MÉTODO DE DETECÇÃO DE FALHAS EM MOTORES DE CORRENTE CONTÍNUA SEM ESCOVAS UTILIZANDO ANÁLISE

Universidade Federal da Paraíba Centro de Tecnologia

Programa de Pós-Graduação em Engenharia Mecânica Mestrado – Doutorado

MÉTODO DE DETECÇÃO DE FALHAS EM MOTORES DE CORRENTE CONTÍNUA SEM ESCOVAS UTILIZANDO ANÁLISE

DO CAOS

por

R

L

V

M

Tese de Doutorado apresentado à Universidade Federal da Paraíba para obtenção do grau de Doutor

João Pessoa – Paraíba julho, 2018

R

L

V

M

MÉTODO DE DETECÇÃO DE FALHAS EM MOTORES DE CORRENTE CONTÍNUA SEM ESCOVAS

UTILIZANDO ANÁLISE DO CAOS

Tese de Doutorado submetida ao Programa de Pós- Graduação em Engenharia Mecânica do Centro de Tecnologia da Universidade Federal da Paraíba em cuprimento às exigências para obtenção do grau de Doutor em Ciências no Domínio da Engenha- ria Mecânica.

Orientador: Prof. Dr. Abel Cavalcante Lima Filho Coorientador: Prof. Dr. Alisson Vasconcelos de Brito

João Pessoa – Paraíba, Brasil

Ramon Leonn Victor Medeiros – ramon.medeiros@ifpb.edu.brc

M488m Medeiros, Ramon Leonn Victor.

MÉTODO DE DETECÇÃO DE FALHAS EM MOTORES DE CORRENTE CONTÍNUA SEM ESCOVAS UTILIZANDO ANÁLISE DO CAOS / Ramon Leonn Victor Medeiros. - João Pessoa, 2018.

73 f. : il.

Orientação: Abel Cavalcante Lima Filho.

Coorientação: Alisson Vasconcelos de Brito.

Tese (Doutorado) - UFPB/CT.

1. diagnóstico. 2. falhas. 3. síncrono. 4. RPA. 5.

motores. I. Lima Filho, Abel Cavalcante. II. Brito, Alisson Vasconcelos de. III. Título.

UFPB/BC

Catalogação na publicação Seção de Catalogação e Classificação

Dedicatória

Dedico este trabalho à minha filha Ana Clara, meu irmão Raoni e minhas sobrinhas Isabele e Lorenna, como incentivo para busquem busquem seus ideais de vida sempre com fé em Deus e dedicação.

Dedico, ao meu avô e pai Francisco Vito (in memorian) com todo meu amor, gratidão e admiração.

Agradecimentos

Primeiramente, agradeço a Deus que, com a interseção de Nossa Senhora de Fátima, está sempre guiando todos os meus passos, abrindo tantas portas, colocando pessoas maravilhosas no meu caminho e segurando a minha mão nos momentos difíceis.

À Minha esposa Brunna Almeida Medeiros e minha filha Ana Clara Almeida, meus amores, minha vida, minha fortaleza! Obrigado por ser a força que me abastecia em todos os momentos.

Aos professores Abel Lima, Jorge Gabriel e Alisson Brito por compartilhar conheci- mento e se tornarem grandes amigos.

Aos “Manolos” – Thyago Vasconcelos, Bruno Jácome e Paulo Ixtânio – por serem ir- mãos que a vida me deu e estarem sempre presentes mesmo nos momentos de distância.

À minhas mães Luciene (mãe) e Felícia (avó = mãe 2x); aos meus irmãos Raoni, Rayron e Richardson; à minhas tias e primos; Enfim, a toda minha família agradeço todo o amor, dedicação e confiança. Por terem me mostrado o melhor caminho e proporcionado condições para que eu o seguisse.

Enfim, todos que colaboraram direta ou indiretamente para a concretização deste sonho.

De coração, obrigado a todos que fazem parte da minha vida!

Resumo

Este trabalho propõe um método de detecção de falhas em motores de corrente contínua sem escovas, conhecidos comoBrushless Direct Current (BLDC) Motor, que tem sido utilizado em diversas aplicações devido à comutação eletrônica e suas características de ruído, torque e custo. Uma das aplicações dadas aos motores BLDC são em Sistemas de Aeronaves Remota- mente Pilotadas, em inglêsRemotely Piloted Aircrafts (RPA), popularmente conhecidos como drones. Equipamentos que tem apresentado uma necessidade crescente de segurança e confia- bilidade dada a grande variedade de usos e aplicações. Sendo assim, percebe-se que há uma de- manda por desenvolver uma estratégia de diagnóstico em tempo real a ser embarcada em RPA.

Este trabalho apresenta um método para o diagnóstico de motores BLDC com base na análise do comportamento caótico a partir do sinal da corrente elétrica no domínio do tempo, medido através da contagem de densidade de máximos da função. Os resultados demonstraram que é possível detectar quando o motor apresenta falhas em condição estacionária e não-estacionária, abrindo a possibilidade de aprimoramento da técnica e desenvolvimento da solução embarcada de diagnóstico de motores, que demande baixo recurso computacional e seja multiplataforma.

Palavras-chave: diagnóstico, falhas, síncrono, RPA, motores

Abstract

This presented work contributes to the development of a novel fault diagnosis method in Brushless Direct Current (BLDC) motors. These have been used in several applications of electric vehicles. Some advantages, such as low maintenance demand and ability to work in hostile environments. One of the applications given to BLDC motors is in Remotely Piloted Aircraft (RPA), popularly known as drones, that have a wide variety of uses and applications.

So, there is a growing need for security and safety solutions. Thus, it was noticed that there is a demand to develop a real-time diagnostic strategy to be embedded in RPA. This work present a technique for the diagnosis of working behavior in BLDC motors. From analysis of the chaotic behavior of the electric current signal, measured by the maximum density of the function, preliminary results demonstrated the efficacy of new technique under stationary and non-stationary conditions, opening the possibility of improving the technique and developing the embedded motor diagnostic solution.

Keywords: diagnosis, faults, synchronous, multiplataform, motors

Sumário

1 INTRODUÇÃO 1

1.1 HISTÓRICO DO DESENVOLVIMENTO . . . 3

1.2 PREMISSAS E HIPÓTESES . . . 4

1.3 OBJETIVOS . . . 4

1.3.1 Objetivo Geral . . . 4

1.3.2 Objetivos Específicos . . . 5

1.4 ORGANIZAÇÃO . . . 5

2 TRABALHOS RELACIONADOS 6 2.1 Métodos Baseados em Sinais . . . 6

2.2 Detecção de Falha em RPA . . . 8

2.3 Falha de Excentricidade em Motores BLDC . . . 9

2.4 Métodos Baseado no Caos . . . 10

3 FUNDAMENTAÇÃO TEÓRICA 12 3.1 MOTOR DE CORRENTE CONTÍNUA SEM ESCOVA . . . 12

3.1.1 Princípios de Funcionamento . . . 14

3.1.2 Modelo Matemático . . . 17

3.1.3 Falhas Potenciais . . . 20

3.2 Análise de Assinatura da Corrente do Motor . . . 21

3.2.1 Método da Transformada de Fourier . . . 22

3.2.2 Identificando Falhas Aplicando Transformada de Fourier . . . 23

4 ANÁLISE DO CAOS 26 4.1 Coeficiente de Comprimento de Correlação (CCC) . . . 27

4.2 Análise de Sinal Baseada no Caos usando Densidade de Máximos (SAC-DM) . 29 5 MATERIAIS E MÉTODOS 32 5.1 Equipamentos Utilizados . . . 32

5.2 Experimentos . . . 34

x

5.3 Métodos Utilizados . . . 35

5.3.1 Análise dos Sinais . . . 35

5.3.2 Método de Identificação do Caos . . . 35

5.3.3 Árvore de Regressão e Classificação . . . 37

5.3.4 Grau de Confiança . . . 38

6 RESULTADOS E DISCUSSÕES 39 6.1 Parte 01 - Comparação com Métodos Tradicionais . . . 39

6.1.1 Análise utilizando Transformada Rápida de Fourier . . . 39

6.1.2 Análise por Identificação do Caos . . . 48

6.2 Parte 02 - Detecção de Falha e Velocidade . . . 58

6.2.1 Detecção de Falha (Experimentos 1 a 3) . . . 59

6.2.2 Detecção de Velocidade (Experimentos 4 e 5) . . . 61

7 CONSIDERAÇÕES FINAIS 66

Lista de Figuras

1.1 Tipos de Métodos de Detecção de Falhas . . . 3

3.1 Forma de Uso de um Motor BLDC em uma Aeronave Remotamente Pilotada . 13 3.2 Estrutura de um Motor BLDC . . . 15

3.3 Primeiro de um ciclo elétrico para um motor BLDC de seis estágios. A bobina A é energizada positivamente, B é aberta, C energizada negativamente . . . 15

