Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

RECONHECIMENTO E CATEGORIZAO DE FALTAS EM MOTORES DE INDUO TRIFSICOS ATRAVS DE MODELOS OBTIDOS POR REDES NEURAIS E SUPERFCIES DE RESPOSTA

ARISMAR M.G., JNIOR, VALCERES V.R., SILVA, LANE M. R., BACCARINI.

Departamento de Engenharia Eltrica, Universidade Federal de So Joo del Rei
Praa Frei Orlando 170 36307 352 So Joo del Rei MG
E-mails:juninho_ufsj@yahoo.com.br,vvrsilva@ufsj.edu.br,rabelo@ufsj.edu.br
Abstract Three phase induction motors are very robust machines and can be exposed to a wide variety of environmental and
operating conditions, what can result in a number of failures during their use. The early detection of faults can prevent these electric motors degradation or even complete breakdown. Artificial intelligence techniques have been preferred to conventional
methods to diagnose electric motors faults. The application of these techniques allows for more practical analysis and, in many
cases, avoiding maintenance specialist intervention. In this work, a model consisting of five neural networks and a decisionmaking structure was constructed to diagnose a three-phase induction motor, operating in normal condition, and in the following
possible faulty conditions: voltage supply unbalance, initial stator coil windings short circuit, mechanical faults and broken bars.
The proposed technique utilizes current information and is robust to load variations. The results show the good performance of
the implemented model, and its ability to identify the faults established for the proposed work.
Keywords Three phase induction motors, fault detection, neural networks.
Resumo O motor de induo uma mquina robusta, mas uma vez que pode ser exposto a uma ampla variedade de ambientes
e ciclos de operaes, diversas falhas podem ocorrer durante o seu uso. A deteco prvia de falhas visa evitar a degradao ou
at mesmo a quebra desses motores. O avano das tcnicas de inteligncia artificial vem substituindo as metodologias convencionais de diagnstico de falhas. A aplicao dessas tcnicas possibilita uma forma mais prtica na anlise e, em muitos casos, a
ajuda de especialistas de manuteno desnecessria. Neste trabalho, foram desenvolvidos dois modelos sendo, um composto de
cinco redes neurais e uma estrutura de deciso e outro composto de cinco superfcies de resposta. O objetivo diagnosticar a
condio de operao normal e as seguintes falhas que podem ocorrer em um motor de induo: desequilbrio das tenses de alimentao, curto-circuito inicial entre espiras do enrolamento do estator, falhas mecnicas e barra quebrada. As tcnicas propostas
utilizam as informaes contidas nos sinais de corrente e so robustas a variaes de carga. Os resultados mostram que ambos os
modelos desenvolvidos apresentam bom desempenho, e esto aptos a identificar as falhas propostas no trabalho.
Palavras-chave Motor de induo trifsico, diagnstico de falhas, redes neurais, superfcies de resposta.

Introduo

Os motores de induo trifsicos so os motores

mais utilizados atualmente, pois, suas caractersticas
operacionais permitem o acionamento de praticamente todos os tipos de carga. Uma vez que esses motores podem ser expostos a uma ampla variedade de
ambientes e condies de operao, embora sejam
usualmente bem construdos e robustos, diversas
falhas podem acontecer durante o seu uso.
A deteco prvia de falhas em motores de induo trifsicos (MIT) visa evitar a degradao ou at
mesmo a quebra desses motores. Assim, com a deteco antecipada das falhas, a manuteno preventiva poder ser realizada durante uma parada programada das mquinas (Brito et al, 2012).
As falhas podem ser internas: barras quebradas
e/ou trincadas, rolamentos danificados, curto-circuito
entre espiras, excentricidade, desalinhamento, desbalanceamento de massa, e externas: sobrecarga mecnica, desequilbrio de fases, subtenso, sobretenso e
presena de harmnicos (Lamim Filho, 2008).
A aplicao de tcnicas de inteligncia artificial
no diagnstico de falhas em motores eltricos possibilita uma forma mais prtica de anlise sendo, em

