Aplicação da rede neural convolucional para a extração de características e classificação de falhas no motor de indução trifásico
Ano de defesa: | 2020 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , , , |
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. |