3.4 Circuito Elétrico Equivalente para drivers de motores BLDC(Parket al., 2011) 16 3.5 Saída do sensor Hall comparada com back-EMF do motor BLDC trifásico. . . 17

3.6 Modelo de Circuito do Motor . . . 19

3.7 Métodos baseados em Análise de Sinal . . . 21

3.8 Representação Esquemática de uma SITFS. (a) Stator interturn fault. (b) Fluxo de ligação de enrolamentos em curto. (Park e Hur (2016)) . . . 24

3.9 (a) Posição do Rotor e do Estator. (b) Diagrama Esquemático de uma DEF (Park e Hur (2016)) . . . 24

4.1 Função Parcial de Autocorrelação - (Partial Autocorrelation Function - PACF) 28 4.2 Coeficiente de Comprimento de Correlação obtido através de PACF . . . 29

5.1 Diagrama de Blocos da Bancada . . . 32

5.2 Bancada para Experimentos - 01 . . . 33

5.3 Fluxo de aplicação dos conceitos inerentes à comprovação de comportamento caótico do sistema . . . 36

6.1 Sinal Adquirido - Experimento 1 . . . 40

6.2 FFT - Experimento 1 . . . 41

6.3 Sinal Adquirido - Experimento 2 . . . 41

6.4 FFT - Experimento 2 . . . 42

6.5 Comparando E1 e E2 . . . 42

6.6 FFT - Experimento 3 . . . 43

6.7 FFT - Experimento 4 . . . 43

xii

6.8 Comparação E3 e E4 . . . 44

6.9 FFT - Experimento 5 . . . 45

6.10 FFT - Experimento 6 . . . 45

6.11 Comparação E5 e E6 . . . 46

6.12 Comparação E1 e E3 . . . 46

6.13 Comparação E1 e E5 . . . 47

6.14 Comparação E2 e E6 . . . 48

6.15 Vetor de Autocorrelação . . . 49

6.16 Fitting do Sinal . . . 49

6.17 Densidades em blocos de 1000 amostras para todos os sinais adquiridos em E1 52 6.18 Distribuição Normal para sinais adquiridos em E1 . . . 52

6.19 Densidades em blocos de 1000 amostras para todos os sinais adquiridos em E2 53 6.20 Distribuição Normal para sinais adquiridos em E2 . . . 54

6.21 Densidades em blocos de 1000 amostras para todos os sinais adquiridos em E3 54 6.22 Densidades em blocos de 1000 amostras para todos os sinais adquiridos em E4 55 6.23 Distribuição Normal para sinais adquiridos em E3 . . . 55

6.24 Distribuição Normal para sinais adquiridos em E4 . . . 56

6.25 Densidades em blocos de 1000 amostras para todos os sinais adquiridos em E5 56 6.26 Distribuição Normal para sinais adquiridos em E5 . . . 57

6.27 Densidades em blocos de 1000 amostras para todos os sinais adquiridos em E6 57 6.28 Distribuição Normal para sinais adquiridos em E6 . . . 58

6.29 Conjuntos de Coeficientes SAC-DM: E1 (azul), E2 (vermelho) e E3 (preto) . . 59

6.30 Distribuição Gaussiana do Coeficientes SAC-DM para os Experimentos E1 (zul), E2 (vermelho) e E3 (preto) . . . 60

6.31 Resultados SAC-DM para Experimento E4 em diferentes velocidades: 25% (azul), 50% (vermelho), 75% (preto) e 100% (verde) . . . 62

6.32 Distribuição Gaussiana dos Coeficientes SAC-DM para o Experimento E4 em velocidade variável: 25% (azul), 50% (vermelho), 75% (preto) e 100% (verde) 62 6.33 Resultados SAC-DM para Experimento E5 em diferentes velocidades: 25% (azul), 50% (vermelho), 75% (preto) e 100% (verde) . . . 63

6.34 Distribuição Gaussiana dos Coeficientes SAC-DM para o Experimento E5 em velocidade variável: 25% (azul), 50% (vermelho), 75% (preto) e 100% (verde) 64 6.35 Comparando Coeficientes SAC-DM para experimentos com velocidades dife- rentes: E4 (azul) e E5 (vermelho) . . . 65

Lista de Tabelas

5.1 Experimentos - Parte 01 . . . 34

5.2 Experimentos - Parte 02 . . . 35

6.1 Resultados 01 - CCC (τ) . . . 50

6.2 Resultados SAC-DM - Amostras: 1.000.000 . . . 50

6.3 Resultados SAC-DM - Amostras: 1.000 . . . 51

6.4 Análise Estatística dos resultados SAC-DM para os Experimentos E1, E2 e E3 . 59 6.5 Matriz de Confusão - Detecção de Hélice desbalanceada com velocidade de 25% 60 6.6 Matriz de Confusão - Detecção de Hélice desbalanceada com velocidade de 50% 61 6.7 Matriz de Confusão - Detecção de Hélice desbalanceada com velocidade de 75% 61 6.8 Matriz de Confusão - Detecção de Hélice desbalanceada com velocidade de 100% 61 6.9 Análise Estatística dos resultados SAC-DM para o Experimento E4 . . . 61

6.10 Matriz de Confusão - Identificação de Velocidade em motor BLDC sem falha . 63 6.11 Análise Estatística dos resultados SAC-DM para o Experimento E5 . . . 63 6.12 Matriz de Confusão - Identificação de Velocidade em motor BLDC com falha . 64

Lista de Siglas

A/D – Analógico Digital AC – Alternating Current

ANAC – Agência Nacional de Aviação Civil ARP – Aeronave Remotamente Pilotada EMF – Electromotive force

BLDC – Brushless Direct Current CA – Corrente Alternada

CART – Classification and Regression Tree CC – Corrente Contínua

CCC – Coeficiente de Comprimento de Correlação CCW - Counterclockwise

CAPES – Coordenação de Aperfeiçoamento de Pessoal de Nível Superior CART – Classification and Regression Tree

CE – Comutação Eletrônica CI – Centro de Informática

CLC – Correlation Length Coefficient

CW – Clockwise

DC – Direct Current

DEF – Dynamic Eccentricity Fault DFT – Discrete Fourier Transform DWT – discrete wavelet transform

EBTT – Ensino Básico, Técnico e Tecnológico ECM – Electronically Commutated Motors

EKF – Extended Kalman Filter

EMRAN-RBF – extended minimum resource allocating radial basis function ESC – Electronic Speed Controller

EUA – Estados Unidos da América FCEM – Força Contraeletromotriz

FDI – Fault Diagnosis and Identification

xv

FDIA – Fault Detection, Identification and Accommodation FEA – Finite Element Analysis

FEM – Finite Element Method FFT – Fast Fourier transform

FMEA – failure modes and effects analysis FMM – Força Magnetomotriz (FMM) FPGA – Field Programmable Gate Array

FT – Fourier Transform FTA – fault tree analysis FTC – Fault Tolerance Control

GPICEEMA – Grupo de Pesquisa em Instrumentação e Controle em Estudo de Energia e Meio Ambiente

HHT – Hilbert–Huang transform

HVAC – Heating Ventilation and Air Conditioning

IFPB – Instituto Federal de Educação, Ciência e Tecnologia da Paraíba IM – Induction Motor

ITIV – Institute für Technik der Informationsverarbeitung KIT – Karlsruhe Institute of Technology

LaSER – Laboratório de Sistemas Embarcados e Robótica LPFT – Local Polynomial Fourier Transform

MCSA – Motor Current Signature Analysis MEC – Ministério da Educação

MMF – (Magnetomotive force

NI-DAQ – National Instrument - Data Acquisition PACF – Partial Auto-correlation Function

PCPD – Placa de Conversão A/D e Processamento de Dados PDSE – Programa de Doutorado Sanduíche no Exterior

