Multiclassificador inteligente de falhas no domínio do tempo em motores de indução trifásicos alimentados por inversores de frequência

Os motores de indução desempenham um importante papel na indústria, fato este que destaca a importância do correto diagnóstico e classificação de falhas ainda em fase inicial de sua evolução, possibilitando aumento na produtividade e, principalmente, eliminando graves danos aos processos e às máquinas. Assim, a proposta desta tese consiste em apresentar um multiclassificador inteligente para o diagnóstico de motor sem defeitos, falhas de curto-circuito nos enrolamentos do estator, falhas de rotor e falhas de rolamentos em motores de indução trifásicos acionados por diferentes modelos de inversores de frequência por meio da análise das amplitudes dos sinais de corrente de estator no domínio do tempo. Para avaliar a precisão de classificação frente aos diversos níveis de severidade das falhas, foram comparados os desempenhos de quatro técnicas distintas de aprendizado de máquina; a saber: (i) Rede Fuzzy Artmap, (ii) Rede Perceptron Multicamadas, (iii) Máquina de Vetores de Suporte e (iv) k-Vizinhos-Próximos. Resultados experimentais obtidos a partir de 13.574 ensaios experimentais são apresentados para validar o estudo considerando uma ampla faixa de frequências de operação, bem como regimes de conjugado de carga em 5 motores diferentes.

Desenvolvimento de um método para diagnose de falhas na operação de navios transportadores de gás natural liquefeito através de redes bayesianas.

O Gás Natural Liquefeito (GNL) tem, aos poucos, se tornado uma importante opção para a diversificação da matriz energética brasileira. Os navios metaneiros são os responsáveis pelo transporte do GNL desde as plantas de liquefação até as de regaseificação. Dada a importância, bem como a periculosidade, das operações de transporte e de carga e descarga de navios metaneiros, torna-se necessário não só um bom plano de manutenção como também um sistema de detecção de falhas que podem ocorrer durante estes processos. Este trabalho apresenta um método de diagnose de falhas para a operação de carga e descarga de navios transportadores de GNL através da utilização de Redes Bayesianas em conjunto com técnicas de análise de confiabilidade, como a Análise de Modos e Efeitos de Falhas (FMEA) e a Análise de Árvores de Falhas (FTA). O método proposto indica, através da leitura de sensores presentes no sistema de carga e descarga, quais os componentes que mais provavelmente estão em falha. O método fornece uma abordagem bem estruturada para a construção das Redes Bayesianas utilizadas na diagnose de falhas do sistema.