ISBN: 978-85-8001-069-5

muitos casos, desnecessria a ajuda de especialistas

de manuteno (Baccarini et al, 2011; Pinjia Zhang
et al, 2011).
As redes neurais artificiais (RNAs) vm sendo
largamente utilizadas devido a sua capacidade de
aprendizado e generalizao. A capacidade de uma
RNA gerar respostas coerentes para dados no apresentados a ela previamente corresponde a sua habilidade de generalizao (Silva et al., 2008).
Os problemas de categorizao envolvem a descoberta de caractersticas estatisticamente relevantes
de um determinado conjunto de dados e como estes
podem ser divididos em classes. Neste tipo de problema, somente os dados de entrada so conhecidos,
cabendo rede encontrar as classes presentes neste
conjunto de dados (Rezende, 2005).
O mtodo de superfcie de resposta uma tcnica que emprega mtodos estatsticos para criar funes tipicamente polinomiais para representar a resposta ou o resultado de um experimento em termos
de diversas variveis independentes. Estas funes
auxiliam a reduzir a complexidade na busca de soluo (Neves, 2004; Silva et al., 2008).
Neste trabalho foram desenvolvidos dois modelos sendo um baseado em redes neurais e outro na
tcnica de superfcies de resposta para diagnosticar a
556

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

condio de operao normal e as seguintes condies de falha: desequilbrio das tenses de alimentao, curto-circuito inicial entre espiras do enrolamento do estator, falhas mecnicas e barra quebrada.
Essas falhas representam um alto ndice de falha que
pode ocorrer durante a operao do motor e podem
provocar paradas inesperadas ou at mesmo a perda
da mquina. A tcnica proposta utiliza como entrada
as amplitudes das frequncias dos sinais de corrente
que normalmente esto presentes na planta industrial.
As metodologias apresentadas analisam sinais
coletados numa bancada de teste e sinais de simulao. O modelo dinmico assimtrico proposto por
Baccarini et al (2010) foi utilizado para a obteno
dos dados de simulao. Os resultados mostram que
ambas as metodologias desenvolvidas apresentam
um bom desempenho e podem ser utilizadas para o
acompanhamento das condies de operao de
motores de induo.

funcional aproximada entre a resposta de interesse

(sada) e as variveis independentes (entradas) (Vieira Jnior et al., 2008).
Na maioria dos problemas em superfcie de resposta, a relao entre as variveis dependentes e
independentes desconhecida ento, o primeiro
passo encontrar uma aproximao para relacionar
essas variveis. O modelo de regresso polinomial de
segundo grau (Eq. 1) foi utilizado neste trabalho.
k

k 1 k

y 0 i xi ii xi2 ij xi x j , (1)
i 1

i 1

i 1 j i

sendo os coeficientes do polinmio e x as variveis independentes. Para estimar os coeficientes do

modelo, normalmente usa-se o mtodo dos mnimos
quadrados. A equao (1) pode ser escrita na forma
matricial como:
^

Y X ' ,

(2)

sendo:

As redes Neurais Artificiais (RNAs) so tcnicas

computacionais inspiradas no funcionamento do
crebro humano e, sua capacidade computacional
adquirida por meio de aprendizado e generalizao.
A fase de aprendizado est ligada adaptao dos
parmetros da rede atravs da apresentao de uma
srie de dados de entrada. A fase de generalizao
decorre da capacidade da RNA de dar respostas
entrada de dados no apresentados a ela previamente.
Neste trabalho foi utilizada uma RNA do tipo
perceptron de mltiplas camadas (MLP). Esse tipo
de rede possui camadas intermedirias e, seu treinamento feito atravs do algoritmo backpropagation.
Esse algoritmo se baseia no princpio do aprendizado
por correo de erro onde, o erro realimentado da
camada de sada para as camadas intermedirias da
rede neural.
As redes MLP utilizam o processo de aprendizado
supervisionado, onde um supervisor externo tem a
funo de monitorar a resposta da rede para cada
vetor de entrada. O treinamento realizado atravs
da apresentao de pares de entrada e sada. Para
cada entrada a rede produz uma sada que comparada com a resposta desejada. O nmero de entradas
e sadas de uma RNA depende exclusivamente da
dimensionalidade dos dados, enquanto o nmero de
neurnios nas camadas intermedirias depende da
complexidade do problema (Rezende, 2005).
3 Superfcies de Resposta
A metodologia de superfcie de resposta (MSR)
foi introduzida na dcada de 50 por Box e Wilson
(1951). Pode ser definida como um conjunto de tcnicas matemticas e estatsticas para a modelagem e
anlise de problemas nos quais a resposta de interesse influenciada por diversas variveis (Montgomery, 2001). O objetivo da MSR obter uma relao

