Aplicação de sistemas multi-classificadores no diagnóstico de falhas em motores de indução trifásicos

A manutenção de equipamentos é um dos principais fatores de custo no ambiente industrial, sendo de fundamental importância o desenvolvimento de técnicas de prevenção de falhas. Os motores de indução trifásicos são os equipamentos elétricos mais utilizados na industria, pois apresentam um baixo custo e boa robustez, entretanto, não estão imunes a diversos tipos de falhas como curto-circuitos nos enrolamentos e quebra de barras rotóricas. Diversas formas de aquisição, processamento e análise dos sinais são aplicadas para melhorar seu diagnóstico. As técnicas mais eficazes utilizam sensores de corrente e a análise de sua assinatura. Neste trabalho, são apresentadas análises a partir destes sensores, sendo esta informação processada através do vetor de Park, que fornece uma boa capacidade de visualização dos padrões. Visando a obtenção destes padrões fora do ambiente de operação, foi desenvolvida uma metodologia para a construção das bases de dados. Para a modelagem da máquina também é aplicada a transformação de Park no referencial estacionário para solucionar as equações diferenciais da máquina. Detecção de falhas requer uma análise profunda das variáveis envolvidas e suas influências, tornando o diagnóstico complexo. Reconhecimento de padrões permite que sistemas sejam gerados automaticamente, por encontrar padrões e conceitos nos dados, muitas vezes não detectados por especialistas, auxiliando na tomada de decisões. Algoritmos de classificação com diferentes paradigmas de aprendizado como k-vizinhos mais próximos, Redes Neurais, Árvores de Decisão e Naïve-Bayes são utilizados para reconhecer os padrões dos motores. Métodos de multiclassificação são empregados para melhorar o desempenho na taxa de erro de classificação, são examinados os seguintes algoritmos homogêneos: Bagging e Boosting e heterogêneos: Vote, Stacking e Stacking C. Nos resultados é possível notar a eficácia do modelo construído para simular as falhas assim como dos algoritmos multiclassificadores para a classificação de falhasEquipment maintenance is the major cost factor in industrial plants, it is very important the development of fault predict techniques. Three-phase induction motors are key electrical equipments used in industrial applications mainly because presents low cost and large robustness, however, it isn t protected from other fault types such as shorted winding and broken bars. Several acquisition ways, processing and signal analysis are applied to improve its diagnosis. More efficient techniques use current sensors and its signature analysis. In this dissertation, starting of these sensors, it is to make signal analysis through Park s vector that provides a good visualization capability. Faults data acquisition is an arduous task; in this way, it is developed a methodology for data base construction. Park s transformer is applied into stationary reference for machine modeling of the machine s differential equations solution. Faults detection needs a detailed analysis of variables and its influences that becomes the diagnosis more complex. The tasks of pattern recognition allow that systems are automatically generated, based in patterns and data concepts, in the majority cases undetectable for specialists, helping decision tasks. Classifiers algorithms with diverse learning paradigms: k-Neighborhood, Neural Networks, Decision Trees and Naïves Bayes are used to patterns recognition of machines faults. Multi-classifier systems are used to improve classification errors. It inspected the algorithms homogeneous: Bagging and Boosting and heterogeneous: Vote, Stacking and Stacking C. Results present the effectiveness of constructed model to faults modeling, such as the possibility of using multi-classifiers algorithm on faults classificatio