Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/49906
Title in Portuguese: Detecção de falhas de curto-circuito em motores de indução trifásicos usando classificadores baseados em protótipos
Author: Sousa, Diego Perdigão
Advisor(s): Cavalcante, Charles Casimiro
Co-advisor(s): Barreto, Guilherme de Alencar
Keywords: Teleinformática
Motores
Localização de falhas (Engenharia)
Prototype-based learning
Three-phase induction motors
Failures detection
Issue Date: 11-Feb-2019
Citation: SOUSA, D. P. Detecção de falhas de curto-circuito em motores de indução trifásicos usando classificadores baseados em protótipos. 2019. 148 f. Dissertação (Mestrado em Engenharia de Teleinformática) - Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2019.
Abstract in Portuguese: Os motores de indução trifásicos constituem-se em um dos equipamentos mais importantes da indústria moderna. Contudo, em muitas situações, tais equipamentos ficam submetidos a condições de uso inadequadas, tais como em ambientes com temperatura e umidade elevadas, variações bruscas de carga acima das especificadas, vibrações excessivas, dentre outras. Estas condições deixam os motores mais susceptíveis a falhas diversas, seja de natureza externa ou interna, que são obviamente indesejadas nos processos industriais. Neste contexto, a manutenção preditiva desempenha papel relevante, em que a detecção e o correto diagnóstico de falhas em tempo hábil leva ao aumento da vida útil do motor e, consequentemente, à diminuição de custos com parada da produção com manutenção corretiva. Diante destes fatores, nesta dissertação propõe-se uma metodologia de detecção de falhas por curto-circuito em motores de indução trifásicos que envolve algoritmos baseados em protótipos. Para este fim, são usadas tanto técnicas não supervisionadas - como o algoritmo K-médias - quanto supervisionadas, como os classificadores da família LVQ (Learning Vector Quantization). A metodologia inicia-se com a busca pelo número ótimo de protótipos a partir da análise não supervisionada de agrupamentos e de técnicas de validação de agrupamentos. Em seguida, os pro- tótipos assim encontrados são utilizados no treinamento supervisionado de vários classificadores da família LVQ. Avalia-se com profundidade a influência que cada tipo de critério de validação de agrupamentos exerce sobre os vários classificadores LVQ implementados. Em particular, o classificador GRLVQ (Generalized Relevance Learning Vector Quantization) obteve os melhores resultados ao apresentar taxas de acerto máximo de 98,3%, com os critérios Dunn e Silhueta destacando-se como os mais eficientes na determinação da quantidade ótima de protótipos.
Abstract: Three-phase induction motors are one of the most important equipment of modern industry. However, in many situations, these equipment are subject to inappropriate conditions such as in environments with high temperatures and humidity, abrupt variations of load above specified, excessive vibrations, among others. These conditions make motors more susceptible to various failures, whether external or internal, which are obviously undesirable in industrial processes. In this context, the predictive maintenance plays a relevant role, where the detection and correct diagnosis of failures in a timely manner leads to increasing the useful life of the motor and, consequently, to the reduction of costs with production stoppage due to corrective maintenance. Considering these factors, this dissertation proposes a methodology for detecting short-circuit failures in three-phase induction motors, which involves prototypes-based algorithms. To this end, both unsupervised techniques - such as the K-means and supervised algorithm, such as the LVQ (Learning Vector Quantization) family classifiers are used. The methodology starts with the seeking of the optimal number of prototypes from the unsu- pervised analysis of clusters and techniques clustering validation. Then, the prototypes that were found are used in the supervised training of various classifiers of the LVQ family. The influence that each type of clustering validation criterion exerts on the various LVQ classifiers implemented is deeply evaluated. In particular, the GRLVQ (Generalized Relevance Learning Vector Quantization) classifier obtained the best results where it presented a maximum classifica- tion rate of 98.3%, with the Dunn and Silhouette criteria standing out as the most efficient in determining the optimal quantity of prototypes.
URI: http://www.repositorio.ufc.br/handle/riufc/49906
metadata.dc.type: Dissertação
Appears in Collections:DETE - Dissertações defendidas na UFC

Files in This Item:
File Description SizeFormat 
2019_dis_dpsousa.pdf3,77 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.