Classificação de falhas em maquinas eletricas usando redes neurais, modelos wavelet e medidas de informação

Este trabalho apresenta uma proposta de metodologia para detecção e classificação de falhas em motores de indução trifásicos ligados diretamente à rede elétrica. O método proposto é baseado na análise dos sinais de corrente do estator, com e sem a presença de falhas nos rolamentos, estator e rotor. Um dos efeitos desses tipos de falhas é o aparecimento de componentes de frequência específicas, relacionados à velocidade de rotação da máquina. Os sinais foram analisados usando a decomposição wavelet-packet, que permite a avaliação dos sinais em bandas de frequência de tamanhos variáveis. A partir dessa decomposição, aplicaram-se medidas de previsibilidade, como entropia relativa, potência de previsão e variância de erro normalizada, obtida com a análise de componentes previsíveis. Com essas medidas, foi possível verificar quais componentes da decomposição são mais previsíveis. Neste trabalho, a variância de erro normalizada e a potência de previsão foram utilizadas como entradas para três topologias de redes neurais artificiais classificadoras: perceptron multicamadas, redes de funções de base radial e mapas auto-organizáveis de Kohonen. Foram testados seis diferentes vetores de entrada para as redes neurais, utilizando medidas de previsibilidade e número de elementos dos vetores variados. Os ensaios foram realizados considerando amostras de sinal de diferentes motores, com vários tipos de falha, operando sob diversos regimes de torque e condições de desequilíbrio de tensão. Primeiramente, os sinais foram classificados em dois padrões: com e sem a presença de falhas. Posteriormente, detectou-se o tipo de falha presente nos sinais: rolamento, estator ou rotor. Por último, as amostras foram classificadas dentro do subgrupo de falha em que estavam presentes.This work presents a methodology for diagnosis and classification of faults in three-phase induction motors connected directly to the power grid. The proposed method is based on the analysis of the stator current signals, with and without the presence of faults in the bearings, stator and rotor. These faults cause the presence of specific frequency components that are related to the machine rotational speed. The signals were analyzed using wavelet-packet decomposition, which allows a multiresolution evaluation of the signals. Using this decomposition, we estimated some predictability measures, such as relative entropy, predictive power and normalized error variance, obtained with the predictability component analysis. With this measures, we verified which were the most predictable components. In this work, normalized error variance and the predictive power were used as inputs to three topologies of artificial neural networks used as classifiers: multilayer perceptron, radial basis function and Kohonen self-organizing maps. We tested six different input vectors to the artificial neural networks, in which we vary the predictability measures and the number of elements of the vectors. The studies were performed considering samples of signals from different motors, with various kinds of faults, working under several load conditions and with voltage unbalance. The signals were firstly classified in two patterns: with and without the presence of faults. After, we detected the kind of fault was present in the signal: bearing, stator or rotor fault. Last, the samples were classified inside the subgroup in which they were