X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
DESENVOLVIMENTO DE UM SISTEMA INTELIGENTE PARA DIAGNÓSTICO DE FALHAS NOS
ENROLAMENTOS DO ESTATOR DE MOTORES DE INDUÇÃO
VINÍCIUS SANTOS AVELAR, LANE MARIA RABELO BACCARINI, GLEISON FRANSOARES VASCONCELOS AMARAL.
DEPARTAMENTO DE ENGENHARIA ELÉTRICA, UNIVERSIDADE FEDERAL DE SÃO JOÃO DEL-REI - UFSJ
PRAÇA FREI O RLANDO, 170, CENTRO, 36.307.352 SÃO JOÃO DEL-REI, MG, BRASIL
E-MAILS: [email protected], [email protected], [email protected]
Abstract The short circuit is a severe shortage that occurs in the stator windings. It starts from a few turns, but with the warming of the isolated place, caused by the fault current which is very high, make this spread. Hence the importance of diagnosing
the fault in its beginning. In this context, then Support Vector Machine (SVM) is a tool of considerable importance for standard
classification. From some training data, it can diagnose whether or not there is a short circuit beginning, which is important for
predictive maintenance.
Keywords SVM, MIT, Fault Diagnosis, Initial Short Circuit.
Resumo O curto circuito é uma falta severa que pode ocorrer nos enrolamentos do estator. Ele começa envolvendo poucas espiras. A corrente no curto-circuito é muito elevada e provoca aquecimento localizado que rapidamente se estende para outras seções do enrolamento. Portanto, é muito importante diagnosticar este tipo de falha no início antes que provoque perda do motor e
parada não programada. Nesse contexto, a Máquina de Vetor de Suporte (SVM) é uma ferramenta de apreciável importância para
classificações de padrões. A partir de alguns dados de treinamento, ela pode diagnosticar se há ou não a falta em seu começo, o
que é importante para a manutenção preditiva.
Palavras-chave SVM, Diagnóstico de falhas, Curto-Circuito Inicial.
1 Introdução
A evolução das técnicas de produção tem aumentado
de forma sensível à capacidade produtiva das plantas
industriais, podendo-se afirmar que esse aumento é
causado principalmente pelo aumento da capacidade
produtiva de seus equipamentos. Como as etapas do
ciclo de vida destes equipamentos exigem elevados
investimentos, notadamente as etapas de manutenção
e operação necessitam garantir altos índices de disponibilidade e confiabilidade. Tais níveis podem ser
obtidos através da redução do número de falhas e o
gerenciamento de suas severidades, que fornece
ainda, como benefício adicional, o aumento da segurança da planta (Azevedo e outros, 2005).
Os custos da manutenção representam a maior
parte dos custos operacionais de toda a fabricação.
Podem representar entre 15% a 40% dos custos de
muitos produtos. Estudos de gerenciamento de manutenção indicaram que um terço do custo total de
manutenção é desperdiçado com procedimentos
inadequados ou desnecessários (Baccarini, 2005).
Estudos reais apresentados em (de Almeida,
2010) comprovaram a redução do risco de falhas em
empresas que implementaram técnicas de manutenção preditiva. O levantamento foi realizado pela
“Plant Performance Group” (uma divisão da “Technology for Energy Corporation”) e foi projetado para
quantificar o impacto da inclusão de técnicas de
manutenção preditiva como parte chave da filosofia
da gerência de manutenção. O grupo de amostra
incluía uma variedade de indústrias de geração de
energia elétrica, papel e celulose, processamento
alimentício, têxteis, ferro e aço, alumínio, e outras
indústrias de manufatura ou de processo. Os participantes tinham programas de manutenção preditiva
ISSN: 2175-8905 - Vol. X
estabelecidos com um mínimo de três anos de implementação. De acordo com os resultados do levantamento, as maiores melhorias foram obtidas em
custos de manutenção, falhas não programadas da
máquina, tempo parado para reparo, redução de peças no estoque, e recompensas diretas e indiretas de
hora extra. Em complemento, o levantamento indicou uma melhoria substancial na vida da máquina,
produção, segurança do operador, qualidade do produto, e lucro global. O levantamento determinou que
o aviso antecipado dos problemas da máquina e sistemas reduziu o risco de falha destrutiva. De acordo
com os autores da pesquisa “Este benefício tem sido
apoiado por várias empresas de seguro, que tem
oferecido reduções em benefícios para fábricas que
possuam, em andamento, um programa de manutenção preditiva baseada em condição.”