ISBN: 978-85-8001-069-5

0

1

y1
y
2
Y

yi

2 Redes Neurais Artificiais

1 x11

^
1 x21
X

1 xi1

1 k

x1k
x 2k

xik

x112
2
x 21

xi21

11 kk

x12k
x22k

xik2

12 k ( k 1)

x11 x12
x21 x22

xi1 xi 2

x1( k 1) x1k

x 2( k 1) x2 k

xi ( k 1) xik

Nestas equaes, i representa outras formas de

variao possveis, podendo representar erros ou falta
de convergncia numrica. O ndice k representa a
quantidade de variveis e o ndice i representa a
quantidade de superfcies.
Atravs do mtodo dos mnimos quadrados, o
vetor dos coeficientes dado por:

X T X X T Y.
1

(3)

Geralmente, antes de se obter os coeficientes do

modelo, necessrio escalar as variveis em estudo
de forma que seus valores fiquem sempre entre -1 e
1, utilizando a equao (4):

xcod

^
^
max X min X

xi

^
^


max X min X


2

(4)

Bancada de testes

Para a obteno dos dados experimentais foi utilizada uma bancada de testes que est localizada no
Departamento de Engenharia Eltrica da Universidade Federal de So Joo del Rei. A bancada constituda por um motor de induo, gerador de corrente
contnua, sistema de aquisio de sinais, banco de

557

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

resistncias, fonte simtrica, microcomputador e

software LabView.
O motor de induo de 3 CV, 220 V, 60 Hz foi
modificado de modo a possibilitar testes de falhas
eltricas. As barras originais foram retiradas utilizando produto qumico para a limpeza do rotor. O produto dissolve o alumnio com o aquecimento da pea
que retirado gradualmente at a limpeza final da
ranhura. As barras do rotor foram construdas e conectadas aos anis de curto-circuito atravs de parafusos. A retirada de um parafuso permite desconectar
eletricamente a barra.
Para simular curto-circuito entre espiras de uma
mesma fase, foram extradas dez derivaes em duas
bobinas de duas fases distintas. A configurao permite analisar curto-circuito entre, no mnimo, trs
espiras e, no mximo, trinta e trs espiras, que representa falha incipiente. Foram projetadas resistncias
para o fechamento do curto-circuito de modo a permitir analisar falhas gradativas de isolamento.
Para o teste de desbalanceamento mecnico uma
massa de 25 g foi presa na ventoinha do motor.
Os sinais de corrente foram submetidos a um
condicionador de sinais com a funo de isolar eletricamente o sistema de medio, normalizar os sinais de entrada a uma determinada faixa e filtrar os
componentes de altas frequncias, utilizando filtros
anti-aliasing.

Para o diagnstico de barras quebradas deve-se

observar o aumento das componentes de corrente na
frequncia ( f 2 sf ). Assim, a componente de 52 Hz
indicar a ocorrncia de barras quebradas.
A presena da componente de terceiro harmnico 180 Hz pode indicar falhas no estator (curtocircuito entre espiras) ou desequilbrio na rede de
alimentao.
Assim, os dados foram coletados aproximadamente nas frequncias de 32, 52, 60 e 180 Hz e seus
valores expressos em decibis. Os dados foram divididos em dois conjuntos sendo um para a construo
das RNAs e superfcies de resposta (70% do total) e,
o outro de 30% utilizado para a validao das mesmas. Nesses conjuntos os dados foram dispostos em
uma matriz representada pela Equao (5). As letras
significam as seguintes condies: S ausncia de
falha, D - desequilbrio da rede de alimentao, CC curto-circuito inicial entre espiras, FM - falha mecnica e BQ - barra quebrada.
Dados de entrada = [S D CC FM BQ] .

