Deteco de Falhas em Conjuntos Motor-Bomba Acionados por Inversores de Freqncia atravs da Anlise de Vibrao e Redes Neurais Artificiais

Jorge Nei Brito (1) Vincius Augusto Diniz Silva (2) Michel Philipe Trindade Silva (3) Lane Maria Rabelo Baccarini (4) Jos Antnio da Silva (5) Jos Edmar Rios (6)

RESUMO Neste trabalho, apresenta-se uma contribuio ao estudo e caracterizao de falhas em conjuntos motor-bomba acionados por inversores de freqncia usando Redes Neurais Artificiais (RNAs) treinadas a partir de sinais de vibrao obtidos experimentalmente. A metodologia desenvolvida usada para classificar a excitao devido a desbalanceamento, desalinhamento e folga mecnica, cavitao, alm da condio normal de funcionamento. Atravs de um filtro seletivo possvel reduzir o nmero de parmetros capazes de representar os sinais utilizados para o treinamento das redes neurais artificiais. 1. INTRODUO A utilizao de inversores de freqncia operando com modo de controle escalar e vetorial no acionamento de conjuntos motor-bomba cada vez mais difundida. Nas apresentaes de trabalhos de grupos de pesquisa em congressos tcnico-cientficos, profissionais da manuteno e pesquisadores tm motivado a ampliao dos estudos de deteco de falhas destes conjuntos incluindo os inversores de freqncia. H um grande interesse no conhecimento do comportamento dos inversores de freqncia (suas (1) Scio da ABRAMAN, Eng. Mecnico pela PUC-MG, Mestre em Eng. Mecnica pela UFU, Doutor em Eng. Mecnica pela UNICAMP, Professor da UFSJ - Universidade Federal de So Joo Del Rei - brito@ufsj.edu.br. (2) Graduando em Eng. Mecnica pela UFSJ - Universidade Federal de So Joo Del Rei - vinicius.sjdr@gmail.com (3) Graduando em Eng. Mecnica pela UFSJ - Universidade Federal de So Joo Del Rei - michel.philipe@gmail.com (4) Eng. Eletricista FUNREI, Mestre em Eng. Eltrica pela UNIFEI, Doutora Eng. Eltrica pela UFMG, Professora da UFSJ - Universidade Federal de So Joo Del Rei - rabelo@ufsj.edu.br. (5) Eng. Mecnico FUNREI, Mestre em Eng. Mecnica pela UFMG, Doutor Eng. Trmica pela USP-EESC, Professor da UFSJ - Universidade Federal de So Joo Del Rei - jant@ufsj.edu.br. (6) Eng. Mecnico FUNREI, Mestre em Eng. Mecnica pela UNIFEI, Professor da UFSJ - Universidade Federal de So Joo Del Rei - jedmar@ufsj.edu.br.