Atualmente existem diversos métodos utilizados
para detecção de curto-circuito nas espiras do estator
na área de manutenção preditiva, porém muitos deles
se mostram de baixo custo/benefício, ineficazes ou
mesmo de difícil aplicação em processos reais. Outra
questão existente é o fato de que muitos processos
rodam de forma contínua ou estão em ambientes
agressivos, exigindo que o monitoramento ideal seja
feito sem parada da máquina, de forma não invasiva
e, principalmente, sem expor o técnico ao contato
direto com a máquina.
Os enrolamentos do estator de motores de indução trifásicos são submetidos a estresse induzido por
diversos fatores: efeitos térmicos; vibrações mecânicas; estresse de tensão em acionamentos a freqüência
variável (Fang e Hongzhong, 2006). Resultados das
pesquisas realizadas pelo IEEE mostraram falhas no
estator representam 36% do total de falhas em motores de indução. A deterioração do isolamento do
estator normalmente começa com curto-circuito
474
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
envolvendo poucas espiras de uma mesma fase. A
corrente de falta é aproximadamente duas vezes a
corrente de rotor bloqueado e provoca aquecimento
localizado que rapidamente se estende para outras
seções do enrolamento (Tallam e outros, 2003).
Assim, a detecção de falhas entre espiras é especialmente importante, pois é o começo para a ocorrência das demais falhas que podem resultar em
perdas irreversíveis. Por isso, nos últimos anos, a
detecção de falhas vem despertando muito interesse
na comunidade científica. Estudos mostram que o
impacto da falha nas características do motor é pequeno, o que dificulta a sua detecção.
Os métodos baseados na análise da corrente elétrica (MCSA) não são invasivos e não requerem a
interrupção da operação dos sistemas de acionamentos (Benbouzid, 2000). A medição é feita por sensores comuns (TCs - transformadores de corrente) e
muitas vezes já estão presentes na aplicação a ser
monitorada (Baccarini, 2010).
Bartmann e outros (2009) comprovaram a eficiência da utilização de técnicas de inteligência artificial na detecção inicial de curto-circuito entre espiras. O método proposto utiliza apenas os sinais dos
sensores de corrente. Nesse caso, utilizou-se as
SVMs, do inglês Support Vectors Machine, para
diagnostico da presença da falha.
As Maquinas de Vetores de Suporte foi desenvolvida por Vapnik (1999), com o intuito de resolver
problemas de classificação de padrões e vem recebendo grande atenção nos últimos anos. Algumas de
suas características que as tornam atrativas são: i)
Boa capacidade de generalização; ii) Robustez em
grandes dimensões; iii) Convexidade da função objetivo. A técnica ainda é pouco explorada na área de
manutenção preditiva. Em relação à detecção e diagnostico de falhas em motores de indução trifásicos a
técnica deve ser incentivada (Widodo e Yang, 2008).
O trabalho de Bartmann e outros (2009) forneceu significativa contribuição, mas para o projeto das
SVMs foi necessário obter dados do sistema com
falhas, o que inviabiliza a sua utilização na prática.
Desta forma, o objetivo deste trabalho é propor uma
técnica para a detecção inicial de curto-circuito entre
espiras de uma mesma fase, ou seja, curto-circuito
entre poucas espiras, visando sua implementação em
uma planta real. O trabalho apresenta resultados de
simulações e resultados de testes experimentais,
validando a técnica proposta.
o monitoramento contínuo do motor para a detecção
da falha (Sottile e outros, 2000). Em Thomson e
Fenger (2001) são apresentadas analises de curtocircuito entre espiras de um motor de indução de
baixa tensão. Segundo os autores, mesmo com um
percentual significativo de curto-circuito (20% de
espiras em curto-circuito), o motor funcionou por 20
minutos antes da perda total do mesmo.
Warren e Stone (1998) descreveram os procedimentos dos testes normalmente utilizados para
detecção de falhas no isolamento de maquinas. Os
estudos são referentes aos seguintes testes: alto potencial, voltagem escalonada, impulso e descargas
parciais. A conclusão que os autores chegaram é que
os testes individualmente não são perfeitos, ou seja,
não são sensíveis para todos os tipos de falhas de
isolamento.
O curto-circuito provoca o desequilíbrio de impedâncias entre as três fases do motor tendo como
conseqüência o aparecimento de componentes de
sequências negativas de corrente e de impedância.
