IDENTIFICADOR DE FALHAS PARA MOTOR DE INDUÇÃO TRIFÁSICO BASEADO EM SUPPORT VECTOR MACHINE IMPLEMENTADO EM CLOUD
Ao passo que a Indústria 4.0 avança, conjuntos de ações de automação e controle vem sendo implementados. Dentro deste contexto o sensoriamento de motores de indução trifásicos vem se tornando remoto e conectado à internet. A manutenção preventiva pode então utilizar esse grande volume de dados para aumentar sua capacidade de detecção de falhas em relação aos métodos clássicos de classificação. Este trabalho propõe o desenvolvimento de um identificador de diferentes condições, entre normalidade, desbalanceamento no rotor, alimentação por duas fases e desníveis na base de um motor trifásico de indução W22 IR3, com base em dados de análises vibracionais e de correntes elétricas. Utilizando um sistema para aquisição de dados que consiste em um acelerômetro MEMS (Microelectromechanical Systems) e um transformador de corrente não invasivo SCT-013, controlados por um SoC (System on Chip). A análise dos dados foi realizada na IBM Cloud através de Watson Studio e SPSS Modeler para aplicação de um modelo estatístico Support Vectot Machine (SVM) que foi treinado e testado usando diferentes funções kernel. Observou-se que a oferta da escolha das funções kernel condicionam os dados a diferentes performances de processamento. A utilização dos algoritmos de classificação SVM, provou ser bastante robusto e eficiente. Mostrando que a capacidade de generalização do classificador foi garantida.
IDENTIFICADOR DE FALHAS PARA MOTOR DE INDUÇÃO TRIFÁSICO BASEADO EM SUPPORT VECTOR MACHINE IMPLEMENTADO EM CLOUD
-
DOI: 10.22533/at.ed.0022217083
-
Palavras-chave: Computação a Nuvem · Motor de Indução Trifásico · Maquina de Vetor de Suporte · Aprendizado de Máquinas
-
Keywords: Cloud Computing · Three-phase Induction Motor · Support Vector Machine · Machine Learning
-
Abstract:
As the Industry 4.0 advances, the induction motor sensoring becomes remote and connected to the Internet. The predictive maintenance can then use this big data to increase your ability do detect faults when compared to the classical multi-signal approach. The purpose of this work is to develop a failure identifier in induction motor W22 IR3, based on current and vibration analysis. Utilizing an embedded system for data acquisition consisting in a MEMS (Microelectromechanical Systems) controlled by a SoC (System on a Chip) and a current transformer. The data analysis will be implemented in IBM Cloud through Watson Studio and SPSS Modeler to apply an SVM statistical model that will be trained and tested using different kernel functions, using the database generated by the embedded acquisition system. Note that an offer of choosing the kernel functions conditions the data with different processing performances. The use of the SVM classification algorithm is quite robust and efficient. Showing that the classifier's generalization capacity was guaranteed.
-
Número de páginas: 6
- Jacyeude de Moraes Passos Araujo Segundo
- CARLOS VINICIUS ALVES COIMBRA