freqncias determinsticas, modulaes, harmnicos, dentre outros) com objetivo de inclu-los num programa de manuteno preditiva. O acionamento de motores eltricos de induo por inversores de freqncia uma soluo relativamente nova, porm, j amplamente utilizada na indstria. Assim sendo, muito ainda h por ser feito/estudado/compreendido em tais aplicaes. A aplicao de tcnicas de Inteligncia Artificial na deteco de falhas possibilita a realizao do diagnstico on line por um sistema, podendo apresentar uma interao mnima com o usurio e, em muitos casos, sendo capazes de diagnosticar falhas sem a ajuda dos especialistas da manuteno, Brito (2002). Na sua forma mais geral, uma rede neural uma mquina projetada para mimetizar a maneira como o crebro realiza uma tarefa particular ou funo de interesse. A rede , normalmente, implementada utilizando-se componentes eletrnicos, ou simulada por programao em um computador. Neste trabalho, apresenta-se uma contribuio ao estudo e caracterizao de falhas em conjuntos motor-bomba alimentados por inversores de freqncia usando Redes Neurais Artificiais (RNAs) treinadas a partir de sinais de vibrao obtidos experimentalmente. Para treinamento e qualificao das RNAs usou-se o Neural Network Toolbox, ferramenta do MATLAB. Os sinais de vibrao foram coletados atravs do MICROLOG GX, tecnologia SKF. Atravs de um Filtro Seletivo foi possvel reduzir o nmero de parmetros capazes de representar os sinais utilizados para treinamento das RNAs. Atravs da metodologia desenvolvida possvel classificar a excitao devido a desbalanceamento, desalinhamento, folga mecnica e cavitao, alm da condio normal de funcionamento. Constituindo, assim, uma ferramenta complementar s atuais tcnicas de Manuteno Preditiva, possibilitando intervenes planejadas no equipamento monitorado, aumentando a disponibilidade e a confiabilidade da operao das bombas centrfugas presentes nas plantas industriais e aperfeioando as condies de projeto de turbobombas. 2. BANCADA EXPERIMENTAL A partir da bancada experimental (Figura 1) montada no Laboratrio de Mquinas Hidrulicas (LABMH) da Universidade Federal de So Joo del-Rei, estudou-se as seguintes falhas: desbalanceamento, desalinhamento, folga mecnica e cavitao. Na bancada da figura 1, os defeitos foram introduzidos em uma bomba centrfuga KSB ETA [1], com dimetro nominal do flange de recalque de 150 mm utilizando um rotor aberto de dimetro nominal de 200 mm operando com vazo de 32 m/h e altura manomtrica de 8 m, montada em conjunto a um motor de induo trifsico WEG [2], 10 CV, 1760 RPM, 220 V, acionado por um inversor de freqncia WEG CFW 05 [3], 10 CV, 220 V, 25 A, 60 Hz. Elevando gua temperatura ambiente de um reservatrio de suco de 10 m a um reservatrio de recalque de 2 m. Utilizou-se o coletor/analisador SKF Microlog GX [4] e o acelermetro SKF CMSS2200 [5], para a coleta dos espectros. Os sinais foram obtidos no plano radial (posio vertical e horizontal) e axial na bomba e no motor pelo lado do acoplamento. Utilizou-se a janela tipo Hanning com resoluo de 1600 linhas e 4 mdias, variando a faixa de freqncia entre

0 e 4000 Hz, de modo a analisar toda a faixa de freqncia na qual os defeitos supracitados so identificados.

3 5 2

1 4 Figura 1. Bancada Testes - LABMH. Anteriormente aos testes, a bancada foi balanceada dinamicamente e alinhada a laser objetivando eliminar as fontes de vibrao indesejveis. E dessa forma pode-se determinar a condio normal de funcionamento do conjunto motorbomba (assinatura da bancada), a qual se estipulou como 0,5 mm/s de amplitude de vibrao nos planos radial e axial. Juntamente com uma segunda bancada (Figura 2) montada no Laboratrio de Sistemas Dinmicos - LASID, usada para estudar tambm as influncias do inversor de freqncia o motor. Para aquisio dos sinais usou-se o equipamento SKF Microlog GX [1], gentilmente cedido pela SKF do Brasil. Este equipamento um coletor e analisador de sinais que digitaliza as informaes nele contidas. Essas informaes podem ser analisadas diretamente no prprio equipamento ou ento transferidas para o computador atravs do software de apoio SKF @ptitude Analyst Human Interface Machine. Nesta opo tem-se um ambiente mais confortvel de trabalho, permitindo anlises detalhadas, gerao de relatrios e montagem de banco de dados. Os sinais de vibrao foram obtidos utilizando-se um acelermetro SKF CMSS2200 [2], com sensibilidade de 100 mV. Usou-se uma janela Hanning com 3200 linhas e 8 mdias, para uma faixa de freqncia de 0 a 500 Hz. As amplitudes foram medidas em velocidade (mm/s). Os sinais foram aquisitados com o acelermetro colocado alternadamente nas posies vertical, horizontal e axial, tanto do lado do acoplamento flexvel [3] quanto do lado de trs do motor. Os defeitos foram inseridos motor de induo trifsico [4], Eberle, 1/3 CV, 860 rpm, 220 V, 60 Hz, 8 plos, categoria N, rolamentos SKF 6204 zz, classe de isolamento B, FS 1,15, Ip/In 3,5, IP 55, 1,68 A.

Trabalhando como gerador estava um motor de corrente continua [5], Kuper, 0,45 KW, 1500 rpm, 220V, 60 Hz, classe F, rolamentos SKF 6203, IP 23, 0,45 A, alimentado com um banco de resistncias [6], utilizado como sistema de cargas e para variao da carga um varivolt [7] de 110 V. Para a alimentao do conjunto utilizou-se o inversor tipo PWM, WEG CFW 09 [8], que foi configurado com uma freqncia de chaveamento de 1,25 KHz. Antes dos teste foi feito o balanceamento dinmico e alinhamento a laser, verificando-se tambm possveis folgas mecnicas (base frouxa do motor). Com isso pode-se obter os espectros de vibrao para a condio considerada sem defeito (amplitude at 0,200 mm/s na freqncia de rotao).