Entretanto os desequilíbrios entre as tensões do estator inerentes ao sistema de alimentação do motor
produzem o mesmo impacto, ou seja, provocam o
aparecimento de componentes de sequências negativas de corrente e de impedância, o que dificulta mais
ainda o diagnostico da falha. Portanto, qual e o melhor padrão para o diagnostico da falha?
As Maquinas de Vetores de Suporte (SVMs)
vem recebendo grande atenção nos últimos anos
(Cristianini e Shawe-Taylor, 2000). O destaque das
SVMs está em sua capacidade de generalização,
permitindo a sua utilização em diversas áreas do
conhecimento. A técnica ainda é pouco explorada na
área de manutenção preditiva e, em relação à detecção e diagnóstico de falhas em motores de indução
trifásicos a técnica deve ser incentivada (Widodo e
Yang, 2008).
2 Metodologia
sendo:
- número de espiras que não estão em curtocircuito;
- número de espiras que estão em curtocircuito e
- número total de espiras de uma fase.
2.1 Revisão de Literatura
O tempo de evolução de falhas de curto-circuito
entre espiras para as demais falhas (curto-circuito
entre bobinas de uma mesma fase e entre bobinas de
fases diferentes e, curto-circuito entre fase e terra)
não pode ser estimado, pois depende das condições
de operação do motor. O que se sabe e que a velocidade de evolução é rápida, justificando, dessa forma,
ISSN: 2175-8905 - Vol. X
2.2 Modelo Assimétrico do Motor
O modelo simétrico da maquina de indução é conhecido na literatura. O modelo assimétrico que permite
analisar assimetrias no estator e na rede de alimentação foi desenvolvido em Baccarini (2010) e Tallam e
outros (2003).
O percentual de espiras em curto é dado pela expressão:
=
=
(1)
As tensões do estator (Vas, Vbs, Vcs) são transformadas para o eixo dq através da aplicação da
Transformada de Park, obtendo-se as seguintes expressões:
+
cos θ = r i
+
+
(2)
475
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
+
sin = r i +
−
(3)
em que é a corrente de falta.
As equações do circuito do rotor são idênticas às
do rotor do modelo tradicional. As equações em
coordenadas dq para o cálculo dos fluxos do estator e
do rotor são:
=
+
−
cos
(4)
sendo:
,
e mútua;
=
+
−
sin
=
+
−
cos
(6)
=
+
−
sin
(7)
(5)
– indutâncias próprias do estator, do rotor
– Correntes de estator de eixo direto e de
quadratura;
- Correntes de rotor de eixo direto e de quadratra;
– Enlace de fluxo do estator de eixo direto
e de quadratura;
– Enlace de fluxo do rotor de eixo direto e
de quadratura.
A tensão
e o enlace de fluxo
nas espiras em curto-circuito podem ser explicitados em
função das correntes de eixo dq0.
=
cos +
sin −
+
=
As implementações das equações de (1) a (10)
permitem obter os fluxos, a velocidade, o torque e as
correntes para a operação do motor em condições de
curto-circuito. As componentes em coordenadas dq
(direto e de quadratura) podem ser transformadas
para as coordenadas de fase abc. Os sinais no tempo
podem ser analisados no domínio da frequência utilizando a ferramenta Fast Fourier Transform.
Para tal implementação, fez-se os ensaios sem
carga e de rotor travado para obtenção dos parâmetros do circuito equivalente do motor presente no
laboratório. Os ensaios foram executados conforme a
Norma Brasileira (NBR 5383).
Os parâmetros do circuito equivalente do motor
(3CV, 220V, 60Hz, 4 polos) obtidos através dos
ensaios são:
= 1,81 Ω, = 0,36 Ω
= 1,60 Ω, X = 3,72 Ω e X = 30,53 Ω
2.3 Simulação Computacional
Usou-se a implementação do modelo simétrico e
assimétrico do motor para a geração de um banco de
dados para treinamento e validação da SVM. A tabela 1 mostra a variação dos parâmetros utilizados nas
simulações.
Tabela 1. Variação dos parâmetros, dados simulados
Parâmetro
Valor
Mínimo
Valor Máximo
Carga
Tensão
Espiras em curtocircuito (percentual de
falhas)
50 (%)
85 (%)
0 (%)
100 (%)
105 (%)
5 (%)
(8)
=
sin +
cos +
sin +
cos −
sin +
cos −
+
(9)
O conjugado do motor é obtido pela expressão
10. O 1o termo representa o conjugado desenvolvido
pelo motor que é idêntico ao conjugado do motor
simétrico. O 2o termo é conseqüência da falha de
curto-circuito e depende do número de espiras em
curto-circuito e da corrente de curto-circuito.
