Esta seção se dedica a analise do curto-circuito de estator sob o ponto de vista da Potência de Previsão. As Figuras 28, 29 e 30 ilustram o valor PP dos 17 primeiros componentes da WPD em oitavo nível, considerando sinais dos motores normal (PPSF) e
com curto-circuito (PPCC) de 7%, MIT 1, e 10%, MIT 2 e 3. Ilustra, ainda, a diferença relativa
(PPRELAT IV O) entre os dois anteriores, calculada de acordo com a equação (12).
PPRELAT IV O= PPCC− PPSF
PPSF (12)
O sinais são referentes ao MIT operando a vazio e sem desequilíbrio de tensão entre fases. Os gráficos apresentam valores de PP entre zero e a unidade, uma vez que a PP pode ser vista como uma normalização da entropia relativa. Quanto maior a PP, mais previsível é a componente em questão.
Como visto na Seção 2.4, a entropia relativa é uma medida de divergência entre duas distribuições de probabilidades. Para o cálculo da entropia relativa são utilizadas as PDF do sinal original e do erro de reconstrução de cada componente da WPD. Pela análise da Equação (9), percebe-se que a previsibilidade é maior quanto menor for o valor apresentado pelo erro de reconstrução. Logo, o valor PP do componente é maior quando o sinal original e o reconstruído são similares.
Observando-se as Figuras 28, 29 e 30, percebe-se que o curto-circuito provoca uma pequena elevação no valor da PP na maioria das componentes apresentadas. Ambas as componentes 6 e 8 são exemplo, mantendo o padrão para os sinais dos 3 MIT. Portanto, de modo geral, essas componentes se tornam mais previsíveis diante da falha. Contudo, não se pode constatar um padrão para todas as componentes. Tomando com exemplo a componente 2, verifica-se que seu valor é maior sem falha e decresce quando a ocorrência da falha, para os MIT 1 e 3. Já para o MIT 2, seu valor PP sem falha é menor.
Figura 28 – Potência de Previsão das componentes da WPD do MIT 1, sinais sem falha, com falha e relativo.
Figura 29 – Potência de Previsão das componentes da WPD do MIT 2, sinais sem falha, com falha e relativo.
Figura 30 – Potência de Previsão das componentes da WPD do MIT 3, sinais sem falha, com falha e relativo.
4.6 CONCLUSÃO
Em suma, nesse capítulo foi visto que, dentre as falhas de curto-circuito de enro- lamento de estator, aquelas do tipo 2 são as mais difíceis de serem detectadas e podem evoluir para curto-circuitos do tipo 3, 4 e 5. Destaca-se, portando, a importância de serem detectadas rapidamente. A análise por TF sugeriu uma forte correlação entre as frequên- cias 150 Hz e 210 Hz e a falha de curto-circuito. Destaca-se que todas as fases manifesta- ram alterações nessas frequências diante de um curto-circuito em somente uma das fases. Na análise mediante WPD, buscou-se isolar as várias condições de funcionamento do MIT em questão, ou seja, o curto-circuito, o carregamento e o desequilíbrio, a fim investigar que tipo de alterações essas condições de operação implicam nas componentes wavelet examinadas. Os padrões obtidos corroboraram os resultados anteriores, associando as componentes C(8,6) e C(8,8) com as frequências indicadas por Fourier. Além disso, os testes mostraram a indiferença dessas componentes perante uma elevação de carga no eixo. As variações perante o desequilíbrio não são muito expressivas, mas podem gerar confusão na classificação. Concluindo, ainda que essas componentes sejam as únicas claramente ligadas às frequências de curto-circuito, pode ser necessário o uso de outras componentes para se realizar um reconhecimento de padrões confiável. No próximo capí- tulo serão realizados experimentos com redes neurais a fim de avaliar a sua aplicabilidade para classificar os padrões encontrados.
5 RESULTADOS EXPERIMENTAIS
No capítulo anterior, foi realizado o estudo da falha de curto-circuito no estator do MIT, no qual foi exibida a análise dos sinais coletados em laboratório. Com base na fundamentação teórica apresentada, foi efetuado o reconhecimento de padrões dos da- dos, de forma manual, com auxílio de gráficos e tabelas. Assim, foi possível constatar algumas regularidades manifestadas pelo curto-circuito, perante situações de desbalanço e carregamento variados.
Com a finalidade de tornar o reconhecimento de padrões um processo automá- tico, encontra-se na abordagem neural uma alternativa para o reconhecimento manual de padrões. Tem-se, assim, um procedimento impessoal, uma vez que é eliminado o fator humano. Isso se traduz em uma maior confiabilidade e exatidão para a detecção de uma falha em MIT. Além disso, possibilita a implementação de um sistema on-line para o moni- toramento do motor.
Diante das pesquisas apresentadas nos Capítulos 1 e 2, verifica-se que as redes Perceptron multicamadas e Radial Basis Function proporcionam resultados satisfatórios para diversas situações às quais foram aplicadas. Foram, portanto, as redes seleciona- das para realizar a classificação de padrões. No decorrer deste capítulo, é investigada a viabilidade do emprego da PMC e RBF para a realização do mapeamento de padrões efetuado de forma manual no capítulo anterior. As redes em questão são submetidas à diversos treinamentos, perante uma variedade de situações de falha, incluindo testes com as amostras estratificadas por intensidade de curto-circuito e por intensidade de desequilí- brio. Além disso, a fim de comparação, são realizados experimentos utilizando os valores RMS e Potência de Previsão dos coeficientes wavelet selecionados. A partir dos resulta- dos obtidos é possível avaliar a aplicabilidade da metodologia para a detecção da falha de curto-circuito no estator de um motor de indução trifásico.