Identificação e caracterização de curtos-circuitos temporários em motores de indução trifásicos por meio de emissão acústica, análise de corrente e técnicas avançadas de processamento de sinais

Abstract

Atualmente, tanto a indústria quanto a ciência têm buscado o desenvolvimento de técnicas não invasivas que avaliem a integridade dos motores de indução trifásicos (MIT). O objetivo é evitar ônus financeiros relacionados a paradas repentinas de linhas de produção e aos valores de manutenção/aquisição de novas máquinas. Uma das falhas mais comuns no MIT são os curtos- circuitos no enrolamento de estator, que se iniciam pela deterioração da isolação de espiras. Quando incipientes, essas falhas têm características temporárias, ou seja, se apresentam como curtos que perduram por um curto período de tempo e cessam, sendo conhecidos na literatura como curtos-circuitos temporários (CCTs). Os estágios incipientes dos CCTs são causados pela operação do MIT em ambientes com excessiva umidade, sujidades e altas temperaturas, levando a uma deterioração cumulativa da isolação do MIT. Várias técnicas de monitoramento de falha em MITs foram propostas na literatura, utilizando-se de diversos tipos de sensores. No entanto, ainda existe uma lacuna científica no estudo desse fenômeno. Baseado nesta problemática o objetivo deste trabalho é aplicar a técnica da Emissão Acústica (EA) e análise de correntes de linha para a detecção da ocorrência, identificação da fase afetada e classificação da severidade dos CCTs. Para tanto, foi desenvolvido um algoritmo de diagnóstico de falhas, composto pelo novo índice: o Valor Máximo da Correlação Cruzada (Cross-Correlation Maximum Value - CCMV), e as técnicas avançadas de processamento de sinais: Transformada Wavelet Discreta (TWD) e Análise de Componentes Principais (ACP). Os experimentos foram realizados com o auxílio de um MIT especialmente modificado para simular CCTs. Sensores acústicos e de corrente foram empregados para fornecer as variáveis de entrada necessárias para o funcionamento do algoritmo. Após a aplicação do novo método, os valores de CCMV detectaram corretamente a ocorrência da falha, além de classificar a magnitude dos curtos- circuitos. Ainda, a TWD em conjunto com a ACP identificou acertadamente qual fase foi afetada pela falha estudada. Adicionalmente, foi feita uma comparação dos resultados obtidos pela análise acústica em relação aos obtidos pela análise de corrente. Por fim, o método introduzido por esta Tese demonstra eficácia, originalidade e exequibilidade prática para o diagnóstico de CCTs em MITs.

Today, both industry and science have sought the development of non-invasive techniques that assess the integrity of three-phase induction motors (TIM). The goal is to avoid financial costs related to sudden shutdowns of production lines, equipment maintenance, and acquisition of new machines. One of the most common TIM faults is the stator winding short circuits, which are initiated by deterioration of the coil insulation. In the incipient stage, these faults present temporary features, i.e., they behave as short circuits that last for a short period and cease. They are known in the literature as temporary short circuits (TSCs). The incipient stages of TSCs are caused by high temperatures, excessive moisture, and dirt, leading to a cumulative deterioration of the TIM insulation. Several techniques for fault monitoring in TIMs have been proposed in the literature, using various types of sensors. However, there is still a scientific gap in the study of this phenomenon. Based on that, the objective of this work is to apply the Acoustic Emission (AE) technique and line current analysis to detect the occurrence, identify the affected phase and classify the severity of CCTs. In this sense, a fault diagnosis algorithm was developed, composed of the new index: The Cross-Correlation Maximum Value (CCMV), and the advanced signal processing techniques: Discrete Wavelet Transform (TWD) and Principal Component Analysis (PCA). The experiments were performed using a specially modified TIM to simulate TSCs. Acoustic and current sensors were employed to provide the input variables necessary for the algorithm. After applying this new method, the MCCV values correctly detected the occurrence of the fault, as well as classifying the magnitude of the short circuits. Still, TWD together with ACP correctly identified which phase was affected by the fault. Additionally, the results obtained by the acoustic sensors were compared to those obtained by the current sensors. Finally, the method introduced by this thesis demonstrates effectiveness, originality and practical feasibility for the diagnosis of TSCs in MITs.