3
=
−
+
22
( sin −
cos )
(10)
A figura 1 ilustra uma bobina do estator com
curto-circuito.
Figura 1. Representação do enrolamento do estator do motor com
curto-circuito, figura extraída de Baccarini (2005).
ISSN: 2175-8905 - Vol. X
2.4 Implementação Prática
A bancada de teste montada no Laboratório de Pesquisa Experimental do Departamento de Engenharia
Elétrica foi utilizado para a implementação do modelo. O sistema é constituído de: motor de indução que
recebeu projeto especial para a simulação da falha;
máquina de corrente continua; sistema de medição;
encoder; microcomputador com o software LabView
instalado; varivolt trifásico; resistências; placa de
aquisição da National Instuments.
O motor foi rebobinado de forma a permitir a
simulação de percentuais de curto-circuito entre as
espiras de uma mesma bobina. A configuração permite analisar curto-circuito entre, no mínimo, três
espiras e, no máximo, trinta e três espiras. Para aquisição de dados, analisou-se o curto entre três e seis
espiras. Para limitar a corrente de curto, foi inserida
uma resistência em série com as espiras a serem
curto circuitadas. Para a variação da carga, utilizouse um reostato para controlar a corrente de excitação
de campo da máquina de corrente continua, que alimentava algumas lâmpadas.
Foi montado um banco de dados para várias
condições de operação e percentuais de curto-
476
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
circuito. A tabela 2 apresenta as variações dos parâmetros em relação aos valores nominais do motor.
nosticar se o motor pode continuar a operar ou se é
necessária a interrupção para manutenção.
Tabela 2. Variação dos parâmetros, dados reais
Parâmetro
Valor Mínimo
Valor Máximo
Carga
Tensão
Espiras curtocircuitadas
0 (%)
65 (%)
nenhuma
110 (%)
105 (%)
6 espiras
Figura 3. Estrutura do Decisor
Vale ressaltar que a bancada era sempre movida
após a realização de alguns testes. Também se calçou
a bancada para poder causar uma pequena variação
na altura da mesma. Esses procedimentos permitiram
analisar se a presença de falhas mecânicas prejudicava o diagnóstico de curto-circuito.
Após cada teste de curto-circuito, foi executado
teste de operação simétrica. A figura 2 apresenta a
bancada e os acessórios utilizados para a realização
dos testes experimentais.
3 Resultados
3.1 Simulação Computacional
A figura 4 apresenta os dados de corrente distribuídos no plano R³ da componente fundamental da corrente normatizada. Observa-se que os dados são
misturados e que é necessário um mecanismos para a
separação entre as classes.
Figura 4. Componentes de 60 Hz das correntes
R³
Figura 2. Bancada experimental
2.5 Classificação dos padrões
Os dados foram classificados em duas condições:
 Condição 1: Motor simétrico, ou seja, sem a
presença de curto-circuito ( = 0);
 Condição 2: Presença de curto-circuito inicial.
Para todos os treinamentos, foi testado o parâmetro kernel, a função linear e a função Radial Bases Function (RBF), com variância de 0.001 a 1. Os
parâmetros de regularização das SVM foram variados de 1 a 1000000. Foram feitas as combinações
possíveis desses parâmetros e tomados os melhores
resultados. Foram usados os dados de corrente de
componente fundamental e de terceira harmônica e
da componente fundamental da tensão. É importante
ressaltar que as Máquinas de Vetores de Suporte
foram treinadas de modo a acertar o máximo da condição 1 ausência de falha, pois desse modo evita-se a
parada não necessária do motor devido a falsos alarmes.
A figura 3 apresenta o esquema da metodologia
que foi utilizado. O decisor é responsável por diag-
ISSN: 2175-8905 - Vol. X
,
no plano
A tabela 3 contém a quantidade de testes simulados computacionalmente, utilizados para o treinamento e validação da rede e a tabela 4 confirma o
bom desempenho da SVM para a classificação de
padrões. Os parâmetros utilizados para o treinamento
e validação da SVM.foram as correntes fundamentais
e de terceira harmônica. A tabela 5 apresenta o melhor resultado para o treinamento utilizando corrente
e tensão fundamental.
Tabela 3. Quantidade de simulações.
Condição 1
Condição 2
Treinamento
Validação
100
100
250
250
Tabela 4. Quantidade de acertos para cada condição.