5 7 3

2 4

Figura 2. Bancada de Teste - LASID. 3. FALHAS MECNICAS O motor de induo submetido a uma tenso PWM, proveniente de um inversor de freqncia, estar sujeito a tenses harmnicas (componentes de freqncia acima da freqncia fundamental). Dependendo da modulao PWM empregada, da freqncia de chaveamento e de outras particularidades do controle, o motor poder apresentar aumento de perdas e temperatura, perda de rendimento e aumento dos nveis de vibrao e rudo, quando comparado com alimentao senoidal. Na equao 1 temos que o harmnico de corrente de ordem n (In) igual ao nmero de pulsos do conversor (n) vezes um nmero inteiro consecutivo (k) (ex.: 1,2,3...), mais ou menos 1.

In = (n k ) 1

(1)

A presena desses harmnicos produzem alteraes no acionamento, como componentes de torque que atuam no sentido oposto ao da fundamental, como ocorre com o 5, 7, 11, etc. harmnicos. Isto significa que tanto a 5 quanto a

7, produzem uma resultante de 6 harmnica que podem estimular oscilaes mecnicas em sistemas motor-bomba, motor-carga ou turbina-gerador, devido a uma potencial excitao de ressonncias mecnicas, IEEE (1991). A anlise de vibrao usada para identificar falha de origem mecnica. Para o caso de desbalanceamento, desalinhamento e folga mecnica, as freqncias determinsticas so (1xfr, 2xfr, 3xfr), onde fr representa a freqncia de rotao do motor, Brito et al. (1999) Brito et al. (2001). Dessa forma inicialmente introduzimos esses defeitos isoladamente na bancada e posteriormente fizemos combinaes dos mesmos, de forma a compor o banco de dados com situaes comuns na indstria. De acordo com os testes realizados no LASID na bancada 2 (figura 2), obtivemos as influncias do inversor de freqncia para as falhas mecnicas e a condio normal de funcionamento. 3.1. Condio normal de funcionamento Nas figuras 3.a e 3.b tm-se os espectros de vibrao para a condio normal de funcionamento do motor eltrico.

Figura 3.a. sem inversor.

Figura 3.b. inversor WEG. Atravs da comparao dos espectros podemos concluir que ouve um aumento de 3,71 % no nvel global de vibrao (Band Overall) para este estado sem

falha, pois tnhamos um nvel global de 0,8639 mm/s, quando o motor era ligado diretamente rede, que passou para 0,8972 mm/s quando o motor foi acionado pelo inversor de freqncia. 3.2. Desbalanceamento Nas figuras 4.a e 4.b tm-se os espectros de vibrao para o motor eltrico desbalanceado por uma massa de 10 gramas, que foi periodicamente alternada de posio. Em todas as falhas a seguir utilizamos um intervalo de freqncia de 0 a 65 Hz, para que desta forma consegussemos isolar apenas a vibrao das falhas em questo.

Figura 4.a. sem inversor.

Figura 4.b. inversor WEG. Atravs da comparao dos espectros podemos concluir que ouve um aumento de 9,43 % no nvel global de vibrao (Band Overall) para o caso de um motor desbalanceado, pois tnhamos um nvel global de 2,748 mm/s, quando o motor era ligado diretamente rede, que passou para 3,034 mm/s quando o motor foi acionado pelo inversor de freqncia.

3.3. Folga mecnica Nas figuras 5.a e 5.b tm-se os espectros de vibrao para o motor eltrico com folga mecnica (p manco).

Figura 5.a. sem inversor.

Figura 5.b. inversor WEG. Atravs da comparao dos espectros podemos concluir que ouve um aumento de 59,37 % no nvel global de vibrao (Band Overall) para o caso de um motor com folga mecnica, pois tnhamos um nvel global de 0,7333 mm/s, quando o motor era ligado diretamente rede, que passou para 1,805 mm/s quando o motor foi acionado pelo inversor de freqncia. 3.4. Desalinhamento Nas figuras 6.a e 6.b tm-se os espectros de vibrao para o motor eltrico desalinhado.

Figura 6.a. sem inversor.