Cada elemento da matriz da Eq. 5 possui

tambm forma matricial conforme Eq. 6 onde as 4
linhas correspondem as correntes a, b e c, nas
seguintes frequncias: 32 Hz, 52 Hz, 60 Hz e 180 Hz.
Os subndices de cada elemento da matriz
representam o nmero do teste (1, 2, ..., n).
Ia1
Ia1

Ia1

Ia1

Figura 1- Bancada de testes.

Estrutura dos Dados

Para a montagem do conjunto de dados foi monitorada a corrente do MIT nas condies de funcionamento descritas anteriormente. Os dados foram
adquiridos das seguintes formas:
Dados reais do MIT coletados em laboratrio;
Dados de simulao do modelo desenvolvido
por Baccarini et al (2010).
Atravs do acompanhamento da variao da
componente ( f f r ) possvel diagnosticar falhas
mecnicas. Assim, alteraes da amplitude da corrente na frequncia de 32 Hz ( f f r 60 28) podem indicar a presena de falhas mecnicas.

ISBN: 978-85-8001-069-5

(5)

Ib1 Ic1 Ia 2 Ib2 Ic 2 ... Ian Ibn Icn

Ib1 Ic1 Ia 2 Ib2 Ic 2 ... Ian Ibn Icn .
Ib1 Ic1 Ia 2 Ib2 Ic 2 ... Ian Ibn Icn

Ib1 Ic1 Ia 2 Ib2 Ic 2 ... Ian Ibn Icn

(6)

Uma vez que foram feitos 10 testes em

laboratrio para cada condio de funcionamento do
MIT e cada teste possui trs correntes componentes
(Ia, Ib e Ic), tem-se para a aprendizagem uma matriz
da ordem 4x21 (7 testes) e para a validao uma
matriz 4x9 (3 testes).
Para os dados obtidos da simulao, uma vez
que foram realizados 50 testes para cada condio de
funcionamento, tem-se para a aprendizagem uma
matriz da ordem 4x105 e para a validao uma
matriz 4x45. Assim, uma vez que a matriz de entrada
est disposta conforme Eqs. (5) e (6) tem-se, para os
dados obtidos no laboratrio, uma matriz 4x105 para
a aprendizagem e 4x36 para a validao. Para os
dados obtidos na simulao tem-se uma matriz 4x525
para a aprendizagem e 4x225 para a validao.
6

Implementao das redes neurais

Aps o estudo de diferentes estruturas, optou-se

pela utilizao de redes de perceptrons de mltiplas
camadas (MLP). As redes neurais foram construdas
no toolbox nntool do software MATLAB e, esto
dispostas conforme ilustrado na figura 2. A rede
MLP1 foi utilizada para identificar a condio de
alimentao assimtrica, a MLP2 para a condio de
558

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

desequilbrio de tenses, a MLP3 para a presena de

curto-circuito, a MLP4 para a presena de barras
quebradas e a MLP5 para identificar falha mecnica.
O bloco de deciso tem a funo de escolher a sada
mais adequada.
Cada rede possui uma camada intermediria e
usa como funo de ativao a funo sigmoidal
logartmica. Os resultados desejados para o
treinamento das RNAs foram agrupados na forma de
vetores alvo. Cada vetor constitudo de 0 e 1 onde,
o digito 1 significa determinada falha e 0 todas as
outras condies possveis.
No treinamento das redes, os pesos sinpticos
foram ajustados pelo algoritmo backpropagation
tradicional a partir de uma inicializao aleatria. Foi
utilizada uma taxa de aprendizagem de 0,1, margem
de erro de 0,01 e um termo de momentum de 0,98.
A estrutura de deciso foi ajustada de forma a
encontrar o maior valor entre as sadas das redes
MLP1 a MLP5, verificando assim, a condio de
operao do motor. Por exemplo, se o maior for da
rede MLP4, indica que o motor possui barra(s)
quebrada(s).

