Professional Documents
Culture Documents
RESUMO
Este trabalho prope uma tcnica hbrida para deteco e diagnstico de defeitos em mquinas rotativas utilizando modelos
matemticos. O mtodo baseado na combinao da Anlise de Correlaes baseada na Matriz de Ljapunov e Redes
Neurais Artificiais (RNAs). Este procedimento de diagnstico de defeitos utiliza somente as variveis de estado medidas,
no sendo necessrio a medida direta da excitao estocstica. Usando as propriedades de correlaes das variveis de
sada, possvel derivar relaes especficas envolvendo os parmetros fsicos do sistema e as matrizes de correlaes das
variveis medidas. O defeito no sistema rotativo detectado monitorando a variao dos parmetros fsicos, atravs da
comparao das funes de correlaes tericas e estimadas. Redes Neurais Artificiais so usadas como ferramentas para
mapear tais correlaes. So discutidas as aproximaes numricas para um sistema rotativo modelado com seis graus de
liberdade. Os bons resultados mostram a viabilidade de estudos adicionais nesta rea.
Palavras-chave: Diagnstico de defeitos, Anlise de correlaes, Equao de Ljapunov, Redes Neurais Artificiais.
ABSTRACT
A hybrid techniques for fault detection and diagnosis in rotating machines utilizing mathematical model, is proposed in this
paper. The methodology is derived using a combination of correlation analysis based on the Ljapunov Matrix and Artificial
Neural Network (ANN). This procedure of parameter fault diagnosis uses only measured state variables. The direct
measurement of the stochastic excitation is not necessary. Coloured noise stochastic excitation is modeled by a dynamical
system excited by white noise. Using the properties of correlation of the output variables, it is possible to derive specific
relations involving the physical parameters of the system and the correlation matrices of the measured variables. Faults in
the rotor can be detected by monitoring the variation of the physical parameters through a comparison of theoretical and
estimated correlation functions. Artificial Neural Network is used as a tool to map such correlations. The numerical
approaches for rotor systems modeled with six degrees of freedom are discussed with respect to this methodology. The
good results show the viability of further studies in this area.
Keywords: Fault Detection, Rotating Machines, Mathematical Models.
1 INTRODUO
Nos ltimos anos tm-se utilizado as redes neurais
artificiais para representar o conhecimento e reconhecer
padres
de
defeitos
em
sistemas
dinmicos,
Chena e Lee, [1].
As metodologias convencionais de diagnstico de
defeitos nem sempre resolvem particularidades inerentes
natureza do problema. Tem-se, ento, de se fazer
mudanas e/ou complementaes em suas formulaes,
Eduardo [2]. Pode-se citar como casos tpicos de tais
particularidades: identificao de foras de excitao