Condição 1
Condição 2
Treinamento
Validação
100 %
100 %
99,6 %
99,2 %
Tabela 5. Quantidade de acertos para cada condição.
Condição 1
Condição 2
Treinamento
Validação
100 %
97 %
99,2 %
88,2 %
477
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
3.2 Validação Prática
Condição 2
A figura 5 mostra a distribuição das correntes da
componente de 60Hz normatizadas do sistema no
plano R³. Por essa figura percebe-se, assim como na
simulação, a dificuldade de separar as duas classes,
ou seja, sem defeito da condição de presença de
falhas de curto-circuito inicial entre espiras.
25
55
Tabela 7. Quantidade de acertos para cada condição.
Condição 1
Condição 2
Treinamento
Validação
100 %
100 %
100 %
83,64 %
Para essa condição, foi utilizado a corrente e a
tensão fundamental normatizadas, pois apresentaram
o melhor resultado. É importante destacar que não
ocorreu uma falta grave que seria a de diagnosticar
curto na operação simétrica, pois esse erro causaria a
parada desnecessária do acionamento. A tabela 8
mostra o acerto total, tanto para a condição 1 quanto
para a condição 2.
Tabela 8. Quantidade de acertos total
Figura 5. Componentes de 60Hz das correntes no espaço: resultados experimentais.
A figura 6 mostra a distribuição das componentes de 180 Hz das correntes normatizadas, distribuídas no espaço e a figura 7 apresenta a distribuição
das componentes de 60Hz das tensões
,
normatizadas.
Figura 6. Componentes de 180 Hz das correntes no espaço.
Figura 7. Componentes de 60Hz das tensões
,
no espaço.
As figuras 6 e 7 mostram que o impacto do curto-circuito inicial não é facilmente representado pela
terceira harmônica da corrente e que também não
causa um desequilíbrio considerável na tensão.
A tabela 6 apresenta a quantidade de testes reais
utilizados para o treinamento e validação da rede e a
tabela 7 mostra os resultados de acertos individualmente, em porcentagem, para cada condição.
Tabela 6. Quantidade de simulações.
Condição 1
ISSN: 2175-8905 - Vol. X
Treinamento
Validação
45
55
Acertos
Treinamento
Validação
100%
91,8182%
Proposta de diagnóstico
Assim, concluiu-se que a técnica proposta pode
ser utilizada no diagnóstico de falhas de curtocircuito inicial. É importante ressaltar que o método
utiliza apenas os sinais de sensores normalmente
presentes na planta industrial. Mas, a grande desvantagem do método proposto é a necessidade de dados
de falhas reais para o projeto da SVM o que inviabiliza a sua utilização numa planta real. Assim a motivação principal do nosso trabalho foi responder o
seguinte questionamento:
Será que as SVMs projetadas com dados de
simulação podem ser utilizadas com os dados
reais? Ou seja, o sistema treinado a partir dos
parâmetros do modelo representa bem a planta
real?
A partir dos ensaios de rotor travado e de rotor
bloqueado foram obtidos os parâmetros do motor de
indução trifásico. Utilizando o modelo dinâmico
simétrico e assimétrico os dados de treinamento
foram obtidos. Após o projeto da rede com os dados
de simulação utilizou-se dados reais (experimentais)
para analisar o desempenho da rede.
A tabela 9 apresenta a quantidade de testes gerados. Para o treinamento foram utilizados dados
simulados e para a validação dados reais. A tabela 10
mostra os resultados de acertos individualmente, em
porcentagem e o acerto total, utilizando a corrente e a
tensão fundamental normatizadas.
Tabela 9. Quantidade de simulações.
Condição 1
Condição 2
Treinamento
100
100
Validação
100
80
Tabela 10. Quantidade de acertos.
Condição 1
Treinamento
99,995 %
Validação
73 %
478
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
Condição 2
Acertos totais
95 %
94,50%
68,75 %
71,1111%
4 Conclusão
O curto-circuito é uma falta severa e deve ser
diagnosticado inicialmente para evitar perdas maiores, como a parada não programada da produção ou
até mesmo a perda irreversível do motor.