Para a construo das superfcies de respostas

foram utilizados 16 pontos de amostras de correntes.
No entanto, o conjunto de dados possui dimenso
muito maior que 16 pontos e, para diminuir o esforo
computacional, foi necessrio reduzir o tamanho do
conjunto de dados original. Assim, os pontos
utilizados foram escolhidos de acordo com um
intervalo estabelecido.
Os dados utilizados foram ento escalados atravs
da equao (4) de forma que seus valores ficassem
sempre entre -1 e +1.
As sadas esperadas para cada superfcie foram
definidas de forma que seus valores variassem
aleatoriamente de acordo com os seguintes
intervalos:
Assimetria: 0,7 - 1,3;
Diagnstico de desequilbrio: 1,7 - 2,3;
Diagnstico de curto-circuito: 2,7 - 3,3;
Barra quebrada: 3,7 - 4,3;
Falha mecnica: 4,7 - 5,3.
Assim, quando as sadas de cada superfcie
estiverem entre esses valores, assumi-se a ocorrncia
da falha correspondente.
A validao das superfcies foi feita utilizando
apenas os dados obtidos na simulao, pois, como o
conjunto de dados reais para validao possui apenas
9 amostras para cada condio (45 pontos), no foi
possvel realizar a validao com os dados reais.
O erro residual calculado pela diferena entre os
valores gerados pela superfcie de resposta ( y ) e os
valores de sada antes apresentados ( y ), (Eq. 8).

y y .

(8)

Figura 2: Estrutura de Redes Neurais construda.

Aproximao por Superfcies de Resposta

Foram testadas superfcies de resposta de

primeiras e segundas ordens sendo que, as
superfcies de segunda ordem foram capazes de
representar as falhas de maneira adequada. A
equao caracterstica da superfcie de segunda
ordem mostrada pela Eq. 7, onde y representa a
sada de cada superfcie.
y o 1 x1 2 x2 3 x3 4 x4 11 x12 22 x22

33 x32 44 x42 12 x1 x2 13 x1 x3 14 x1 x4
23 x2 x3 24 x2 x4 34 x3 x4

1 n
. i .
n i 1

(9)

Uma vez que o conjunto de pontos usados para a

validao das superfcies diferente do usado para a
construo, a Eq. (9) d uma estimativa imparcial do
erro de modelagem.
8

Resultados

. (7)

Os coeficientes (i) so determinados atravs do

mtodo dos mnimos quadrados e as variveis (xi)
so os dados de corrente utilizados na construo das
superfcies, sendo:
x1: dados de corrente na frequncia de 32Hz;
x2: dados de corrente na frequncia de 52Hz;
x3: dados de corrente na frequncia de 60Hz;
x4: dados de corrente na frequncia de 180Hz.

ISBN: 978-85-8001-069-5

O erro mdio calculado pela Eq. (9), sendo n o

nmero total de pontos calculados.

Ambos os mtodos foram simulados para duas

condies: com os dados reais do motor coletados
em laboratrio e com os dados obtidos da simulao
do modelo desenvolvido por Baccarini et al (2010).
Para o mtodo das RNA's, utilizando os dados
reais, verificou-se que as redes no tiveram um bom
desempenho devido principalmente dificuldade de
se obter um conjunto relevante de dados reais. O
ndice de acerto final, fornecido pela estrutura de
deciso, foi inferior a 50%. No entanto, para os
dados obtidos da simulao, uma vez que o conjunto
559

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

de dados bem maior do que o experimental foi

observado um melhor desempenho. O acerto final
para essa situao se encontra acima de 80%. As
figuras 3-7 ilustram os desempenhos de cada rede
para treinamento e validao usando os dados
obtidos da simulao.

O falso alarme se justifica, uma vez que falhas

de curto-circuito e desequilbrio de tenso produzem
impactos semelhantes nas caractersticas de funcionamento do motor (Bartmann et al., 2009). Foi utilizado na simulao, percentual de curto-circuito inferior a 3% do nmero de espiras de uma determinada
fase. O desempenho das redes pode ser melhorado se
este percentual for elevado para, por exemplo, 5%.
Esse percentual de curto-circuito ainda caracteriza a
condio de falha incipiente e a manuteno pode ser
programada antes da queima do motor.

Figura 3- Desempenho da rede MLP1.

Figura 6- Desempenho da rede MLP4.