aplicadas ao sistema; impossibilidade de medio de
determinadas foras aleatrias, como por exemplo, o
89
(1)
(2)
x T (t ) = (t ) M &(t ) ,
Com,
90
A=
1
M Q
I
0
=
M 1P A1
I
A2
0 0
0 0
B = 1 = ; E = 1 =
M S B1
M H E1
cos(t )
n(t ) =
sin (t )
(4)
(5)
(6)
(7)
s
S* = 1
s2
(8)
u (t ) = H u z (t )
(9)
Tcnica hbrida para deteco e diagnstico de defeitos em mquinas rotativas utilizando modelos matemticos
(10)
y * (t ) = Cx(t )
(11)
(12)
E
E = L
0
(13)
A B R x * x * R x * z R x * x* R x * z A T
0
+
+R
T
0 R R *
R
R
*
R T
zz zx
zz
B
zx
0
R x *n T
0
AT i
E
0 =
0 R nx* Rnz + R E
T e
0
B
B
1 ww 1
zn
R&
R&&
R z
Rz&
Rz
Rzz
(19)
Expandindo (19),
0
L
B* =
s1
s2
(14)
(15)
(16)
(17)
A* Rx * x * ( i ) + Rx * x * ( i )A* +
T
E * Rnx * ( i ) + Rx * n ( i )E * = B* ww B* e A
T
*T
0 R
B R&
R R&z
I
A2
0
+ R&
R&
z
R&
R&&
R z
0
+ E1 Rn
0
Rz& 0 A1T
Rz I A2T
Rzz 0 BT
Rn&
0
T
R
Rn
Rnz + Rn& 0 E1T
Rnz
(20)
0 =
0
0 0
T
e A* 1
0
0 0
0 0 B1 ww B1T
Rwn ( i ) = 0
0
A
1
0
(18)
(21)
91
92
T = {y1
y2 2
z1
z2 2 }
(22)
m2
I2
m1 m2
I2}
(23)
Tcnica hbrida para deteco e diagnstico de defeitos em mquinas rotativas utilizando modelos matemticos
C1
0
0
P=
0
0
0
0
0
0
0
0
C2
0
0
0
0
0
0
0 I 2 P
K1 + 6(W + Y ) 6W
6W
6W
3WL2
3WL2
Q=
0
0
0
0
0
0
0
0
0
0
0
3WL2
3WL2
4WL22
0
0
0
0
0
K 2 + 6(W + Y ) 6W
6W
3WL2
3WL2
3WL2
4WL22
0
0
(25)
Em (25),
W=
2 EI
;
L13
0
m e 2
2
0
H =
0
0
Y=
2 EI
L32
(26)
0
0
0
m2 e 2
0
0
(27)
k11
k
22
k
A1T = 32
0
0
0
c11
0
0
T
A2 =
0
0
k13
k 23
k33
0
0
0
0
0
0
k 44
k 22
k32
0
0
0
k12
k 22
k 32
0
0
0
0
0
0
0
0
0
0
0
0
0
I 2 p
c 44
0
0
0
0
0
k12
k 22
k32
0
0
0
0
0
0
k13
k 23
k33
0
I 2 p
0
0
(29)
(30)
77
Unidade
Kg
Kg
kg.m2
kg.m2
m
N/m
N/m
kg/s
kg/s
rad/s
Valor
1,2
1,0
1,0
1,2
1,0
1,0
R&&
Parametros
m1
m2
I2
I2P
L1=L2
k1
k2
c1
c2
Varivel
s1
s2
s3
s4
s5
s6
(24)
0
0
6W
3WL2
0
0
0
0
I 2 P
0
0
78
+ R11 * k 22 + R12 * k 22 + R 13 * k 23 + Rn * e 2 = 0
R 23 * k 23 + Rz * b3 = 0
R&&
710
(31)
(32)
(33)
(34)
93
n
= f RinWin
i =1
(35)
R&& = f RinWin
(36)
77
i =1
n
R&& = f RinWin
78
i =1
(37)
R&& = f RinWin
79
i =1
(38)
n
= f RinWin
i =1
(39)
R&&
710
MSD =
1 n
R i R i
n i =1
(40)
Condies
A Figura 5 ilustra a representao da arquitetura neural
1 (Eq. 36). A funo de correlao R&&77 estimada
atravs das correlaes entre os sinais medidos dispostos
na camada de entrada da rede.
Rigidez k11
Amortecimento c11
Desbalanceamento
3
4
Rigidez k 44
Amortecimento c 44
94
Tcnica hbrida para deteco e diagnstico de defeitos em mquinas rotativas utilizando modelos matemticos
No de Iteraes
1600
1500
1105
970
780
785
785
Arquiteturas
Nex3x1
Nex5x1
Nex8x1
Nex10x1
Nex12x1
Nex15x1
Nex20x1
Condies
1
2
3
4
5
Freq. Natural de
excitao (rad/s)
99
179
203
348
443
Frequncia de
corte fc (rad/s)
120
185
250
380
600
k11 )
95
Condies
de
Defeitos
1
Descrio do Defeito
Tcnica hbrida para deteco e diagnstico de defeitos em mquinas rotativas utilizando modelos matemticos
97