Figura 6.b. inversor WEG. Atravs da comparao dos espectros podemos concluir que ouve um aumento de 9,13 % no nvel global de vibrao (Band Overall) para o caso de um motor desalinhado, pois tnhamos um nvel global de 1,284 mm/s, quando o motor era ligado diretamente rede, que passou para 1,413 mm/s quando o motor foi acionado pelo inversor de freqncia. 3.5. Combinao das falhas Nas figuras 7.a e 7.b tm-se os espectros de vibrao para o motor eltrico desbalanceado, desalinhado e com folga mecnica, nas mesmas propores com que foram inseridas individualmente.

Figura 7.a. sem inversor.

Figura 7.b. inversor WEG. Atravs da comparao dos espectros podemos concluir que ouve um aumento de 8,13 % no nvel global de vibrao (Band Overall) para o caso da combinao das trs falhas, pois tnhamos um nvel global de 1,852 mm/s, quando o motor era ligado diretamente rede, que passou para 2,016 mm/s quando o motor foi acionado pelo inversor de freqncia. 3.6. Cavitao Na Figura 8 temos o espectro de vibrao para a bomba da figura 1 cavitando. Com uma reduo da vazo na linha de suco da bomba (estrangulamento) ou permitindo a entrada de ar atravs de uma vlvula inserida na tubulao anterior ao bocal de suco, introduziu-se uma excitao devido cavitao na bancada experimental. Um espectro de vibrao caracterstico de cavitao mostrado na Figura 8. Para o caso especfico da Cavitao, ainda no concluiu-se a real influncia do inversor de freqncia, sendo necessrio fazer mais testes experimentais, para que possamos chegar uma concluso.

Figura 8. Espectro caracterstico de falha por cavitao. 4. REDES NEURAIS ARTIFICIAIS O crebro um computador (sistema de processamento de informao) altamente complexo, no-linear e paralelo. Ele tem a capacidade de organizar seus constituintes estruturais, conhecidos por neurnios, de forma a realizar certos processamentos muito mais rapidamente que o mais rpido computador existente. Um neurnio em desenvolvimento sinnimo de um crebro flexvel. A flexibilidade permite que o sistema nervoso em desenvolvimento se adapte ao seu meio ambiente. Assim como a flexibilidade parece ser essencial para o funcionamento dos neurnios como unidades de processamento de informao do crebro humano, tambm ela o com relao s redes neurais construdas com neurnios artificiais, Haykin (2001). Uma RNA uma estrutura de processamento paralelo de informao consistente em elementos de processamento (neurnios) interconectados por canais de comunicao unidirecionais. Cada neurnio tem uma nica sada como resultado do processamento de um conjunto de entradas, esta sada pode fazer parte do conjunto de entradas de outros neurnios ou como uma das sadas da rede. O neurnio possui duas fases de processamento. Na primeira fase, calcula-se o somatrio do produto das entradas pelos pesos associados. Na segunda, atribuda uma funo no linear, chamada de funo de ativao, que aplicada ao somatrio resultante da primeira fase. Na Figura 8, tem-se o processo descrito anteriormente.

Figura 8. Modelo de Neurnio formal de McCulloch e Pitts.

Na Figura 9, tem-se uma rede neural multicamadas com arquitetura do tipo feedforward (Rede Neural Unidirecional), com uma camada de entrada, duas intermedirias (ocultas) e uma de sada. Normalmente conveniente adicionar na camada de sada e nas camadas intermedirias, uma entrada extra (chamada de bias) com valor unitrio, Haykin (2001). Desta forma, todos os neurnios so interconectados atravs dos pesos.