Figura 4- Desempenho da rede MLP2.

Figura 7- Desempenho da rede MLP5.

As figuras 8 e 9 ilustram os acertos (em

porcentagem) das redes para cada tipo de falha
usando os dados obtidos da simulao.

Figura 5- Desempenho da rede MLP3.

Pela figura 5, observa-se que a rede MLP3

apresentou o pior desempenho. Todas as situaes de
falha de curto-circuito ela classificou corretamente,
mas forneceu alguns falsos alarmes. Dados
correspondentes a desequilbrio de tenso foram
classificados como condio de curto-circuito.

ISBN: 978-85-8001-069-5

Figura 8 Acertos aps o treinamento.

560

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

2.8

saida calculada
saida esperada

Falha correspondente

2.6
2.4
2.2
2
1.8
1.6
1.4
0

10

15

20

25

30

35

40

45

Nmero de pontos

Figura 9-Acertos aps a validao.

Figura 11-Validao para a condio de desequilbrio.

y 0,9265 0,5233 x1 1,2409 x2 0,5565 x3

0,3062 x4 0,2206 x12 1,9134 x22 3,0863 x32
2
4

7 ,7174 x 1,7636 x1 x2 0,1642 x1 x3 1,1596 x1 x4

2,8068 x2 x3 5,4285 x2 x4 9,7604 x3 x4

4.5

Falha correspondente

Para o mtodo das superfcies de resposta,

utilizando os dados reais, os melhores modelos
obtidos foram:
Simetria:

saida calculada
saida esperada

3.5

Desequilbrio de tenses:

2.5
0

10

y 2,0287 0,2140 x1 0,0953 x 2 0,2045 x3

15

20

25

30

35

40

45

Nmero de pontos

0,2816 x 4 0,0384 x12 0,0886 x 22 0,4742 x 32

Figura 12-Validao para a condio de curto-circuito.

0,0231x 42 0,3901x1 x 2 0,7152 x1 x 3 0,0647 x1 x 4

4.8

0,3519 x 2 x3 0,5511x 2 x 4 0,6389 x 3 x 4

Curto-circuito inicial entre poucas espiras:

y 2,7695 0,0898 x1 0,0985 x 2 0,1305 x 3
0,1846 x 4 0,0969 x12 0,3970 x 22 0,5762 x 32
2
4

0,2654 x 0,0178 x1 x 2 0,3202 x1 x3 0,0295 x1 x 4

0,4552 x 2 x3 0,4575 x 2 x 4 0,8101x 3 x 4

Falha correspondente

4.6

Barra Quebrada:

4.4
4.2
4
3.8
3.6
3.4

saida calculada
saida esperada

3.2
3
0

y 3,9818 0,0853 x1 0, 2057 x 2 1,8551x 3

2
1

2
2

10

2,1166 x 4 0,3712 x 0,9533 x 7,7144 x

9,5115 x 42 0, 4410 x1 x 2 0,6220 x1 x 3 0,0657 x1 x 4

25

30

35

40

45

5.5

saida calculada
saida esperada

y 4,8448 0,0324 x1 0,5252 x 2 1,9787 x3

6,6415 x 42 0,1685 x1 x 2 0,3151 x1 x3 0,4621x1 x 4
4,4935 x 2 x3 4,4411x 2 x 4 11,7574 x3 x 4

As figuras 10-14 mostram a validao de cada

modelo. Pela anlise das figuras, observa-se que os
modelos obtidos foram capazes de identificar as
falhas em questo, pois, a grande maioria dos pontos
calculados, localizou-se dentro da faixa permitida, ou
seja, dentro da faixa de valores esperados para a
sada.
2

saida calculada
saida esperada

1.8

Falha correspondente

Falha mecnica:
2,3155 x 4 0,1845 x12 0,0399 x 22 4,6037 x 32

Falha correspondente

20

Figura 13-Validao para a condio de barra quebrada.

3,3989 x 2 x 3 1,4000 x 2 x 4 18,6302 x3 x 4

15

Nmero de pontos

2
3

4.5
0

10

15

20

25

30

35

40

45

Nmero de pontos

Figura 14-Validao para a condio de barra falha mecnica.

