Redes Neuronais Convolucionais no Diagnóstico de Falhas em Rolamentos de Motores de Indução

Abstract

Os métodos de diagnóstico de falhas para sistemas eletromecânicos são de grande relevância para a indústria no século XXI. Com o diagnóstico precoce de falhas obtemos um impacto económico importante, é possível reduzir o tempo em que um dado sistema está inativo, bem como melhorar a segurança do meio envolvente, pois podem ser evitadas falhas perigosas para os utilizadores. Tendo como base as tensões induzidas diferenciais, o trabalho nesta dissertação consistiu na proposição de um novo método de classificação de falhas em rolamentos de motores de indução trifásicos, com a aplicação de uma Rede Neuronal de Convolução na identificação destas. As tensões induzidas diferenciais têm a capacidade de detetar anomalias no campo magnético presentes no entreferro aquando da ocorrência de falhas nos rolamentos, falhas no estator e rotor, e excentricidades no motor, devido à alta sensibilidade deste às pequenas oscilações provocadas pelas falhas. A obtenção destas tensões é realizada através da colocação de seis boninas de teste nas ranhuras do estator. Uma das mais valias deste novo método é a eliminação de conhecimento especializado na identificação das diferentes características das falhas permitindo assim facilmente estender este método a díspares tipos motores. O objetivo principal desta dissertação é a identificação por parte de uma rede neuronal convolucional dos vários padrões característicos, de cada uma das falhas em enrolamentos, presentes nas tensões induzidas diferenciais, demonstrando assim a grande utilidade da introdução de algoritmos de inteligência artificial no diagnóstico de falhas em motores.

Diagnostic methods for electromechanical systems are highly relevant for the 21st century industry. With early fault detection we can achieve an important economic impact, is possible to reduce the time a given system is inactive, and improving the safety of the surrounding environment as well, by avoiding dangerous failures for the users. Based on differential induced tensions, the work in this thesis consisted in proposing a new method of classifying faults in bearings of three-phase induction motors, using a convolutional neural network for their identification. Differential induced tensions have the ability to detect anomalies in the magnetic field present in the air gap when bearing faults, stator and rotor faults, and eccentricities in the motor occur, due to their high sensitivity to small oscillations caused by those faults. These differencial tensions are obtained by placing six test probes in the stator slots. One of the advantages of this new method is the elimination of specialized knowledge in the identification of different failure characteristics, and thus allowing this method to be easily extended to different types of motors. The main objective of this thesis is the identification by a convolutional neural network of the various characteristic patterns in each of the failures on bearings can be detected, present in the differential induced tensions, demonstrating the great utility of introducing artificial intelligence algorithms in the diagnosis of faults in motors.