Desenvolvimento de sistema para detecção de falhas em rolamentos de motores de indução a partir de seus sinais de vibração

• Ano de defesa: 2022
• Autor(a) principal: Bórnea, Yuri Piccolo
• Orientador(a): Castoldi, Marcelo Favoretto
• Banca de defesa: Sobrinho, André Sanches Fonseca , Angelico, Bruno Augusto , Castoldi, Marcelo Favoretto , Scalassara, Paulo Rogério , Endo, Wagner
• 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
• País: Brasil
• Palavras-chave em Português: Motores elétricos de indução; Redes Neurais (Computação); Localização de falhas (Engenharia); Electric motors, Induction; Neural networks (Computer science); Fault location (Engineering)
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/30182

O presente trabalho aborda o estudo e desenvolvimento de uma metodologia capaz de identificar condições de falhas em rolamentos de motores de indução durante o funcionamento dessas máquinas através de seus sinais de vibração. São utilizados sinais de vibração do banco de dados da Case Western Reserve University, que incluem a situação de motores com rolamentos saudáveis ou com falhas. É aplicada a Transformada de Hilbert-Huang como pré-processamento de sinais seguida da extração de características no domínio do tempo e no domínio do tempo-frequência do resultado da transformada. Por fim, com o intuito de se fazer a identificação e classificação de padrões das características extraídas, é utilizada uma rede neural artificial Perceptron Multicamadas para predição de condição dos rolamentos do motor e do tipo de falha, a fim de se obter um sistema de diagnóstico de falhas eficaz. Os resultados são medidos entre rolamentos saudáveis ou defeituosos e pelo o tipo de falha acometida pelos rolamentos, sendo que o sistema proposto apresentou 100% de acurácia na classificação de padrões entre falhas e não falhas, 58,97% entre as falhas, sem diferenciar os rolamentos, 78,57% somente para falhas relacionadas ao rolamento frontal e 72,73% para falhas do rolamento traseiro.