As ferramentas e métodos listados nessa subseção são utilizadas como suporte para a tomada de decisão, sendo esse o último passo do monitoramento baseado nas condições do motor, conforme Figura 2. Nesse ponto, torna-se necessário mapear as in- formações e características extraídas no passo anterior, o processamento do sinal, a fim de realizar uma classificação de padrões. Tradicionalmente, o reconhecimento mencio- nado é feito manualmente, ou seja, a partir do conhecimento e experiência de profissionais mediante análise visual de um gráfico, espectrograma, tabelas, entre outros. Portanto, percebe-se que o reconhecimento de padrões feito de modo manual é um procedimento que requer um conhecimento especialista na área em questão.
Em razão do exposto, a classificação de padrões automático mostra-se conveni- ente para a detecção da falha, uma vez que, na maioria dos casos, atribui maior confiabili- dade, impessoalidade e precisão ao processo. Desse modo, as abordagens mencionadas em seguida se tornam responsáveis por identificar a existência da falha e/ou classificá-la, o que pode auxiliar os operadores e gestores do processo quanto à necessidade ou não de uma intervenção. Nas subseções a seguir são esboçadas algumas técnicas comumente apresentadas na literatura nesta etapa do monitoramento dos motores de indução.
2.5.1 Modelos Determinísticos
Os métodos tradicionais para detecção falhas são fundamentados em modelos determinísticos, do inglês model-based systems. De acordo com IEEE (1989), um mo- delo é uma aproximação, representação ou idealização de determinados aspectos de uma estrutura, comportamento, operação, entre outras características de sistemas do mundo
real. O modelo eletromagnético detalhado do motor de indução trifásico pode fornecer diagnósticos precisos, partindo do princípio que as falhas causam efeitos típicos em parâ- metros da máquina, os quais podem ser incluídos na modelagem (SIN; SOONG; ERTU- GRUL, 2003). Tais efeitos podem ser previstos utilizando uma simulação computadorizada baseada em modelos matemáticos, conhecida como finite-element modelling. Conforme (FISER; FERKOLJ, 2001), essa abordagem permite o estudo da influência de diferentes fa- lhas em um motor de indução de forma efetiva e com baixo custo, pois evita a necessidade de gastos com laboratórios e tempo despendido com medições.
Dentre as desvantagens, cita-se a necessidade de elaboração de programas com- plexos, pois devem ser consideradas as não-linearidades da máquina, o que dificulta o gerenciamento e manutenção do processo. Além disso, é necessário o conhecimento de diversos parâmetros da máquina estudada para a concepção do modelo. Em vista disso, a supervisão de equipamentos elétricos baseado em modelos determinísticos tem sido subs- tituída por sistemas baseados em inteligência computacional (BELLINI et al., 2008). Esse termo engloba diversas técnicas, dentre elas redes neurais e lógica fuzzy.
2.5.1.1 Lógica Fuzzy
Na lógica binária clássica, as proposições assumem unicamente valores "verda- deiro" ou "falso", porém, na Lógica Fuzzy possibilita-se a existência de valores interme- diários. Em outras palavras, a Lógica Fuzzy consiste em modelos matemáticos dedicados ao tratamento de incertezas e falta de informação, e permite representar as imprecisões inerentes aos processos e sistemas, expressando o conhecimento de forma mais natural. Portanto, aplicada ao monitoramento da condição do motor de indução, permite determinar a seriedade de uma falha, ao invés de decidir somente entre a existência ou não de uma falha.
A incorporação da Lógica Fuzzy em simulações computacionais é especialmente útil em situações que envolvem processos complexos ou de compreensão limitada e sis- temas nos quais a percepção e o processo de decisão humano estão intrinsecamente envolvidos (SANTOS, 2013).
2.5.1.2 Redes Neurais Artificiais
Uma RNA é um método computacional que apresenta um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. Uma RNA é composta por diversas unidades de processamento (neurônios), cujo funcionamento é bastante simples (SILVA; SPATTI; FLAUZINO, 2010). Essas unidades, geralmente são conectadas por canais de comunicação que estão asso- ciados a determinado peso sináptico. As unidades de processamento fazem operações somente sobre seus dados locais, ou seja, entradas recebidas pelas suas conexões.
O comportamento inteligente de uma RNA é devido às interações entre tais unida- des de processamento, ajustando continuamente o valor dos pesos sinápticos de acordo com os valores de entrada e saída (HAYKIN, 2001). A capacidade de aprendizado através de dados fornecidos durante a fase de treinamento, e, dessa forma, generalizar para situa- ções não apresentadas nessa fase, é um dos aspectos que torna redes neurais interessan-
tes para diversas aplicações. Para tanto, produzem resultados limitados a determinados sistemas, aos quais foram treinadas (SUETAKE, 2012). Em vista disso, percebe-se que a escolha do domínio na fase de treinamento da rede é critica.
Uma das razões pelas qual as RNA têm sido aplicada extensivamente na área de monitoramento de falhas é que essa técnica mostra-se eficiente, confiável e simples, desde que seja fornecida uma base de dados confiável à rede. Além disso, existem inúme- ras topologias e modos de treinamentos de redes neurais, sendo que cada uma se adapta melhor a diferentes situações. Dentre as arquiteturas as quais possibilitam o reconheci- mento e classificação de padrões, cita-se a perceptron de camada simples, a adaline, a PMC, as redes de Kohonen e a RBF. A perceptron simples é considerada a mais elementar rede neural, sendo capaz de classificar padrões desde que linearmente separáveis. A rede adaline sofre dessa mesma limitação.
Para um mapeamento otimizado, deve-se considerar o conceito de várias cama- das interagindo e adaptando seus pesos. As camadas intermediárias da PMC permitem que a rede crie mais de um hiperplano separador, possibilitando uma representação mais rica e complexa do sistema. Portanto, essas redes são, a princípio, capazes de solucionar problemas não-linearmente separáveis (HAYKIN, 2001).
Contudo, possuir várias camadas não é critério imprescindível para classificar pa- drões complexos. A exemplo disso pode-se citar a rede de Kohonen, a qual é constituída de uma única camada, e, ainda assim, possui a capacidade de detectar correlações en- tre os padrões do conjunto de entrada, agrupando-os em classes (clusters), mesmo sem qualquer informação a respeito das saídas desejadas (SILVA; SPATTI; FLAUZINO, 2010).
No caso da RBF, sua construção envolve três camadas as quais têm funções específicas. Na camada de entrada estão os neurônios que irão conectar a rede a seu ambiente. A camada intermediária realiza uma transformação não-linear do espaço de entrada para o espaço intermediário. As ativações das funções de base radial da camada intermediária são criadas pelos neurônios não-lineares os quais tem ativação local e os neurônios da camada de saída formam uma combinação linear das funções de base radial calculadas na camada intermediária.
Em vista do mencionado, verifica-se que as topologias PMC, RBF e Kohonen vi- abilizam a classificação em situações mais complexas, como é o caso da identificação de falhas.