PM – Permanent Magnet

PM BLDC – Permanent Magnet Brushless Direct Current PMSM – Permanent Magnet Synchronous Motors

PPGEM – Programa de Pós-Graduação em Engenharia Mecânica PWM – Pulse Width Modulation

RMS – Root Mean Square

RN – Rede Neural

RPA – Remotely-Piloted Aircraft

RPAS – Remotely Piloted Aircrafts Systems

SAC-DM – Signal Analysis Based on Chaos using Density of Maxima SFDIA – sensor fault detection, isolation and accommodation

SITF – Stator Interturn Force

xvi

SNR – Signal-to-noise Ratio

STFT – Short-Time Fourier transform TFR – time-frequency representation TWD – Transformada de Wavelet Discreta

UAS – Unmanned Aerial/Aircraft System UAV – Unmanned Aerial Vehicle

UFPB – Universidade Federal da Paraíba USB – Universal Serial Bus

WT – Wavelet Transforms WVD – Wigner–Ville distribution

Lista De Símbolos

ρ – Coeficiente resultante da Densidade de Máximos τ – Coeficiente de Comprimento de Correlação θ – Ângulo de posição do rotor

θ_i – deslocamento de fase

θ_r – Ângulo mecânico rotacional, em rad ω_i – componente senoidais de frequência ω_r – Velocidade Angular de Rotação, em [rad/s]

ψ_pm(θ) – PM flux linkagena Fase A

A – Fase A

A_i – Amplitude para o Componente de Frequênciai

B – Fase B

a_i – Termo Cosseno b_i – Termo Seno

B_v – Coeficiente de Fricção Viscoso

C – Fase C

e_ψx – EMF induzida na Fase

f_s – Frequência de Amostragem do Sinal Ibat – Corrente da Bateria

I_ESC – Corrente do ESC i_x – Corrente na Fase

J – Momento de Inércia do Rotor L_A – Auto indução da Fase A

L_AB, L_AC – Indução mútua da Fase A com a Fase B e Fase C P_bat – Potência da Bateria

P_ESC – Potência do ESC

R_x – Resistência na Fase, para três fases de enrolamentos simétricosR_A=R_B =R_C = R

S1 – Chave 1 do Inversor S₂ – Chave 2 do Inversor

xviii

S₃ – Chave 3 do Inversor S₄ – Chave 4 do Inversor S₅ – Chave 5 do Inversor S6 – Chave 6 do Inversor

T_e – O Torque eletromagnético, em [N.m]

T_L – Toque de Carga

u_x – Tensão na Fase, em que oxcorresponde a fase A, B e C V_bat – Tensão da Bateria

V_ESC – Tensão do ESC x(t) – Sinal Adquirido

C

1

INTRODUÇÃO

Várias são as denominações para o que popularmente conhecemos como Drones. Diálo- gos Setoriais (2017) diz que termo o “drone”, originado nos Estados Unidos da América (EUA), vem se difundindo mundo afora, para caracterizar todo e qualquer objeto voador não tripulado, seja ele de qualquer propósito, origem ou característica. Ou seja, é um termo genérico, sem amparo técnico ou definição na legislação.

A ANAC (2017), que é agência reguladora no Brasil, define que uma aeronave não tripu- lada pilotada a partir de uma estação de pilotagem remota com finalidade diversa de recreação deve ser chamada de Aeronave Remotamente Pilotada, do inglês Remotely Piloted Aircrafts (RPA). No meio acadêmico muitas vezes é denominada comoUnmanned Aerial System (UAS), Unmanned Aircraft System (UAS)ouUnmanned Aerial Vehicle (UAV)(Fuggettiet al.(2015);

Liet al.(2016); Merhebet al.(2014); Panitsrisit e Ruangwiset (2011)).

Kardasz e Doskocz (2016) diz que o RPAs não têm um tamanho ou tipo específico de unidade. Eles são frequentemente equipados com acessórios usados para vigilância e monito- ramento. A característica mais importante é que eles não precisam de nenhuma infraestrutura adicional para registrar e monitorar rapidamente uma área ou objeto designado. Outra vantagem significativa é o tempo de reação extremamente curto quando se trata de preparação da unidade para um voo.

Existem muitos projetos e geometrias diferentes como opções para construir veículos aéreos. Contudo, há duas categorias principais: veículos de asa fixa e de asa giratória. Aqueles têm como desvantagem a dificuldade de operação em espaços confinados, pois não podem sim- plesmente parar no ar (Fuggettiet al., 2015; Venkataramanet al., 2015). Assim, uma geometria óbvia quando você considera a construção de robôs/veículos aéreos são os veículos de asa gira- tória, também conhecidos comrotor crafts, e há muitos tipos diferentes. Estes, ao contrário do asa fixa, podem pairar como helicópteros Amelinet al.(2015).

Especificamente no caso das RPA, há um crescimento na utilização destes equipamentos por parte da sociedade civil, não apenas por entidades militares e/ou governamentais, como era há algum tempo. Pode ser utilizado nos setores de infraestrutura, transporte, seguros, mídia

INTRODUÇÃO 2

e entreterimento, telecomunicações, agricultura, segurança, entre outros (Diálogos Setoriais, 2017; Mills, 2017).

Tefay et al. (2011) e Li et al. (2016) afirmam que os motor de corrente contínua sem escova são os mais utilizados em Aeronaves Remotamente Pilotadas, do inglêsRemotely Piloted Aircrafts (RPA). Atribui isso a fatos como projeto estrutural e de controle destes motores, bem como tamanho compacto, fácil manutenção e baixo ruído, por exemplo.

O desenvolvimento da tecnologia aliada a ampla possibilidade de utilização, tem feito dos Motores de Corrente Contínua sem Escova, do inglêsBrushless Direct Current – BLDC Motor, foco de muitas pesquisas em todo o mundo (Shakouhiet al., 2015). Motores também conhecidos como motores de Comutação Eletrônica (CE), uma livre tradução deElectronically Commutated Motors(ECMs), são motores síncronos alimentados por Corrente Contínua (CC) através de um inversor ou fonte chaveada que produz uma corrente Alternada (CA) conduzida em cada fase do motor através de um controlador de circuito fechado. O controlador fornece pulsos de corrente para os enrolamentos do motor que controlam a velocidade e o torque do motor.

São diferentes áreas de aplicação na indústria, a exemplo dos setores aeroespacial e de transporte (Kuzmaet al.(2017); Luo et al.(2017); Mills (2017); Park et al.(2011); Solomon (2007); Stöckeret al.(2017); Tefayet al.(2011); Zeraouliaet al.(2006)), funcionando em con- dições estacionárias e não-estacionárias, que utilizam motores BLDC em condições adversas onde a ocorrência de falhas durante a operação pode causar um desastre e custar vidas humanas (Rajagopalan (2006), Samaraet al.(2008)).

Assim, considerando que uma falha é definida como um desvio não permitido/previsto de pelo menos uma propriedade característica ou parâmetro do sistema a partir do estado acei- tável/normal/padrão (Gaoet al.(2015)) é inevitável procurar aprimorar ou desenvolver técnicas para detectar falhas incipientes em motores BLDC, permitindo agir e/ou corrigir antes de sua avaria total em pleno funcionamento Xiao e Yin (2017); Yuanet al.(2016).

Este fato foi predominante para a observação e escolha do objeto de estudo deste traba- lho. São vários os questionamentos quanto à detecção de falhas em motores de RPA, no entanto, um é central: Como diagnosticar falha em motores de corrente contínua sem escova?

Muitos são os termos e conceitos inerentes à sistemas tolerantes à falhas. A fim de melhorar a confiabilidade de um sistema, diagnóstico de falhas é usualmente empregado para monitorar, localizar e identificar as falhas, utilizando o conceito de redundância, seja redun- dância de hardware ou redundância software, também chamada de redundância analítica (Gao et al., 2015).

Independente do método de redundância, um sistema de controle tolerante e, por con- sequente, diagnóstico de falhas inclui três tarefas: detecção de falhas, isolamento de falhas e identificação de falhas. O método proposto neste trabalho atua na Detecção de falhas, que é a tarefa inicial do processo, sendo usado para verificar se há mau funcionamento ou falha no sistema e determinar o momento em que ocorre a falha. Os esquemas avançados de diagnóstico

INTRODUÇÃO 3

de falhas para motores de aeronaves podem ajudar a melhorar significativamente a segurança de vôo, permitindo a detecção precoce e o isolamento de condições defeituosas (Zhanget al., 2013a).