Figura 9. Arquitetura de uma rede neural artificial tipo feedforward. 4.1. Seleo de Dados Atravs do Filtro Seletivo No uso de Redes Neurais a definio de sua arquitetura e de seu treinamento so etapas que dependem diretamente da quantidade e da qualidade dos dados utilizados. A qualidade dos dados importante principalmente em Redes Neurais de classificao e em aplicaes de identificao de foras de excitao em sistemas mecnicos complexos, Lpore et al. (2000). Os dados obtidos, atravs da anlise de vibrao, trazem no espectro, alm das informaes relacionadas com os defeitos propriamente ditos, ou seja, suas freqncias determinsticas, outras informaes que podem ser descartadas, inclusive rudos. Para reduzir o numero de parmetros capazes de representar os sinais que sero utilizados para o treinamento e validao das redes neurais artificiais ser implementado um filtro seletivo que selecionar somente as freqncias determinsticas e suas amplitudes relacionadas com as excitaes de interesse, Brito et al. (2005). O filtro seletivo possibilita a gerao do conjunto de treinamento, ou dados de validao, j processados para serem fornecidos entrada das redes. Estes dados so salvos em qualquer unidade do computador ficando disponveis para utilizao futura. Utilizou-se o filtro seletivo para selecionar as freqncias de rotao e suas harmnicas at a quinta ordem, relacionadas aos problemas de origem mecnica (desbalanceamento, desalinhamento e folga mecnica). Para o caso especfico da cavitao por ser uma falha diagnosticada por bandas largas de freqncias aleatrias utilizou-se uma condio na programao pela qual o filtro seletivo identifica significativas amplitudes em altas freqncias. Na primeira etapa de funcionamento o filtro seletivo separa as diferentes condies de testes em arquivos especficos. Posteriormente ocorre a seleo das freqncias determinsticas, sendo gravadas na forma matricial para integrao rede neural artificial.

4.2. Aplicao de Redes Neurais Artificiais deteco e diagnstico de falhas Em geral, uma Rede Neural Artificial (RNA) um sistema constitudo por elementos de processamento interconectados, chamados neurnios, os quais esto dispostos em camadas, sendo que cada neurnio responsvel pelo mapeamento linear e no-linear de dados de entrada/sada, determinado principalmente pela sua funo de ativao, Santiago (2003). Os campos de aplicao para as redes neurais so amplos: anlise e processamento de sinais, controle de processos, classificao de dados, reconhecimento de padres, anlise de imagens, diagnstico mdico, entre outros. Na rea industrial, destacam-se as redes neurais utilizadas na preveno de desvios de processos e em sistemas hbridos, associados s tcnicas de lgica fuzzy e sistemas especialistas, para deteco de problemas de manuteno. Tratam-se, normalmente, de problemas com quantificao matemtica difcil, ineficaz ou at mesmo impossvel, Brito (2002). A principal etapa para o desenvolvimento da RNA para deteco e diagnstico de falhas em bombas centrfugas, foi a determinao dos melhores parmetros matemticos e de arquitetura da RNA. Estipulou-se que as entradas da rede neural seriam as amplitudes colhidas no plano radial (posio vertical e horizontal) e axial, alm do indicativo de presena de significativas amplitudes em altas freqncias. J a sada seria a falha detectada na forma matricial. Dessa forma, utilizando as regras propostas por Haykin (2001), foram treinadas e comparadas trs arquiteturas de RNAs, 3x3x1, 3x5x1 e 3x10x1, com erro desejado de 0,5 %, taxa de aprendizagem de 0.01, constante e momento 0.5, inicializao de pesos aleatrios e nmero mximo de pocas de 300. As topologias foram desenvolvidas utilizando o mtodo de treinamento Retropropagao do erro backpropagation atravs do aprendizado supervisionado e sendo otimizada pelo mtodo de Levemberg-Marquardt. Utilizou-se a funo sigmoidal, como funo de ativao dos neurnios de entrada e neurnios intermedirios, para o neurnio de sada utilizou-se a funo linear. A velocidade de ativao utilizada foi de 0,001. Dividiu-se a tarefa de concepo da rede em duas fases, inicialmente a fase de treinamento, na qual utilizamos 60 % dos espectros do banco de dados e aps o treinamento ser concludo satisfatoriamente, inserimos os espectros restantes para a validao da RNA. 5. ANLISE DOS RESULTADOS EXPERIMENTAIS Os mesmos procedimentos realizados para a deteco das falhas no motor ligado diretamente rede foram utilizados para deteco das falhas no motor acionado pelo inversor de freqncia. Os sinais reais de falha foram coletados em um intervalo menor de freqncia para que fossem isoladas as freqncias determinsticas de cada falha, podendo assim fazer um diagnostico mais fiel da influncia da utilizao do inversor de freqncia. Mesmo com o aumento das amplitudes das falhas a influncia do inversor de freqncia no aumento do nvel global e vibrao se mantiveram praticamente a mesma, sendo de 9,5% para o caso de desbalanceamento, 59% para um motor com folga mecnica, 9% para o caso de desalinhamento e de 8,5% para a combinao das falhas.