Os melhores modelos obtidos utilizando os dados de simulao foram:

Simetria:
y 1,0744 0,1231 x1 0,2053 x 2 2,0025 x 3

1.6

1,8109 x 4 0,1450 x12 0,0287 x 22 2,0050 x 32

1.4

3,4034 x 42 0,2216 x1 x 2 1,6268 x1 x3 1,5458 x1 x 4

1.2

4,1950 x 2 x 3 4,1007 x 2 x 4 5,3480 x 3 x 4

1
0.8

Desequilbrio entre as tenses:

y 2,0013 0,0183 x1 0,1283 x 2 0,2515 x3

10

15

20

25

30

35

40

45

Nmero de pontos

Figura 10-Validao do modelo para a condio de simetria.

ISBN: 978-85-8001-069-5

0,2003 x 4 0,0059 x12 0,2472 x 22 0,2512 x32

0,1731x 42 0,1906 x1 x 2 0,1532 x1 x 3 0,0843 x1 x 4
0,2470 x 2 x3 0,1634 x 2 x 4 0, 2025 x 3 x 4

561

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

Curto-circuito inicial:
y 3,1419 0,0838 x1 0,2021x 2 0, 2368 x3
0,2775 x 4 0,0596 x12 0,2788 x 22 0,3070 x32
0,2242 x 42 0,4854 x1 x 2 0,4151 x1 x 3 0,6862 x1 x 4
0,3206 x 2 x3 0, 4386 x 2 x 4 0, 2746 x 3 x 4

tual de acertos menor que as superfcies utilizando

dados da simulao, assim como as redes neurais
artificiais. No entanto, para os dados reais, o percentual de acertos das superfcies foi bem maior que os
das RNAs, pois as superfcies necessitam de poucos
pontos para gerar boas respostas.

Barra quebrada:
y 4,2759 0,0077x1 0,4822x 2 2,9138x3
6

11,5284x 42 0,4775x1 x 2 0,6214x1 x 3 0,9903x1 x 4

3,4819x 2 x 3 4,9887 x 2 x 4 18,2730x3 x 4

Falha mecnica:
y 5,1636 0,1791x1 0,1440 x 2 3,3095 x3
3,2315 x 4 0,4948 x12 0,0652 x 22 10,2691x32

Falha correspondente

3,3500x 4 0,0515x12 1,2500x 22 6,6411x32

saida calculada
saida esperada

5.5

4.5

8,3569 x 42 0,3441x1 x 2 2,3143 x1 x3 2,2428 x1 x 4

0,7536 x 2 x3 1,1185 x 2 x 4 18,7251x 3 x 4

3.5
0

As figuras 15-19 mostram a validao dos modelos para cada condio de falta do motor.

10

15

20

25

30

40

45

Figura 18-Validao para a condio de barra quebrada.

6.4

1.5

saida calculada
saida esperada

Falha correspondente

6.2

Falha correspondente

35

Nmero de pontos

0.5

saida calculada
saida esperada

6
5.8
5.6
5.4
5.2
5
4.8

-0.5
0

10

15

20

25

30

35

40

45

4.6
0

10

15

20

25

30

35

40

45

Nmero de pontos

Nmero de pontos

Figura 19-Validao para a condio de falha mecnica.

Figura 15-Validao para a condio de simetria.

Tabela 1: Erro mdio e percentual de acertos para cada superfcie.

2.8

saida calculada
saida esperada

Simetria
Desequilbrio

Dados reais
Acerto
Erro
(%)
mdio
78,85
0,2473
84,44
0,2082

1.8

Curto-circuito

80,00

0,2354

86,67

0,1834

1.6

Barra quebrada
Falha mecnica

80,00
80,00

0,2354
0,2354

86,67
82,22

0,1834
0,2269

Concluso

Falha correspondente

2.6
2.4
2.2
2

1.4
0

10

15

20

25

30

35

40

Dados da simulao
Acerto
Erro
(%)
mdio
73,33
0,1430
91,11
0,1511

45

Nmero de pontos

Figura 16-Validao para a condio de desequilbrio.