Os métodos de Disgnóstico e Identificação de Falhas (Fault Diagnosis and identification - FDI) são vários e podem ser classificados de forma simplificada com mostrado na Figura 1.1.

Figura 1.1 - Tipos de Métodos de Detecção de Falhas

Basicamente a classificação divide-se em métodos que utilizam um modelo da planta e os que não utilizam este modelo Samyet al. (2011). De forma mais ampla, os métodos de diagnóstico de falhas podem ser categorizados em métodos baseados em modelos (model-based methods), métodos baseados em sinais (signal-based methods), métodos baseados em conheci- mentos (knowledge-based methods), métodos híbridos (hybrid-based methods), e métodos de diagnóstico de falhas ativos (active fault diagnosis methods) (Gaoet al., 2015).

Métodos baseados em sinal foram escolhidos para objeto de estudo deste trabalho. Mé- todos que utilizam sinais medidos, em vez de modelos de entrada-saída explícitos, para diag- nóstico de falhas. Têm uma ampla aplicação no monitoramento e diagnóstico em tempo real para motores de indução, conversores de energia e componentes mecânicos em um sistema.

Com isso, este trabalho foi desenvolvido se baseando na condição que o aumento da segurança e confiabilidade está relacionado ao aprimoramento dos sistemas de controles utiliza- dos, seus sensores e métodos. Bem como, considerando a variedade de tecnologias disponíveis, com uma grande variedade de equipamentos, tamanhos, etc.

1.1 HISTÓRICO DO DESENVOLVIMENTO

O Laboratório de Sistemas Embarcados e Robótica (LaSER), localizado no Centro de Informática, desenvolve pesquisa com foco em hardware, software e simulação na área inte- ligência computacional, Aeronaves Remotamente Pilotas (ARP), do inglês Remotely-Piloted Aircrafts - RPA, entre outros. Neste laboratório, foi desenvolvido a pesquisa em nível de Mes- trado do autor no Programa de Pós-Graduação em Informática, Centro de Informática (CI), da UFPB.

INTRODUÇÃO 4

Após a conclusão de Mestrado, em busca de um grupo para desenvolver uma pesquisa em nível de Doutorado, o autor conhece o Grupo de Pesquisa em Instrumentação e Controle em Estudo de Energia e Meio Ambiente (GPICEEMA) que vem, desde o ano de 2006, pesquisando e desenvolvendo trabalhos com relação à medição de torque, velocidade e eficiência.

Foi definido que seria desenvolvido um estudo que englobasse áreas de pesquisa dos dois (2) grupos de estudo. Na sequência, se chegou a conclusão que seria um estudo na área de leitura e conhecimento de sinais de motores, área de estudo do GPICEEMA, e que estes motores seriam de veículos elétricos estudados no LaSER.

Diante do desafio de encontrar um objeto de pesquisa, se percebeu que uma outra pes- quisa que estava sendo desenvolvida o LaSER apresentava um método promissor para ser estu- dado na Engenharia Mecânica, em especial na detecção de falhas, baseado em Teoria do Caos.

Surgiu mais uma parceria, desta vez com o Departamento de Física na pessoa do Profes- sor Dr. Jorge Gabriel cujo deu total suporte no desenvolvimento do Método baseado na Teoria do Caos.

Foi desenvolvido um estágio de pesquisa no exterior, especificamente no Institute for Information Processing Technologies (Institut für Technik der Informationsverarbeitung - ITIV) na universidade denominadaKarlsruhe Institute of Technology(KIT), em Karlsruhe na Alema- nha. Estágio este custeado pela Coordenação de Aperfeiçoamento de Pessoal de Nível Supe- rior (Capes), fundação do Ministério da Educação (MEC), através do Programa de Doutorado- sanduíche no Exterior (PDSE).

Vale destacar que na condição de Professor de Ensino Básico, Técnico e Tecnológico (EBTT) no Instituto Federal de Educação, Ciência e Tecnologia da Paraíba (IFPB) o autor foi beneficiado com afastamento de suas atividades para estudo de pós-graduaçãoStrictu Sensuno país, durante um período de aproximadamente 24 meses.

1.2 PREMISSAS E HIPÓTESES

• É possível desenvolver um método de diagnóstico de processamento em tempo real cujo identifica falhas que comprometam a utilização do sistema;

• É possível caracterizar o comportamento de motores sem interromper seu funcionamento;

• É possível desenvolver um método baseado em Caos e utilizando Densidade de Máximos para caracterização de motores BLDC.

1.3 OBJETIVOS

1.3.1 Objetivo Geral

O objetivo geral deste trabalho é desenvolver um método de detecção de falhas em mo- tores de corrente contínua sem escova utilizando análise do Caos.

INTRODUÇÃO 5

1.3.2 Objetivos Específicos

Como objetivos específicos, podemos citar:

• Propor um método para análise de sinais baseado em Caos utilizando Densidade de Má- ximo;

• Demonstrar a possibilidade de aplicação do método proposto para detecção de falhas em motores de corrente contínua sem escova a partir do sinal da corrente elétrica do estator.

1.4 ORGANIZAÇÃO

Com o intuito de evidenciar aspectos e métodos utilizados em outros trabalhos de di- ferentes abordagens o Capítulo 02 é apresentado dividido por tópicos em ordem cronológica.

Os trabalhos analisados são relacionados a diagnóstico de falhas baseado em sinais, diagnósti- cos em Aeronaves Remotamente Pilotadas, em motores BLDC e desenvolvimento de trabalhos baseados no Caos. Já no Capítulo 03 são mostrados os conceitos fundamentais para entendi- mento do estudo relativo a motores de imã permanente sem escova e análise de assinatura da corrente. De posse do conhecimento desenvolvido para concepção dos capítulos anteriores, o Método Proposto neste trabalho para análise se sinais baseado no Caos é apresentado Capítulo 04. No Capítulo 05 é descrito como o estudo foi desenvolvido, os materiais e métodos utili- zados. Assim, se deu o desenvolvimento dos experimentos e o Capítulo 06 traz a análise dos dados e a discussão em torno dos resultados para comprovação do método. Sendo no Capítulo 07 a conclusão do estudo na forma de análise dos resultados globais alcançados e possibilidade de trabalhos futuros.

C

2

TRABALHOS RELACIONADOS

Há trabalhos que apresentam apenas a modelagem matemática e, outros, que buscam prototipar a solução. No que diz respeito aos motores BLDC, há trabalhos que buscam definir novos e otimizados "BLDC motor driver systems"e, outros, que buscam estratégias de redun- dância e análises específicas às vezes de tensão, às vezes de corrente.

Os sistemas de controle podem utilizar a detecção física, através de sensores, ou ainda, por meio da análise de parâmetros onde predomina a utilização de software. Contudo este trabalho tem o foco no diagnóstico de falhas, assim esta seção visa apresentar os principais métodos de detecção de falhas em motores BLDC, seja para quaisquer veículos elétricos ou, mais especificamente, para RPA. Incluindo verificação/teste de hardware e software, simulação e modelagem.

2.1 Métodos Baseados em Sinais

Com o conhecimento prévio sobre o comportamento do sistema saudável, ou seja, o padrão dos sinais para o comportamento padrão do sistema cujas características são extraídas, as falhas no processo são refletidas nos sinais medidos e, consequentemente, há uma decisão de diagnóstico com base nesta análise. Esta pode ser no domínio do tempo, no domínio da frequência ou ambos.

Vários métodos de análise de tempo-frequência têm sido propostos e aplicado a diag- nóstico de falhas em máquinas. Sendoshort-time Fourier transform (STFT),wavelet transforms (WT),Hilbert–Huang transform (HHT), eWigner–Ville distribution (WVD)as abordagens co- mumente utilizadas.

Qiet al.(2007) propõe um algoritmo baseado em Wavelet para detecção de falhas para sensores de um sistema RPA nos oferece uma abordagem de análise multiescalar para identificar a característica das falhas nos dados de voo, que não são prontamente identificadas pelas abor- dagens tradicionais. Os resultados apresentados neste trabalho mostram que o método baseado na transformada Wavelet é uma alternativa promissora para o sistema de detecção de falhas. Sua

TRABALHOS RELACIONADOS 7

principal vantagem é que não requer um modelo anterior de um sensor e os sinais de entrada do sensor são mensuráveis. Com o esquema baseado em Wavelet, o sistema de detecção de falhas do sensor pode detectar os locais de falha do sinal abrupto de forma eficaz.

