KRISHNAN, R. Electric motor drives: modeling, analysis, and control. Upper Saddle
River, N.J: Prentice Hall Inc., 2001. Citado 3 vezes nas páginas 33, 45 e 50.
LACERDA, M. J.; OLIVEIRA, R. C.; PERES, P. L. Robust H2 and H∞ filter design for
uncertain linear systems via lmis and polynomial matrices. Signal Processing, v. 91, n. 5,
p. 1115 – 1122, 2011. Citado 2 vezes nas páginas 12 e 20.
LASCU, C.; BOLDEA, I.; BLAABJERG, F. Direct torque control of sensorless induction
motor drives: a sliding-mode approach. IEEE Transactions on Industry Applications,
v. 40, n. 2, p. 582–590, 2004. Citado na página 13.
LOFBERG, J. YALMIP: a toolbox for modeling and optimization in MATLAB. In: 2004
IEEE International Conference on Robotics and Automation (IEEE Cat. No.04CH37508).
Taipei, Taiwan: [s.n.], 2004. p. 284–289. Citado 2 vezes nas páginas 15 e 58.
MOSEK ApS. The MOSEK optimization toolbox for MATLAB manual. Version 9.0. [S.l.],
2019. Disponível em: <http://docs.mosek.com/9.0/toolbox/index.html>. Citado 4 vezes
nas páginas 15, 27, 58 e 70.
NA, J. et al. Robust adaptive finite-time parameter estimation for linearly parameterized
nonlinear systems. In: Proceedings of the 32nd Chinese Control Conference. Xi’an, China:
[s.n.], 2013. p. 1735–1741. Citado na página 28.
NGUYEN, V. et al. Model-based diagnosis and rul estimation of induction machines under
interturn fault. IEEE Transactions on Industry Applications, v. 53, n. 3, p. 2690–2701,
2017. Citado na página 89.
NGUYEN, V. et al. Fault severity estimation using nonlinear Kalman filter for induction
motors under inter-turn fault. In: IECON 2016 - 42nd Annual Conference of the IEEE
Industrial Electronics Society. Florence, Italy: [s.n.], 2016. p. 1488–1493. Citado na
página 13.
OGATA, K. Engenharia de controle moderno. 5. ed. São Paulo: Pearson Prentice Hall,
2010. Citado na página 45.
OMAR, T. et al. Modeling of the induction machine for the diagnosis of rotor defects.
Part I. An approach of magnetically coupled multiple circuits. In: 31st Annual Conference
of IEEE Industrial Electronics Society, 2005. IECON 2005. Raleigh, USA: [s.n.], 2005. p.
8 pp.–. Citado na página 33.
ONDEL, O. et al. Coupling Pattern Recognition With State Estimation Using Kalman
Filter for Fault Diagnosis. IEEE Transactions on Industrial Electronics, v. 59, n. 11, p.
4293–4300, 2012. Citado na página 13.
RAYYAM, M. et al. Stator and rotor faults detection in Induction Motor (im) using
the Extended Kalman Filter (ekf). In: 2016 International Conference on Electrical and
Information Technologies (ICEIT). Tangiers, Morocco: [s.n.], 2016. p. 148–152. Citado na
página 13.
REN, H.; ZONG, G. Asynchronous input-output finite-time filtering for switched LPV
systems. Journal of the Franklin Institute, v. 354, n. 14, p. 6292 – 6311, 2017. Citado na
página 17.
RODRIGUES, M. et al. Actuator fault estimation based adaptive polytopic observer for a
class of LPV descriptor systems. International Journal of Robust and Nonlinear Control,
v. 25, n. 5, p. 673–688, 2015. Citado na página 13.
SMITH, A. N.; GADOUE, S. M.; FINCH, J. W. Improved rotor flux estimation at low
speeds for torque mras-based sensorless induction motor drives. IEEE Transactions on
Energy Conversion, v. 31, n. 1, p. 270–282, 2016. Citado na página 62.
TOLIYAT, H. A.; LIPO, T. A. Transient analysis of cage induction machines under stator,
rotor bar and end ring faults. IEEE Transactions on Energy Conversion, v. 10, n. 2, p.
241–247, 1995. Citado na página 33.
VANEK, B. et al. Bridging the gap between theory and practice in LPV fault detection
for flight control actuators. Control Engineering Practice, v. 31, p. 171 – 182, 2014.
Citado na página 13.
101
VARGA, A.; OSSMANN, D. LPV model-based robust diagnosis of flight actuator faults.
Control Engineering Practice, v. 31, p. 135 – 147, 2014. Citado na página 13.
WAN, E. A.; MERWE, R. V. D. The unscented kalman filter for nonlinear estimation. In:
Proceedings of the IEEE 2000 Adaptive Systems for Signal Processing, Communications,
and Control Symposium (Cat. No.00EX373). Lake Louise, Canada: [s.n.], 2000. p. 153–158.
Citado na página 13.
WU, Y.; JIANG, B.; WANG, Y. Incipient winding fault detection and diagnosis for
squirrel-cage induction motors equipped on CRH trains. ISA Transactions, v. 99, p. 488 –
495, 2020. Citado na página 93.
XIE, L.; SOUZA, C. E. de. On robust filtering for linear systems with parameter
uncertainty. In: Proceedings of 1995 34th IEEE Conference on Decision and Control. New
Orleans, LA: [s.n.], 1995. v. 2, p. 2087–2092 vol.2. Citado na página 17.
YAN, H. et al. Distributed event-triggered H∞ state estimation for T–S fuzzy systems
over filtering networks. Journal of the Franklin Institute, v. 354, n. 9, p. 3760 – 3779, 2017.
Special issue on analysis and synthesis of control systems over wireless digital channels.
Citado na página 17.
ZAKY, M. et al. Very low speed and zero speed estimations of sensorless induction motor
drives. Electric Power Systems Research, v. 80, n. 2, p. 143 – 151, 2010. Citado na página
62.
ZHANG, Z.-H.; YANG, G.-H. Fault detection for discrete-time uncertain lpv systems
using non-minimal order filter. Journal of the Franklin Institute, v. 355, n. 2, p. 902 – 921,
2018. Citado na página 12.
ZHOU, M. et al. H / H∞ fault detection observer design for a polytopic LPV system
using the relative degree. International Journal of Applied Mathematics and Computer
Science, Sciendo, Berlin, v. 28, n. 1, p. 83 – 95, 2018. Citado 2 vezes nas páginas 13 e 62.
ZOULAGH, T. et al. H∞ filter design for discrete time-varying delay systems: three-term
approximation approach. IET Control Theory and Applications, Institution of Engineering
and Technology, v. 12, p. 254–262, 2018. Citado na página 12.