3.6

Falha correspondente

3.4
3.2
3
2.8
2.6

saida calculada
saida esperada

2.4
2.2
2
0

10

15

20

25

30

35

40

45

Nmero de pontos

Figura 17-Validao do modelo para a condio de curto-circuito.

A tabela 1 apresenta o erro mdio e o percentual

de acertos de cada superfcie. Observa-se que as
superfcies utilizando dados reais tiveram um percen-

ISBN: 978-85-8001-069-5

As metodologias propostas possibilitam uma

forma simples, prtica e de baixo custo computacional para realizar o diagnstico de falhas em motores
de induo trifsicos.
O problema apresentado com o conjunto de dados reais, na tcnica de redes neurais, pode ser contornado com a construo de um conjunto de dados
maior. Assim, quanto maior for o conjunto de dados,
maior ser o percentual de acertos da rede projetada
para a categorizao destas falhas.
O trabalho apresentou duas tcnicas que podem
diagnosticar quatro tipos de falhas em motores de
induo trifsicos: curto-circuito, barras quebradas,
falha mecnica e desequilbrio na rede de alimentao. A tcnica necessita do conhecimento dos sinais

562

Anais do XIX Congresso Brasileiro de Automtica, CBA 2012.

de sensores normalmente presentes na planta industrial.

for control system design. Applied

Computing, Vol.8, Issue 1, pp. 392-401.

Soft

Agradecimentos
Os autores agradecem FAPEMIG, Projeto Demanda Universal 01/2011 TEC APQ-00589-11.
Referncias Bibliogrficas
Baccarini, L. M. R, Menezes, B. R. e Caminhas, W.
M (2010). Fault induction Dynamic Model, suitable for computer simulation: Mechanical Syst.
and Signal Processing, 24 (1), 300-311.
Baccarini, L. M. R, Silva, V. V. R., Menezes, B. R.,
e Caminhas, W.M (2011). SVM practical industrial application for mechanical faults diagnostic. Expert Syst. Appl. 38(6): 6980-6984.
Bartmann S; Amaral, G. F. V e Baccarini, L. M. R
(2009). Utilizao de Mquinas de Vetores de
Suporte para o Diagnstico de Curto-Circuito
Inicial entre Espiras do Estator de Motores
Trifsicos, Anais do IX CBRN.
Box, G. E. P., Wilson, K. B. (1951), On the
Experimental
Attainment
of
Optimum
Conditions, Journal of the Royal Statistical
Society, XIII, v 1, Srie B, pp. 1-45.
Brito, J. N., Lamim Filho, P. C. M., Silva, V. A. D.,
Pederiva, R. (2012). Estudo comparativo entre
tcnica tradicional e tcnica moderna para deteco de baixa isolao em motores de induo trifsicos. CONEM 2012. So Luis MA.
Vieira Jnior, H., Sousa, F.L. Ajustando parmetros livres de um algoritmo gentico:
uso da metodol ogia Response Surface. X
Simpsio de Aplicaes Operacionais em reas
de Defesa, 2008, So Jos dos Campos. Anais do
X SIGE. So Jos dos Campos : ITA, 2008. p.
54-59.
Lamim Filho, P.C.M. (2008). Acompanhamento
preditivo de motores de induo trifsicos atravs da anlise de fluxo magntico. Tese de Doutorado. Universidade Estadual de Campinas.
Montgomery, D.C., (2001). Design and analysis of experiments. London, UK: John
Wiley & Sons.
Neves, R.A, (2004). Desenvolvimento de
modelos mecnico-probalsticos para estruturas de pavi mentos de edif cios. Tese de
doutorado. Universidade de So Paulo.
Pinjia Zhang, Yi Du, Habetler, T. G., Bin Lu
(2011). A survey of condition monitoring
and protection methods for medium-voltage
induction motors. IEEE Transaction on Industry Applications, 47(1), 34-46.
Rezende, S. O. (2005). Sistemas inteligentes:
fundamentos e aplicaes. Barueri, SP. Editora
Manole.
Silva, V.V.R., Fleming, P.J., Sugimoto, J. e
Yokoyama,
R.,
(2008).
Multiobjective
optimization using variable complexity modeling
ISBN: 978-85-8001-069-5

563