Temos tambm que utilizao do inversor de freqncia modificou em 4% a freqncia da primeira freqncia de rotao do motor (1xFr), caindo de 14,6 Hz, no motor ligado diretamente rede, para 14 Hz, como mostram as figuras 10.a e 10.b, mesmo fazendo o motor acionado pelo inversor funcionar na freqncia nominal de rotao, que no caso de 860 RPM.

Figura 10.a. sem inversor.

Figura 10.b. inversor WEG. Durante o desenvolvimento da rede neural pode-se observar que alguns parmetros modificavam mais significantemente o desempenho da RNA, vale salientar o caso da taxa de aprendizagem, a qual foi muito modificada durante a concepo da rede, pois no encontrava-se uma faixa de valores que faziam a RNA convergir facilmente, dessa forma observou-se que esse parmetro na prtica no obedece nenhum critrio terico, pois chegou-se a seu melhor valor variando-o por mtodos de tentativa e erro. A determinao do formato dos dados de entrada foi muito variada tambm, at que se chegou concluso de que uma matriz de trs linhas, representando as vibraes colhidas nos dois planos de medio da mquina, na qual as colunas representavam as amplitudes de vibrao possibilitou um melhor resultado.

Analogamente a definio do formato da sada dos dados fora muito variada, at que se chegou forma mais vivel, que seria uma matriz de uma linha com cinco colunas, a qual representa as falhas estudadas e a condio sem defeito. Estudam-se ainda outras variveis, como rotao e potncia do motor acoplado bomba, que possam tornar a Rede Neural Artificial desenvolvida em uma aplicao de uso geral em qualquer tipo de conjunto motor-bomba, eliminando a desvantagem de que a RNA para ser aplicada levaria um significante tempo para confeccionar-se um banco de dados. A seguir, apresenta-se os resultados obtidos a partir da implementao e treinamento das arquiteturas de redes neurais citadas, com o algoritmo backpropagation, utilizando dados reais como parmetros de entrada da rede. Na Figura 11, tem-se a taxa de acerto individual para cada tipo de falha em cada arquitetura estudada das redes neurais artificiais durante o seu aprendizado (treinamento).

Figura 11. Porcentagem de Acerto das Redes Neurais Artificiais durante o treinamento. J na Figura 12 tem-se a taxa de acerto individual, para os quatro tipos de falha estudados, nas trs topologias de rede durante a sua simulao (validao).

Figura 12. Porcentagem de Acerto das Redes Neurais Artificiais durante a validao.

Na Tabela 1, tm-se os resultados globais (mdia da taxa de acerto, para as falhas estudadas) das cinco topologias de redes elaboradas. Tabela 1. Resultados globais das arquiteturas de Redes Neurais Artificiais. Taxa de Acerto (%) Arquiteturas Taxa de Acerto (%) Validao Treinamento 3x3x1 95,00 93,75 3x5x1 93,25 91,75 3x10x1 93,50 90,00 Analisando os resultados apresentados anteriormente, pode-se concluir que as trs arquiteturas desenvolvidas foram eficientes com taxas de acerto superiores 90 %. Porm deve-se ressaltar que para um perfeito diagnstico a RNA deve apresentar a melhor taxa de acerto possvel, ou seja no nosso caso a rede 3x3x1 apresentou o melhor resultado global. 6. CONCLUSO Os resultados mostram que a utilizao dos inversores de freqncia realmente causam um relativo aumento da amplitude das falhas mecnicas, sendo possvel atravs deste estudo quantificar esse aumento de vibrao para cada falha independente. A dificuldade da utilizao das redes neurais que a fase de definio delicada, pois envolve, alm da escolha da topologia da rede, a obteno do conjunto de variveis significativas para a resoluo do problema. Essa obteno envolve, alm da identificao das variveis que esto relacionadas com o problema, a remoo de variveis no confiveis para o processo, ou cujo uso seja impraticvel por razes tcnicas e econmicas. Mas passado este estgio as Redes Neurais Artificiais possibilitam o monitoramento on-line da manuteno preditiva visando minimizao do tempo entre o recebimento das informaes e a deteco e o diagnstico do problema, por isso, uma ferramentas que tem despertado grande interesse de pesquisadores nos ltimos anos, por ser uma ferramenta que. Diante dos resultados apresentados, observou-se que dentre muitos aspectos tericos e prticos que fazem parte de um projeto de rede neural, a escolha de uma arquitetura de rede neural e de seus parmetros de treinamento no segue regras predefinidas, o conhecimento e experincia do projetista em relao ao problema enfrentado so mais importantes. Adicionalmente, observou-se que a sensibilidade e o tempo de resposta das redes neurais em relao a outras tcnicas de diagnstico de falhas so aspectos importantes e que podem ser avaliados e melhorados durante as fases de implementao, treinamento, teste e validao da rede neural. Os resultados mostram a partir de um caso real, a capacidade e viabilidade da aplicao de redes neurais como ferramenta bastante eficiente na deteco e diagnstico de falhas em conjuntos motor-bomba. Em suma, destaca-se que o desenvolvimento experimental de tcnicas de inteligncia artificial combinadas com as tradicionais tcnicas de manuteno preditiva proporciona deteco e diagnstico de falha quase