A análise teórica da ligação física entre falhas e componentes do espectro de vibração é a contribuição de Bianchiniet al. (2011), além do desenvolvimento de um modelo cinemático para prever as frequências em rolamentos de lineares. Foram realizados experimentos para ava- liar o modelo e verificar as frequências de falhas previstas. Várias técnicas de processamento de sinal foram aplicadas ao sinal de vibração, dentre estas foi aplicadoshort-time Fourier trans- form (STFT). Mesmo as quantidades escalares não foram determinantes na identificação do rolamento com defeito. Os resultados obtidos provaram que é muito difícil encontrar uma única quantidade característica que indique o estado do rolamento. De fato, os resultados obtidos apenas pelaFast Fourier transform (FFT)foram os mais relevante.

Chattopadhyay et al. (2012) utiliza Transformada de Wavelet Discreta (TWD), do in- glês discrete wavelet transform (DWT), para analisar os sinais de uma modelagem realizada no SIMULINK para um motor BLDC de três fases. Mostra o modelo Simulink completo do motor BLDC de comutação trapezoidal. A velocidade do motor é comparada com a velocidade original do rotor e o erro é processado no controlador PI.

Zhanget al.(2013a) sobre STFT o autor afirma que o método permite a determinação conteúdo da frequência do sinal em secções locais com em tempo, o que tem sido amplamente aplicada para detectar falhas do estator e rotor em motores indutor. No entanto, o método sofre STFT o alto custo computacional se for necessário obter uma boa resolução.

Houet al.(2015) propõe um método de detecção de falhas introduzindo uma das repre- sentações de tempo-frequência (time-frequency representation - TFR), segundo o autor, mais eficiente, a Transformada de Fourier Polinomial Local (Local Polynomial Fourier Transform - LPFT). Aborda as propriedades e uso do LPFT, realizando a Análise de Assinatura de Corrente de Motor (Motor Current Signature Analysis - MCSA) com o LPFT para distinguir os sinais de falha coletados dos motores de corrente contínua sem escova. Um ponto importante é que o autor indica que, ao coletar o sinal de corrente do estator, é interessante usar oAdaptive Trac- king Filter (ATF)para filtrar o sinal original. O ATF pode eliminar a frequência fundamental e alguns harmônicos do inversor, e ajudar a evitar termos cruzados.

Da mesma forma Dhumale e Lokhande (2017) utiliza DWT, contudo o compara com Transformação vetorial de Park (Vector Park Transform) para verificação de falhas em Inverso- res utilizados para fornecer energia a motores BLDC. Assim, aponte que a DWT é mais robusta contra o ruído de alta frequência, mas requer valores de limiar para diagnosticar falhas sob con- dições de carga variável. Já a Transformação vetorial de Park é apropriada para o diagnóstico de falhas de chave aberta em inversores, na unidade de velocidade variável, conforme a corrente é normalizada bem como o método é adequado e os valores limite são usados, o que cobre a região de potência geral.

TRABALHOS RELACIONADOS 8

2.2 Detecção de Falha em RPA

Sabendo da crescente utilização de redes neurais (RN) adaptativas para aplicações em sistemas não lineares, Samy et al. (2010) apresenta uma abordagem baseada em modelo de- nominadasensor fault detection, isolation and accommodation (SFDIA). Esta abordagem foi desenvolvida sobre o conceito de redes neurais (RN), com extended minimum resource allo- cating radial basis function (EMRAN-RBF), para analisar falhas em vários sensores. O autor afirma que um grupo de sensores podem falhar simultaneamente ou consecutivamente. Consi- derando este cenário e assumindo um gapde 1s entre as falhas, foram introduzidas falhas no sensorespitch gyro,angle of attack sensor enormal accelerometer. Após treinar a RN offline, cada sensor é relacionado e utilizado pelo SFDIA online.

Destacando a importância de um sistema de detecção, identificação e adaptação à falhas, Panitsrisit e Ruangwiset (2011) apresenta sua proposta de fault detection, identification and accommodation system(FDIA). "Hoje em dia, vários tipos de sensores foram desenvolvidos e tornaram-se pequenos e leves", assim propõe para um UAV asa-fixa uma abordagem de utilizar sensores para construir um método de redundância por hardware para pequenos UAVs. Aplica a falhas no sistema "elevator" que pode ter 3 origens: atuador, linkage e superfície. Utiliza um conversor A/D de 10 bits do PIC18F4431 e a análise é feita posterior ao voo em outro computador.

Para o Zhaohuiet al.(2013), UAVs movem-se facilmente em diferentes ambientes en- quanto executam tarefas específicas, proporcionando eficiência e autonomia. Influenciado por forças aerodinâmicas, os quadrotors são não-lineares e multivariáveis. Estão sujeitos a falhas de componentes e distúrbios externos com diferentes gravidades. Isto requer: Tolerância à Fa- lhas (Fault-Tolerance); Controle de Tolerância (Fault Tolerance Control- FTC) ativo e efetivo;

Detecção, Isolamento e estimação de falhas. Reconhece dois tipos básicos de estratégias de FTC: Passivo e Ativo. Aquele não exige conhecimento sobre a falha e apresenta performance limitada. Já o Ativo apresenta como vantagem o fato de prover "Condition-based maintain".

OEKF-based fault detection and estimation methodproposto por Zhanget al.(2013b) para modelos de RPA do tipo quadrotor. Cita que muitos trabalhos afirmam a viabilidade ou validam apenas através de modelos, poucas pesquisas propõe e validam soluções de diagnóstico de falhas RPA reais. Apresenta modelagem matemática do problema. Propõe um esquema de diagnóstico de falhas observer based em RPA/quadrotor real em cenários de falhas. Para isso, desenvolveram um ambiente de testes (testbed) para realizar experimentos seguros e usam controle manual para sobrepor o automático em caso de urgência.

Merhebet al.(2014) mostra o desenvolvimento de um controlador de emergência para o AscTec Pelican Quadrotor. O objetivo é lidar com falhas severas em um dos seus motores ou rotores, detectando online qualquer falha ou defeito. Sempre que uma falha ocorre o controlador aplica modificações para que os três motores restantes possam ser utilizados para controlar o UAV como um trirotor. O autor alerta para o fato de que estratégias antigas de controle ou

TRABALHOS RELACIONADOS 9

técnicas convencionais de controle tolerante a falha não funcionam neste caso. Bem como, que o controlador desenvolvido não deve ser utilizado em condições normais de voo, mas sim apenas em emergência, fim para o qual foi desenvolvido. O controlador usanonlinear sliding mode observer como ferramenta para o Diagnóstico de falhas e Sliding mode control como núcleo do controlador.

Fuggettiet al.(2015) apresenta conceitos interessantes como failure modes and effects analysis (FMEA)efault tree analysis (FTA). Também apresenta uma solução para UAV asa-fixa com redundância em hardware. Contudo, apenas trabalha com sensor de corrente associado a um servo motor que, diferente de um BLDC, apresenta uma conexãoground.

2.3 Falha de Excentricidade em Motores BLDC

Ebrahimi et al. (2014) introduz um novo índice para diagnóstico de falhas de excen- tricidade estática e dinâmica em motores síncronos de ímã permanente (Permanent Magnet Synchronous Motors - PMSMs). O índice proposto é a combinação linear da energia, fator de forma, pico, ângulo do pico, área abaixo do pico, gradiente do pico dos sinais detalhados na decomposição wavelet e coeficientes do modelo auto-regressivo que são extraídos da análise de assinatura da corrente do estator. A análise de componentes principais é aplicada aos recursos como a transformação linear para redução de dimensão e eliminação da dependência linear en- tre os recursos. É aplicadofuzzy support vector machine para demonstrar a capacidade desses índices em estimar o tipo e o grau de excentricidade. A classificação dos resultados, verificada por simulação e resultados experimentais, indica que o índice proposto pode ser utilizado para detectar a ocorrência de excentricidade, reconhecer seu tipo e determinar seu grau com precisão.