O trabalho mostrou a eficiência da SVM para
diagnóstico de faltas nas máquinas de indução. O
índice total de acerto para o caso da utilização de
SVM treinadas a partir de dados de simulação foi de
71%. O sistema apresentou desempenho significativo
uma vez que nos experimentos o curto-circuito foi
controlado por uma resistência que limitou as correntes no curto em valores inferiores à corrente nominal
da máquina. Este procedimento foi necessário para
evitar a queima da máquina em função do número de
testes realizados. Na prática a corrente de curto é de
aproximadamente 14 (quatroze) vezes a corrente
nominal. Assim, os índices de acerto seriam bem
superiores ao encontrado. Para prosseguimento e
conclusão definitiva da robustez da técnica proposta
é necessária a compra e o rebobinamento de mais
motores de modo a permitir os testes de curtocircuito franco, ou seja, sem a necessidade de um
resistor de controle da corrente.
O trabalho mostrou também que a presença
de pequenas falhas mecânicas não compromete o
sistema de diagnóstico de falhas de curto-circuito.
5 Agradecimentos
Agradecemos a FAPEMIG que financiou este
trabalho
através
do
programa
PIBIC/FAPEMIG/UFSJ
e
a
Capes
(Procad/UFMG/UFPE/UDESC/UFSJ).
6 Referências Bibliográficas
Azevedo, H. R. de; Souza, S. P. S; Martins, F. R.
(2005). Sistemas para Diagnóstico Automático
de falha. Dificuldades e Soluções para Obtenção de Resultados. XX Congresso Abraman.
Baccarini L. M. R. (2005). Detecção e Diagnóstico
de Falhas em Motores de Indução, Faculdade de
Engenharia Elétrica, UFMG,179 p. Tese.
Baccarini, L.M.R.; Menezes, B.R. de; Caminhas,
W.M. (2010). Fault induction dynamic model
for computer simulation: simulation results and
experimental validation, Mech. Syst. Signal Process. 24 (1) 300–311.
Bartmann S, Amaral, G. F. V e Baccarini, L. M. R
(2009). Utilização de Máquinas de Vetores de
Suporte para o Diagnostico de Curto-Circuito
Inicial entre Espiras do Estator de Motores Trifasicos, Anais do IX Congresso Brasileiro de
Redes Neurais / Inteligencia Computacional.
ISSN: 2175-8905 - Vol. X
Benbouzid, Mohamed E. H. (2000). “A review of
induction motors signature analysis as a medium
for faults detection,” IEEE Trans. Ind. Electron.,
vol. 47, pp. 984–993.
Cristianini, N e Shawe-Taylor (2000), J. An Introduction to Support VectorMachines, Cambridge
Univ Press, available: www. supportvector.net.
de Almeida M. T. (2010) -Manutenção Preditiva:
Benefícios e Lucratividade. Professor da Escola
Federal de Engenharia de Itajubá. Consultor em
Monitoramento de Máquinas pela MTA. Itajubá
– MG.
Fang R e Hongzhong Ma (2006). “Application of
MCSA and SVM to Induction Machine Rotor
Fault Diagnosis”. Intelligent Control and Automation, WCICA - The Sixth World Congress
on. 2, pp.5543 – 5547
IEEE IAS Motor Reliability Working Group, Report
of large motor reliability survey of industrial and
commercial installations: Part 1, IEEE Transactions on Industry Applications IA-21 (4) (1985)
853–864.
IEEE IAS Motor Reliability Working Group, Report
of large motor reliability survey of industrial and
commercial installations: Part 3, IEEE Transactions on Industry Applications IA-23 (1) (1987)
153–158.
Sottile J., Trutt, FC and Kohler J.L (2000). Experimental Investigation of On-Line Methods for
Incipient Fault Detection- Conf. Rec. IEEEIAS, (4), pp: 2682-2687.
Tallam, R.M.; Lee, S.B.; Stone, G.; Kliman, G.B.;
Yoo, J.; Habetler, T.G.; Harley, R.G. (2003). A
survey of methods for detection of stator related
faults in induction machines, in: 4th IEEE International Symposium on Diagnostics for Electric
Machines, Power Electronics and Drives,
SDEMPED, pp. 35–46.
Thomson W.T e Fenger, M. (2001). Current signature analysis to detect induction motor faults,
Industry Application Magazine, IEEE, July.
2001, pp. 26-34.
Vapnik V.N. (1999) An overview of statistical learning theory. IEEE Transactions on Neural Networks, 10(5): pp. 988–999.
Warren, V. e Stone, G (1998). Recent developments
in diagnostic testing of stator windings. Electrical Insulation Magazine, vol. 14, pp. 16-21.
Widodo, A. Yang B. S. (2008), Wavelet support
vector machine for induction machine fault diagnosis based on transient current signal, Expert Systems with Applications 35 (2), pp 307316.
479