que imediato para o equipamento monitorado, alm de consistir uma ferramenta de baixo custo, e com a sua constante implementao e desenvolvimento, poder ser no futuro a sada mais vivel para uma manuteno industrial eficiente e eficaz. 7. REFERNCIAS BIBLIOGRFICAS Baccarini, L. M. R., Deteco e Diagnstico de Falhas em Motores de Induo, Belo Horizonte, Faculdade de Engenharia Eltrica, Universidade Federal de Minas Gerais, 2005. Tese (Doutorado). Brito, J. N. Desenvolvimento de um sistema inteligente hbrido para diagnstico de falhas em motores de induo trifsicos. Campinas: Universidade Estadual de Campinas, 2002. Tese (Doutorado). Brito, J. N., Brito, Roberto, R. e Pederiva, R., Aplicao de Redes Neurais Artificiais para Deteco de Falhas em Motores Eltricos, COBEM, 2001. Brito, J. N., Lamim Filho, P. C. M., Pederiva, R., Deteco de Falhas em Motores Eltricos Atravs da Anlise de Corrente e Anlise de Fluxo Magntico, X Seminrio Brasileiro de Manuteno Preditiva e Inspeo de Equipamentos, So Paulo, 2004. Brito, J. N., Tavares, F. e Pinto, G. R., Implementation of the hybrid paradigm of weights initialization for application in artificial neural networks multilayer, 18th International Congress of Mechanical Engineering. Proceedings of COBEM 2005. Carvalho, D.F., Instalaes elevatrias - bombas. 6.ed. Belo Horizonte: FUMARC, 1999. Demuth, H., Meale M. Neural Network Toolbox for use with MATLAB. User Guide Version 6. The Mathworks, 2003. Gurgel, B. B. F. A., Proposio de uma Metodologia para Avaliao de Inversores de Freqncia em Estaes Elevatrias de gua Estudo de Casos no Sistema de Abastecimento de gua de so Jos dos Campos, So Paulo: Faculdade de Engenharia Hidrulica e Sanitria da Escola Politcnica, Universidade de So Paulo, 2006. Tese (Mestrado). Haykin, S. Redes Neurais: Principio e Pratica. 2 ed. Bookman. 2001. IEEE Recommended Practices and Requirements for Harmonic Control in Electric Power Systems." Project IEEE-519. October 1991. Lpore, F. P., Santos, M. B., Oliveira, A. G., Deteco de Defeitos em Mquinas Rotativas Utilizando Redes Neurais Artificiais e Sinais de Vibrao Tratados Utilizando Wavelts. Congresso Nacional de Engenharia Mecnica, Natal, Brasil, Proc. In CDROM, 2000.

Marchand, P., Holland, O. T., Graphics and GUIs with Matlab Third Edition. Champman & Hall/CRC, 2003. Mascheroni, J. M. e Lichtblau, M., Guia de Aplicaes de Inversores de Freqncia, WEG, 2002. Mataix, C. Turbomquinas Hidrulicas. Madrid, ICAI, 1997. Santiago, D. F. A., Pederiva, R., Comparison of Optimization Techniques of Neural Networks Training for Faults Diagnostic of Rotating Machinery. First South-American Congress on Computational Mechanics - MECOM, SantaF/Paran, Argentina. Mecnica Computacional, v.21, pp. 1912-1921, 2002. Santiago, D. F. A. Diagnstico de Falhas em Mquinas Rotativas Utilizando Transformada de Wavelet e Redes Neurais Artificiais, Campinas, Faculdade de Engenharia Mecnica, Universidade Estadual de Campinas, 2003. Tese (Doutorado).