Uma estratégia de controle de motores BLDC é proposta por Shakouhiet al.(2015) para melhorar o desempenho motor na presença de falha excentricidade estática do rotor. O método de controle proposto reduz as pulsações de torque eletromagnético de um motor BLDC causado por falha de excentricidade. A base deste conceito é a estimativa indutância eBack-EMFfase- a-fase durante a operação do motor sob condição defeituosa. O método de controle proposto considera variações nos parâmetros e especificações do motor devido à excentricidade. Neste método, as indutâncias do motor fase-fase são estimadas e a corrente do motor é controlada considerando-se os novos parâmetros de excentricidade motor.

Park e Hur (2016) analisa os padrões de frequência específicos da corrente de entrada do estator para diagnosticar e distinguir os tipos de falha. Desenvolveu um método de elementos finitos (Finite Element Method (FEM))bidimensionais (2D) usando uma matriz de sistema e, em seguida, confirmou os padrões de frequência específicos adicionais da corrente de entrada por uma transformada rápida de Fourier. Finalmente, os padrões de frequência específicos para cada tipo de falha foram verificados por resultados experimentais.

Para Sardanaet al.(2018) o motor BLDC, seu estator, rotor e enrolamentos são projeta- dos usando um método deFinite Element Analysis - FEA. As mudanças no fluxo magnético de

TRABALHOS RELACIONADOS 10

cada elemento no motor são monitoradas em caso de mudança no espaço de ar entre o rotor e o estator. As correntes do fluxo magnético são analisadas usando modelos de motores saudáveis e defeituosos com falhas de excentricidade estática e dinâmica. Os resultados indicam a detecção de falhas nos estágios iniciais de operação do motor BLDC. Esta detecção precoce e correção de falhas será útil para evitar o desgaste.

2.4 Métodos Baseado no Caos

Silva e Young (2000) trazem uma introdução ao campo da dinâmica não-linear e do caos, juntamente com um conjunto de aplicativos representativos que servem para ilustrar o impacto potencial do caos no processamento / transferência de informações. Os autores alertam que a popularidade do caos (e, em menor medida, de seus campos relacionados a fractais e wavelets) é simultaneamente um benefício e um prejuízo para que se torne um assunto estabelecido e digno de consideração séria. Por um lado, essa popularidade finalmente traz uma apreciação e interesse do público em geral por um assunto altamente matemático que normalmente seria ignorado por eles. Por outro lado, o termo caos pode se tornar banalizado e mal utilizado, diminuindo sua importância e aumentando seu ceticismo para aplicações em círculos técnicos, especialmente engenheiros tradicionalmente treinados.

Partindo do oscilador Chua original que é bem conhecido por sua simples implementa- ção e modelagem matemática, De la Hozet al.(2014) propõe oscilador Chua modificado. Este é proposto para facilitar a sincronização e o esquema de criptografia e descriptografia. A modi- ficação consiste em mudar o termo não-linear do oscilador original para uma função não-linear suave e limitada. São apresentadas provas de caotismo do oscilador recém-modificado. Um aplicativo para proteger comunicações é proposto, no qual dois canais são usados. Simulações numéricas são realizadas para analisar o sistema de comunicação

Gokyildirim et al.(2016) destaca que muitos pesquisas tem sido realizadas para o de- senvolvimento de aplicações de detecção de sinais fracos (weak signal) encobertos por fortes ruídos. Birx e Pipenberg (1992)apudGokyildirimet al.(2016) mostrou que sistemas caóticos são sensitivos a alguns sinais e são imunes a ruídos. Assim conceito de caos, mais especifica- mente osciladores caóticos, é trazido por Li e Qu (2007) e Huet al. (2018) em seus trabalho para análise de sinais. Os autores buscam identificar em meio aos ruídos de um sinal, compor- tamento caóticos que possa sinalizar uma falha mecânica e, assim, contribuir com o processo de detecção de falhas. Ambos trabalham com a relação sinal-ruído, do inglês signal-to-noise ratio - SNR. Contudo Huet al.(2018) aplica, também, o conceito de Oscilador Gaussiano.

Bazeiaet al.(2017) demonstra a presença do caos em simulações estocásticas que são amplamente utilizadas para estudar a biodiversidade na natureza. O estudo descobre a possibi- lidade de distinguir entre evoluções de tempo que começam a partir de estados iniciais ligeira- mente diferentes. A descoberta abre uma abordagem quantitativa que relaciona o comprimento de correlação com a densidade média de máximos de uma espécie típica, e um conjunto de

TRABALHOS RELACIONADOS 11

simulações estocásticas é implementado para apoiar o procedimento. O principal resultado do trabalho mostra como uma realização experimental única e simples que conta a densidade de máximos associados à evolução caótica da espécie serve para inferir seu comprimento de cor- relação.

Em seu trabalho Ghorbaniet al.(2017) apresenta uma técnica híbrida baseada na teoria do caos e regressão linear múltipla, e avalia seu desempenho em predizer significantes alturas de onda e períodoszero-up-crossingde onda no litoral da Tasmânia. As séries temporais ori- ginais de observação de onda foram transformadas em espaços de fase multidimensionais, que demonstram que as dinâmicas de um sistema caótico estão presentes nos dados.

Também focados em transmissão de dados, Chang et al. (2017) e Pérez-Resa et al.

(2018) utilizam o conceito de Mapa Caótico (Chaos Map) para desenvolver suas soluções. Na- quele, a compactação, desempenho da execução e a segurança são aprimorados para estratégias de compressão e encriptação para dados destreaming. Por sua vez, o trabalho de Pérez-Resa et al. (2018) propõe um esquema de codificação é baseado em Skew Tent Map e é adequado para codificar o fluxo de símbolos 8b10b na camada Física Ethernet. A implementação deste sistema foi realizada em um dispositivo Field Programmable Gate Array (FPGA). Com esse método, é possível criptografar o tráfego de dados sem sobrecarga e sem perdas dethroughput.

Além disso, como a criptografia é executada na camada física, o padrão de tráfego de dados é completamente ofuscado, o que proporciona maior segurança.

.

Muitas estratégias são utilizadas desde Transformada Rápida de Fourier até estratégias mais sofisticadas para análise matemática, processamento de sinais e Redes Neurais. No que se refere à Identificação do Caos ou estratégias de análise de sinais e dados baseadas no caos, é possível encontrar trabalhos em várias áreas distintas. Contudo, os trabalhos que mais se aproximam do diagnóstico de falhas a partir do processamento de sinais são relativos a análise de sinais de baixa frequência que, muitas vezes, são confundidos com ruídos fortes.

C

3

FUNDAMENTAÇÃO TEÓRICA

Neste capítulo é apresentada a base teórica desse estudo através dos conceitos básicos sobre: motores elétricos, especificamente os motores brushless de corrente contínua, seu fun- cionamentos, características e aplicações; a definição de Análise de Assinatura da Corrente do Motor e Transformada de Fourier.

3.1 MOTOR DE CORRENTE CONTÍNUA SEM ESCOVA

Os motores elétricos são, muitas vezes, a parte mais importante do processo industrial no qual está inserido. Estima-se que, na maior parte dos países industrializados, mais de 60%

do consumo da energia elétrica esteja associado a aplicações de força motriz (de Almeidaet al., 2002).

Para Zeraoulia et al. (2006), as características desejadas para a escolha de um motor são eficiência, confiabilidade e custo. Em concordância, Usman et al. (2016) complementa afirmando avanços recentes na tecnologia de ímãs permanentes, eletrônica de potência e con- troladores produziram motores elétricos especiais, sendo: motores de indução (Induction Motor - IM); síncronos de ímã permanente (Permanent Magnet Synchronous Motor - PMSM); motor de imã permanente sem escova, oupermanent magnet brushless(PM BLDC) motor; e motores de relutância chaveada, ouswitched relutance motor(SRM).

Markets and Markets (2017) afirma que de 2003 a 2010, o mercado de motores BLDC cresceu de US$300 milhões para mais de US$1,3 bilhões. Ainda que o mercado global de motores de corrente contínua sem escovas seja estimado em US$5,19 bilhões em 201, deverá crescer 9,4% de 2016 a 2021, atingindo US$8,15 bilhões. A busca por sistemas eficientes em setores como veículos elétricos e aumento da demanda por sistemas Heating Ventilation and Air Conditioning (HVAC)são exemplos de demanda por estes motores.

Os motores de ímãs permanentes, uma tradução livre de Permanent Magnets (PM) Motors, são caracterizados pelo rotor continua e permanentemente magnetizado. A presença

FUNDAMENTAÇÃO TEÓRICA 13

dos ímãs faz com que estes motores sejam conhecidos com “sem escovas”, ou brushless (Usman et al., 2016).

