Classificador inteligente para falhas mecânicas em motores de indução trifásicos

Abstract

Os motores de indução são um dos equipamentos mais relevantes para a indústria moderna devido a sua alta aplicabilidade e seu elevado rendimento energético. Em condições inadequadas de operação, como temperatura ou pressão elevada, vibrações ininterruptas e variações de carga, os motores tendem a aumentar a suscetibilidade a falhas externas e internas, acarretando em uma contração na sustentabilidade econômica do processo fabril e tornando-se uma fonte de vibrações excessivas, o que para análise estrutural pode ser fontes de risco a segurança de todo o ambiente no qual é instalado e seus arredores. Este trabalho tem como objetivo elaborar um sistema de diagnóstico para falhas mecânicas de motores de indução trifásico, utilizando sinais de vibração do maquinário provenientes base de dados MaFaulDa, para produzir um estudo comparativo de algoritmos inteligentes, como redes neurais artificiais, Florestas aleatórias, Adaboost, regressão logística e XGBoost utilizando características extraídas das séries temporais: índices de entropia, curtose, amplitude média, magnitude espectral média, máxima, sua centróide, em um sistema de segmentação de 10 ms. Avaliando duas técnicas para a otimização de hiperparâmetros - Algoritmos genéticos e a pesquisa randômica. Obtendo um teor de generalização em sua topologia final, indicado pela métrica de accuracy acima de 98%, adequando-se a faixa de valores dos modelos referencias na área.

Induction motors are one of the most relevant equipment in modern industry due to their high applicability and energy efficiency. Under inadequate operating conditions, such as high temperature or pressure, uninterrupted vibrations and load variations, motors tend to increase their susceptibility to external and internal failures, resulting in a contraction in the economic sustainability of the manufacturing process and becoming a source of excessive vibrations, which is for structural analysis a risk source to the entire environment safety. This work aims to develop a diagnostic system for mechanical failures of three-phase induction motors, using machinery vibration signals from the MaFaulDa database, to elaborate a comparative study of intelligent algorithms, such as artificial neural networks, Random Forests, Adaboost, logistic regression and XGBoost. Extracting features from the time series such as entropy, kurtosis, mean amplitude, average spectral magnitude, its maximum and its centroid, in a 10 ms segmentation system. Evaluating the best two techniques for hyperparameter optimization - Genetic Algorithms and Random Search. Obtaining a generalization content in its final topology, indicated by the accuracy metric above 98%, fitting in the range of values of the area’s reference models.