Detecção e diagnóstico de defeitos no regime transitório de motores de indução baseado em sistemas inteligentes

• Ano de defesa: 2021
• Autor(a) principal: Maciejewski, Narco Afonso Ravazzoli
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise de robustez; Análise de séries temporais; Artificial intelligence; Defeitos em motores; Engine defects; Expert system; Inteligência artificial; Pattern recognition; Reconhecimento de padrões; Robustness analysis; Sistema especialista; Time series analysis
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-25062021-101153/

Os motores de indução trifásicos são os principais elementos de conversão de energia elétrica em mecânica para o setor produtivo, visto que apresentam baixo custo e longa durabilidade. Além disso, a redução de custos de manutenção e a implantação de técnicas preditivas torna-se um incentivo para o desenvolvimento de sistemas capazes de identificar defeitos intrínsecos à máquina. Frente a isso, essa pesquisa visa constituir uma metodologia robusta baseada em sistemas inteligentes para o diagnóstico e a detecção de defeitos de barras quebradas em motores de indução trifásicos ainda no regime transitório de operação. Para isso, inicialmente foi realizada uma busca sistematizada da literatura com o objetivo de alcançar o estado da arte da temática de detecção e de diagnóstico de defeitos em máquinas elétricas rotativas. O sistema inteligente proposto foi validado e testado com dados experimentais obtidos em condições normais e defeituosas do motor. Dessa maneira, foi proposta uma configuração baseada inteligência computacional para a identificação e supervisão de defeitos nesses elementos, e essas arquiteturas foram avaliadas e comparadas por meios de uma medida multicritério, inédita para essa finalidade, para atestar a relevância da metodologia proposta em relação as já existentes. Os resultados mostraram uma metodologia ágil e robusta para a recomendação de sistemas de detecção e de diagnóstico de defeitos em motores de indução com base nas características dos algoritmos de seleção de atributos e de aprendizado de máquinas.