COMPUTATIONAL MODEL FOR CONDITION ANALYSIS AND EQUIPMENT MONITORING

MODELO COMPUTACIONAL PARA ANÁLISE DE CONDIÇÕES E MONITORAMENTO DE EQUIPAMENTOS

Araújo, Álvaro Souza de; Rocha, Oberdan Pinheiro; Santos, Alex Álisson Bandeira

Artigo completo:

Predictive maintenance uses several methods to monitor the conditions of electric motors applied in industrial plants. Among these methods, vibration analysis stands out as a widely used method due to the possibility of identifying a wide possibility of failures. This work presents the development of a computational model equipped with a classifier algorithm to receive vibration readings from electric motors and determine if the machine presents a failure behavior and, if so, which failure. For the algorithm to be able to detect the type of failure, a dataset will be developed with readings from several engines in various failure conditions for training the model

A manutenção preditiva utiliza de diversos métodos para acompanhamento das condições dos motores elétricos aplicados em plantas industriais. Dentre estes métodos, destaca-se a análise de vibração como método amplamente utilizado devido à possibilidade de identificação de uma vasta possibilidade de falhas. Este trabalho apresenta o desenvolvimento de um modelo computacional dotado de um algoritmo classificador para receber leituras de vibração de motores elétricos e determinar se a máquina apresenta um comportamento de falha e, em caso positivo, qual falha. Para que o algoritmo seja capaz de detectar o tipo de falha, será desenvolvido um dataset com leituras de diversos motores em variadas condições de falha para treinamento do modelo.

Palavras-chave:

DOI: 10.5151/siintec2020-COMPUTATIONALMODEL

Referências bibliográficas

• [1] SENANAYAKA, Jagath Sri Lal et al. Early detection and classification of bearing faults using support vector machine algorithm. In: 2017 IEEE Workshop on Electrical Machines Design, Control and Diagnosis (WEMDCD). IEEE, 2017. p. 250-255.
• [2] 2 PRUDHOM, Aurelien et al. Time-frequency vibration analysis for the detection of motor damages caused by bearing currents. Mechanical Systems and Signal Processing, v. 84, p. 747-762, 2017.
• [3] 3 ATTOUI, Issam et al. A new time–frequency method for identification and classification of ball bearing faults. Journal of Sound and Vibration, v. 397, p. 241-265, 2017.
• [4] 4 LEI, Yaguo; HE, Zhengjia; ZI, Yanyang. A new approach to intelligent fault diagnosis of rotating machinery. Expert Systems with applications, v. 35, n. 4, p. 1593-1600, 2008.
• [5] 5 ÇALIŞ, Hakan; CAKIR, ABDÜLKADİR; DANDIL, Emre. Artificial immunity-based induction motor bearing fault diagnosis. Turkish Journal of Electrical Engineering & Computer Sciences, v. 21, n. 1, 2013.
• [6] 6 ABDELKRIM, Choug et al. Detection and classification of bearing faults in industrial geared motors using temporal features and adaptive neuro-fuzzy inference system. Heliyon, v. 5, n. 8, p. e02046, 2019.
• [7] 7 ZHU, Yong et al. An Accurate Integral Method for Vibration Signal Based on Feature Information Extraction. Shock & Vibration, v. 2015, 2015.

Como citar:

Araújo, Álvaro Souza de ; Rocha, Oberdan Pinheiro ; Santos, Alex Álisson Bandeira ; "COMPUTATIONAL MODEL FOR CONDITION ANALYSIS AND EQUIPMENT MONITORING", p-543-550. In: Anais do VI Simpósio Internacional de Inovação e Tecnologia. São Paulo: Blucher, 2020.
ISSN 23577592, DOI 10.5151/siintec2020-COMPUTATIONALMODEL