Navegando por Autor "Santos, Sergio Pinheiro dos"
Agora exibindo 1 - 1 de 1
- Resultados por página
- Opções de Ordenação
Dissertação Aplicação de sistemas multi-classificadores no diagnóstico de falhas em motores de indução trifásicos(Universidade Federal do Rio Grande do Norte, 2009-04-11) Santos, Sergio Pinheiro dos; Costa, José Alfredo Ferreira; ; http://lattes.cnpq.br/9745845064013172; ; http://lattes.cnpq.br/1033155673874047; Alsina, Pablo Javier; ; http://lattes.cnpq.br/3653597363789712; Cerqueira, Jés de Jesus Fiais; ; http://lattes.cnpq.br/3099827700882478A 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 falhas