Os motores de ímã permanente sem escova de corrente contínua (Permanent Magnet Brushless Direct Currente Motors - PM BLDC), ou simplesmente motores Brushless DC, são conhecidos por ter maior torque em relação ao tamanho do motor, alta eficiência e longa vida útil. Tiboret al.(2011) destaca que estes motores são caracterizados por uma maior eficiência, maior confiabilidade e maior densidade de potência requerendo menos manutenção.

Os motores BLDC têm uma série de vantagens, incluindo 1) o peso total e volume são significativamente reduzidos para uma determinada potência de saída (densidade de alta potência); 2) têm uma maior eficiência como mencionado acima; E 3) o calor é eficientemente dissipado para o ambiente (Yildirimet al.(2014)).

Como o foco deste trabalho é apresentar uma solução para RPAS, Morbidiet al.(2016) e Tefayet al.(2011) mostram a aplicação de motores BLDC, como mostra na Figura 3.1.

Figura 3.1 - Forma de Uso de um Motor BLDC em uma Aeronave Remotamente Pilotada Um sistema de propulsão elétrica converte energia elétrica em impulso mecânico e con- siste de quatro componentes principais: uma fonte de energia elétrica, neste caso uma bateria que fornece Corrente Contínua; um controlador eletrônico de velocidade (Electronic Speed Controller - ESC) fazendo a função de controlador do sistema; um motor elétrico, neste caso em específico do tipo BLDC; e uma hélice atuando como carga do sistema. Cada um desses componentes tem suas próprias características e uma grande quantidade de diferentes configu- rações de funcionamento e desempenho. A escolha de cada um destes é crítica para a obtenção de um sistema de propulsão global que seja eficiente e adequado aos requisitos da plataforma de aplicação.

Sendo que a fonte de energia, neste caso a bateria, apresenta potência (Pbat):

P_bat =V_bat∗I_bat (3.1)

Onde:

V_bat- Tensão da Bateria Ibat- Corrente da Bateria

O ESC, como um controlador, recebe sinal de modulação de largura de pulso (Pulse Width Modulation - PWM) como entrada e gera sinais proporcionais em cada fase da saída entendidos como aceleração do motor BLDC. Assim, a variação da porcentagem do sinal PWM

FUNDAMENTAÇÃO TEÓRICA 14

representa os diferentes valores de velocidade desejados para o motor que são gerados pelo sistema de controle, neste caso o ESC. A energia é transferida do ESC para o motor na forma de uma Corrente Alternadaquasi-sinusoidal- corrente gerada pela conversão de uma Corrente Contínua a partir da utilização de um Inversor chaveado - de três fases (Gabrielet al., 2011):

P_ESC(RM S) = V_ESC(RM S)∗I_ESC(RM S) (3.2) Onde:

V_ESC(RM S)- Tensão do ESC I_ESC(RM S)- Corrente do ESC

3.1.1 Princípios de Funcionamento

A Figura 3.2 mostra um motor BLDC indicando seus componentes, sendo exibido como um estator (a) e um rotor (b). O estator é a parte fixa onde estão localizados os enrolamentos (bobinas) e o rolamento. Já o rotor é a parte que é movimentada durante o funcionamento do motor, é a parte mais externa onde estão localizados os imãs permanentes. O funcionamento se dá a partir de um fluxo elétrico convertido em fluxo eletromagnético a partir Corrente Elétrica induzida no estator. O Fluxo eletromagnético em um circuito é dado por

Por definição, o fluxo do campo magnético B~ através de uma superfície orientada A~ é calculado como a integral do produto escalar do vetor campo magnético B~ pelo elemento diferencial de áreadA~ ao longo de toda a superfícieSem consideração, sendo:

Φ = Z

S

B~ ·dA~ (3.3)

Entre o estator e um rotor há um espaço vazio (air gap) decorrente a inexistência de escovas onde flui um força denominada air gap power. A densidade de fluxo (flux density) desta força interfere na relação eletromagnética dos componentes do sistema pois se apresenta como uma resistência magnética.

Ainda relacionado ao fluxo magnético há a Força Eletromotriz e a Contra-eletromotriz gerada em uma bobina. Sendo a força Contra-eletromotriz, aqui denominadaBack-EMF, uma força eletromotriz gerada pela indução magnética, e no motores BLDC podem com um formato trapezoidal ou senoidal (Chattopadhyayet al.(2012)).

FUNDAMENTAÇÃO TEÓRICA 15

Figura 3.2 - Estrutura de um Motor BLDC

Ímãs permanentes no rotor induzem campos magnéticos elevados no entreferro, sem correntes de excitação, levando a alta densidade de potência. As correntes de excitação repre- sentam cerca de metade das perdas na forma de perdas de Joule para motores síncronos não auto-excitados.

O Motor funciona a partir da alimentação do inversor que recebe de fonte de CC e realiza uma comutação eletronicamente. As correntes de enrolamento são comutadas sequencialmente, resultando numa Força Magnetomotriz (FMM) (Magnetomotive force - MMF) retangular. Bem como a força Contraeletromotriz (rectangular back electromotive force) também é retangular.

As máquinas de fluxo axial geralmente têm ímãs montados na superfície do rotor, en- quanto que as máquinas de fluxo radial podem ter os magnetos montados na superfície ou montados internamente. O motores síncronos permitem grande flexibilidade no design, são adequados para caber em espaços limitados, tais como "tração traseira eléctrica"e "motores em roda", onde não é possível outra alternativa (de Santiagoet al., 2012).

Figura 3.3 Primeiro de um ciclo elétrico para um motor BLDC de seis estágios. A bobina A é energizada positivamente, B é aberta, C energizada negativamente

É um motor síncrono de imã permanente que usa detectores de posição e um inverter para controlar a corrente de armadura. Ao invés de utilizar comutador mecânico como um motor DC convencional, utiliza comutação eletrônica. Geralmente o motor BLDC é controlado por um inversor com comutador de "six-step", veja Figura 3.4.

FUNDAMENTAÇÃO TEÓRICA 16

Figura 3.4 - Circuito Elétrico Equivalente para drivers de motores BLDC(Parket al., 2011)

O circuito equivalente elétrico deste sistema é mostrado na Figura 3.4. Geralmente, um sistema de acionamento de motor BLDC pode ser representado como um circuito equivalente elétrico que consiste em uma resistência (Rx), uma indutância (Lx) e uma força Back-EMF (ex) por cada uma das fases (Parket al., 2011).

Rajagopalan (2006) diz que o inversor normalmente também possui um loop de corrente para regular a corrente do estator e umloopde velocidade externo para controle de velocidade.

Existem apenas seis eventos discretos de comutação do inversor durante cada ciclo elétrico.

Apenas duas chaves do inversor, um no banco superior do inversor e outra no banco inferior, estão em funcionamento em um dado momento. Esses eventos de comutação discretos garantem que a sequência de pares condutores dos terminais do estator seja mantida.

Formas de onda Back-EMF para um caso ideal são mostradas na Figura 3.5para um motor BLDC. O motor BLDC é especificamente projetado para desenvolver torque de saída quase constante quando excitado com formas de onda de corrente comutada de seis pontos, conforme mostrado.

FUNDAMENTAÇÃO TEÓRICA 17

Figura 3.5 - Saída do sensor Hall comparada com back-EMF do motor BLDC trifásico.

Os enrolamentos do estator são geralmente similares aos de um motor de indução ou síncrono, exceto que os condutores são distribuídos uniformemente; isto é, enrolamentos agudos concentrados são usados para aumentar a largura da região do platô daBack-EMF trapezoidal.

O rotor, como dito, consiste em ímãs permanentes montados na superfície que abrangem arcos magnéticos de 180 graus com partes de fase de não-sobreposição de 60 graus. Apenas duas fases conduzem correntes por vez, deixando uma terceira fases em "floating".

3.1.2 Modelo Matemático

Considerando a Figura 3.4, onde é exposto um simples esquemático de um motor BLDC.

