Aplicação da rede neural convolucional para a extração de características e classificação de falhas no motor de indução trifásico

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Nogueira, Eduardo de Andrade lattes
Orientador(a): Goedtel, Alessandro lattes
Banca de defesa: Goedtel, Alessandro lattes, Silla Junior, Carlos Nascimento lattes, Marinello Filho, Jose Carlos lattes, Castoldi, Marcelo Favoretto lattes, Scalassara, Paulo Rogerio lattes
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Tecnológica Federal do Paraná
Cornelio Procopio
Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/5302
Resumo: O Motor de Indução Trifásico é o principal elemento de conversão eletromecânica de energia na indústria. Assim devido ao desgaste e a problemas de qualidade de energia este motor pode apresentar falhas e assim levar a parada inesperada nos processos industriais. Este trabalho apresenta uma metodologia alternativa para a extração de características de falhas dos sinais de tensão e corrente das três fases de alimentação do motor de indução trifásico utilizando a rede neural convolucional. Os dados utilizados neste trabalho são provenientes de ensaios experimentais em laboratório, onde as falhas foram introduzidas artificialmente no motor. Estes testes foram realizados com os dados com as taxas amostrais de 15ksps, 7,5ksps, 3ksps e 1,5ksps, utilizando quatro classificadores de padrão, a saber: Perceptron MultiCamadas, Naive Bayes, Máquina de Vetor de Suporte e K-Próximos Vizinhos. Os resultados obtidos demonstram que a estratégia proposta nesta dissertação mostrou-se viável para a classificação de falhas no motor de indução trifásico.