Classificador não supervisionado baseado em curvas principais para detecção de falhas em motor de indução

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.creatorBorges, Fernando Elias de Melo-
Autor(es): dc.creatorRibeiro, Diogo Aranha-
Autor(es): dc.creatorMota, Otávio Fidelis-
Autor(es): dc.creatorFerreira, Danton Diego-
Autor(es): dc.creatorHuallpa, Belisário Nina-
Data de aceite: dc.date.accessioned2026-02-09T12:39:51Z-
Data de disponibilização: dc.date.available2026-02-09T12:39:51Z-
Data de envio: dc.date.issued2019-09-11-
Data de envio: dc.date.issued2019-09-11-
Data de envio: dc.date.issued2018-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/36781-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1165823-
Descrição: dc.descriptionElectric motors are highly versatile equipment, possessing an immense range of industrial applications. Therefore, they are extremely important in any industrial plant and their maintenance is crucial for their quality operation in production, safety to employees and without environmental damages. In this paper a method for fault detection is proposed by means of vibration analysis, based on structural health monitoring. Vibration signals of a three-phase induction motor were collected using a 3-axis accelerometer sensor controlled by an Arduino microcontroller. After the collection, the extraction of features through the 2nd, 3rd and 4th order cumulants with lag zero was performed. Finally, a classifier is designed using principal curves. Principal curves are a non-linear generalization of Principal Component Analysis and have the advantage of presenting good data representation capability in one dimension. A one-class learning method based on Principal Curves is proposed to generate a decision border where the data within it represents the data of non-failed motor and out of it, the data referring to the failed motor. The method presented low computational cost and high detection rates, reaching up to 100% using real data from an induction motor.-
Descrição: dc.descriptionhttps://plataforma.swge.com.br/PROCEEDINGS/PDF/CBA2018-0523.pdf-
Descrição: dc.descriptionMotores elétricos são equipamentos de alta versatilidade, possuindo uma gama imensa de aplicações nas indústrias. São extremamente importantes em qualquer planta industrial e sua manutenção é crucial para a qualidade na produção, segurança aos colaboradores e sem danos ambientais. Neste artigo é proposto um método para detecção de falhas por meio de análise de vibrações, baseado no monitoramento de integridade estrutural. Os sinais de vibração de um motor de indução trifásico foram coletados utilizando um sensor acelerômetro de 3 eixos controlado por um microcontrolador Arduino. Após as coletas foi realizada a extração de parâmetros por meio dos cumulantes de 2ª, 3ª e 4ª ordens com atraso zero. Por fim, projetado um classificador utilizando curvas principais. Curvas principais são uma generalização não-linear da Análise de Componentes Principais e possui vantagem de apresentar boa capacidade de representação dos dados em uma dimensão. Um método de one-class learning baseado em curvas principais é proposto para gerar uma fronteira de decisão onde os dados dentro desta são referentes ao motor sem falha e os dados fora, referentes ao motor com falha. O método apresentou baixo custo computacional e altas taxas de detecção, chegando até 100% utilizando dados reais de um motor de indução.-
Idioma: dc.languagept_BR-
Direitos: dc.rightsrestrictAccess-
Palavras-chave: dc.subjectAnálise de vibrações-
Palavras-chave: dc.subjectMonitoramento de integridade estrutural-
Palavras-chave: dc.subjectCurvas principais-
Palavras-chave: dc.subjectVibration analysis-
Palavras-chave: dc.subjectStructural health monitoring-
Palavras-chave: dc.subjectPrincipal curves-
Título: dc.titleClassificador não supervisionado baseado em curvas principais para detecção de falhas em motor de indução-
Tipo de arquivo: dc.typeTrabalho apresentado em evento-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.