Temos 3 fases que compõem a estrutura de um motor. Assim, Numa direção positiva e conside- rando a voltagem de fase em cada enrolamento que inclui a resistência e a Força Eletromotriz (Electromotive Force - EMF), é expressa por Xia (2012) como

u_x =R_xi_x+e_ψx (3.4)

Onde:

u_x- Tensão na Fase, em que oxcorresponde a fase A, B e C.

i_x- Corrente na Fase

eψx - EMF induzida na Fase

FUNDAMENTAÇÃO TEÓRICA 18

R_x- Resistência na Fase, para três fases de enrolamentos simétricosR_A=R_B =R_C = R

Sendo a EMF induzida no enrolamento

eψx =dψx/dt (3.5)

Onde:

e_ψx - Força Eletromotriz na Fasex, sendo x = A = B = C ψ_x - Fluxo na Fasex, sendo x = A = B = C

Tomando como exemplo a Fase A, o fluxo é dado por

ψ_A= (L_ai_a+L_Ai_A+L_ABi_B+L_ACi_C) +ψ_pm(θ) (3.6) Onde:

ψ_pm(θ)-PM flux linkagena Fase A θ- Ângulo de posição do rotor L_A- Auto indução da Fase A

L_AB, L_AC - Indução mútua da Fase A com a Fase B e Fase C

As equações de tensão para cada uma das fases de um motor BLDC são as seguintes:

u_A =Ri_A+ d

dt(L_Ai_a+L_ABi_B+L_ACi_C) +e_A (3.7) uB =Rib+ d

dt(LBAiA+LBiB+LBCiC) +eB (3.8) u_C =Ri_C + d

dt(L_CAi_A+L_CBi_B+L_Ci_C) +e_C (3.9) Assumindo que o imã permanente tem alta sensividade e as correntes induzidas no rotor podem ser negligenciadas. Bem como, que a resistência do rotor de todos os enrolamentos são iguais. Sendo assim, as relutâncias do rotor não mudam de acordo com o ângulo.

L_A=L_B=L_C =L (3.10)

L_AB =L_BC =L_CA =M (3.11)

Parveen e Muralidhar (2015) exemplifica com a Figura 3.6 um circuito para esta mode- lagem matemática.

Em um sistema balanceado as equações (3.7) (3.8) (3.9) se apresentam na forma da Equação (3.12) para a faseA.

u_A=Ri_A+ (L−M)di_A

dt +e_A (3.12)

FUNDAMENTAÇÃO TEÓRICA 19

Figura 3.6 - Modelo de Circuito do Motor

Diante disso a matriz de tensão se torna





 u_AB u_BC u_CA





=







R −R 0

0 R −R

−R 0 R











 i_A i_B i_C





+d dt







L−M M −L 0 0 L−M M −L

M −L 0 L−M











 i_A i_B i_C





+







e_A−e_B e_B−e_C e_C −e_A





 (3.13)

Na forma de espaço de estados a Equação (3.13) se apresenta da seguinte forma

d dt





 i_A i_B i_C





= −R L





 i_A i_B i_C







−1 L





 e_A e_B e_C





 +1

L





 u_A u_B u_C





 (3.14)

Ignorando as perdas mecânicas a força eletromagnética é totalmente convertida em ener- gia cinética. O motor de corrente contínua sem escova converte a energia elétrica em um torque (T_e) no seu eixo de saída a uma velocidade angular (ω_r) específica dada pela potência eletro- magnética (P_e)

P_e=T_e∗ω_r (3.15)

O Torque eletromagnético (T_e), em [N.m], é dado em função da Velocidade Angular de Rotação (ω_r), em [rad/s], na forma

T_e= (eAiA+eBiB+eCiC)

ω_r (3.16)

Por fim, para uma completa modelagem matemática de um sistema eletromecânico, é preciso incluir a equação do movimento dada por

dω_r

dt = (T_e−T_L−B_vω_r)/J (3.17)

FUNDAMENTAÇÃO TEÓRICA 20

Onde:

T_L- Toque de Carga

J - Momento de Inércia do Rotor B_v- Coeficiente de Fricção Viscoso

O modelo matemático de equações diferenciais para um motor BLDC é constituído pelas equações (3.13), (3.16) e (3.17).

3.1.3 Falhas Potenciais

Ao tratarmos de motores BLDC, as falhas podem ser internas ou externas. As falhas internas ao motor são classificadas em falha do: estator (stator faults); inversor (inverter faults);

rotor (rotor faults) e rolamento (bearing faults) (Rajagopalan (2006),Cruz et al. (2003),Park et al. (2011)). Já para Ebrahimi et al. (2014) as falhas podem ser classificadas como falhas mecânicas, elétricas ou magnéticas.

1. Falha no estator: Estas, que são grande parte das falhas em motores elétricos, produzem instabilidade no estator, bem como alterações nos fluxos harmônicos da corrente e do entreferro. Em Bouzid e Champenois (2013) mostrou-se que, sob tensão de alimentação equilibrada, o ângulo de fase e a magnitude das correntes de sequência negativa e zero po- dem ser considerados como indicadores de confiança de falhas do estator nos motores de indução. Falhas conhecidas em motores BLDC são o Curto-circuito entre enrolamentos (Stator Interturn Fault - SITF), fase-a-fase (phase-to-phase) e Curto-circuito entre uma fase e o aterramento(single phase-to-ground).

2. Falha no inversor: Quase todos os motores de imã permanente são alimentados por in- versor, incluindo os motores BLDC que são de comutação eletrônica. A falha de um transistor - ou seja, a perda de um ou mais dos interruptores de uma fase, o curto-circuito de um interruptor e a abertura de uma das linhas para o motor - tem a consequência de falta de operação de fase, porque o enrolamento de fase particular não receberá excitação contínua, e a ausência do torque eletromagnético da fase defeituosa produz um aumento nos pulsos do torque de saída. Assim, o desempenho do sistema descerá até certo ponto, particularmente nas condições de trabalho de baixa velocidade ou alta carga Chen e Lu (2013).

3. Falha no rotor: As falhas potenciais do rotor nas máquinas BLDC são excentricidades, ímãs danificados do rotor e sensores Hall danificados. Estas são falhas comuns que po- dem ocorrer mesmo antes da instalação de uma máquina elétrica, durante o processo de fabricação ou envio Shakouhiet al.(2015). Além disso, carga desequilibrada, desalinha- mento do acoplamento, montagem inadequada e eixos do rotor dobrados podem causar excentricidade do rotor. Todas essas falhas no rotor causam problemas como vibração e ruído (Sardana et al. (2018)). Eles também causam problemas dinâmicos, adicionando

FUNDAMENTAÇÃO TEÓRICA 21

as pulsações de torque do motor. Neste trabalho, a Falha de Excentricidade Dinâmica (Dynamic Eccentricity Fault - DEF) será estudada em motores BLDC.

4. Falha no Rolamento: A maioria das máquinas elétricas usa rolamentos (Jinet al.(2014)).

Cada rolamento consiste em anéis, aqui chamados anéis interno e externo. Um conjunto de elementos rolantes colocados dentro desses anéis. As falhas nos rolamentos são res- ponsáveis pela maior incidência de falhas motoras registradas (Prietoet al.(2013)). Essas falhas resultam em um funcionamento irregular dos rolamentos, que gera vibrações detec- táveis e aumenta os níveis de ruído. Esse processo é auxiliado por outras fontes externas, incluindo contaminação, corrosão, lubrificação inadequada, instalação inadequada e dila- tação. As tensões e correntes do eixo também são fontes de falhas nos rolamentos. Essas tensões e correntes do eixo resultam de perturbações de fluxo, como excentricidades do rotor.

3.2 Análise de Assinatura da Corrente do Motor

Nos Métodos baseados em sinais, a entrada são os próprios sinais ao invés de mode- los de entrada-saída explícitos para diagnóstico de falhas. Têm uma ampla aplicação no mo- nitoramento e diagnóstico em tempo real para motores de indução, conversores de energia e componentes mecânicos em um sistema.

Figura 3.7 - Métodos baseados em Análise de Sinal

Com o conhecimento prévio sobre o comportamento do sistema saudável, ou seja, o padrão dos sinais para o comportamento padrão do sistema cujas características são extraídas, as falhas no processo são refletidas nos sinais medidos e, consequentemente, há uma decisão de diagnóstico com base nesta análise. Esta pode ser tanto no domínio do tempo ou no domínio da frequência.

Um dos mais poderosos métodos para o diagnóstico de falhas em motores no domínio da frequência é Motor Current Signature Analysis (MCSA), que utiliza a análise espectral da corrente do estator para detectar falhas de rotor associados a barras do rotor quebradas e equilí-