A carregar...
Publicação
Motor Condition Monitoring in Industry 4.0 Environment
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.54 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
The electric motor is the main drive element in the industry, downtime created by prob-
lems in the motor can lead to huge losses in production creating a variety of undesired conse-
quences. In industry 4.0 the continuous implementation of supervision systems and data ac-
quisition has facilitated developing new solutions on automating fault detection and diagnosis
(FDD) to significantly reduce process downtime, improving efficiency and reducing costs. This
thesis investigates the current state-of-the-art in motor fault detection and diagnosis and im-
plements two methods, a fault detection and diagnosis method and a fault detection only
method. First using signals from the variable frequency drive that controls the motor, they are
inputted to a multi-layer perceptron neural network considering motor without faults and a
reconstruction error threshold is created to evaluate new signals and detect if faults occurred
and the severity of the fault. Second method uses a dataset obtained online from a real exper-
imental machine fault database, where vibration signals from accelerometers are used, trans-
formed with wavelet decomposition, and from there, statistical features are extracted and fed
into an autoencoder neural network to model non faulty behavior, a reconstruction error is
used to detect faults. The programs used to implement the methods were Python and MATLAB,
respectively.
O motor elétrico é um dos componentes principais na indústria, a sua versatilidade e resiliência permite a sua utilização em diversas tarefas. Os processos na indústria dependem em grande escala nestes motores, paragens devido a falhas no motor podem levar a perdas significativas. Na indústria 4.0 a implementação contínua de sistemas de supervisão e aquisição de dados criou a possibilidade de facilitar a chegada de novas soluções de automação da deteção e diagnóstico de falhas com o intuito de reduzir significativamente o tempo de para- gem na produção, o que leva a uma melhoria na eficiência e redução de prejuízos. Esta tese estuda o estado da arte em deteção e diagnóstico de falhas, e são implementados dois méto- dos. Um de deteção e diagnóstico de falhas e o segundo de deteção apenas. O primeiro, uti- lizando sinais do variador como input para uma rede neuronal multicamada com o motor sem falhas, é criado um erro de reconstrução para avaliar novos sinais e detetar a ocorrência de falhas. O segundo utiliza um dataset obtido online que realiza experiências num motor real, vibração é capturada com acelerómetros, é feita decomposição com wavelet, desta extraem- se características utilizando características estatísticas que são usadas como entrada para uma rede neuronal autoassociativa para modelar o motor sem falhas, um erro de reconstrução é utilizado para detetar falhas. Os programas usados para implementar os métodos são Python e MATLAB, respetivamente.
O motor elétrico é um dos componentes principais na indústria, a sua versatilidade e resiliência permite a sua utilização em diversas tarefas. Os processos na indústria dependem em grande escala nestes motores, paragens devido a falhas no motor podem levar a perdas significativas. Na indústria 4.0 a implementação contínua de sistemas de supervisão e aquisição de dados criou a possibilidade de facilitar a chegada de novas soluções de automação da deteção e diagnóstico de falhas com o intuito de reduzir significativamente o tempo de para- gem na produção, o que leva a uma melhoria na eficiência e redução de prejuízos. Esta tese estuda o estado da arte em deteção e diagnóstico de falhas, e são implementados dois méto- dos. Um de deteção e diagnóstico de falhas e o segundo de deteção apenas. O primeiro, uti- lizando sinais do variador como input para uma rede neuronal multicamada com o motor sem falhas, é criado um erro de reconstrução para avaliar novos sinais e detetar a ocorrência de falhas. O segundo utiliza um dataset obtido online que realiza experiências num motor real, vibração é capturada com acelerómetros, é feita decomposição com wavelet, desta extraem- se características utilizando características estatísticas que são usadas como entrada para uma rede neuronal autoassociativa para modelar o motor sem falhas, um erro de reconstrução é utilizado para detetar falhas. Os programas usados para implementar os métodos são Python e MATLAB, respetivamente.
Descrição
Palavras-chave
automation control fault detection and diagnosis industry 4.0 motor supervision