You are on page 1of 9

TCNICA HBRIDA PARA DETECO E DIAGNSTICO DE DEFEITOS EM

MQUINAS ROTATIVAS UTILIZANDO MODELOS MATEMTICOS


HYBRID TECHNIQUE FOR FAULT DETECTION AND DIAGNOSIS IN ROTATING MACHINES
UTILIZING MATHEMATICAL MODELS

Alexandre Carlos Eduardo


Universidade Federal de Minas Gerais
Escola de Engenharia Departamento de Engenharia Mecnica
Av. Antnio Carlos, 6627 - Pampulha
CEP: 31270-901 Belo Horizonte, MG Brasil
E-mail: aceduard@demec.ufmg.br

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

contato entre fludo/estrutura em uma turbina; excitao


transmitida de uma mquina para outra. nesta temtica
que este trabalho desenvolvido.
Arquiteturas de redes neurais de vrios tipos foram
utilizadas visando deteco de defeitos: Belli et all [3],
exploraram as capacidades e habilidades das Redes
Neurais em aproximar processos estocsticos, mapeamento
de dados de entrada e sada determinsticos.
Neste trabalho apresentada uma metodologia de
diagnstico de defeitos em um sistema mecnico rotativo
com incluso de foras de desbalanceamentos
desconhecidas, onde rudos e incertezas esto presentes.
Atravs da equao de espao de estado e da definio
da funo de correlao para sistemas estacionrios,

Cincia & Engenharia, v. 16, n. 1/2, p. 89 - 97, jan. - dez. 2007

89

Alexandre Carlos Eduardo

obteve-se a Equao Matricial de Ljapunov que contempla


os parmetros fsicos do sistema com as funes de
correlao entre os sinais medidos.
Redes Neurais so utilizadas para mapear variaes
nas variveis de estado medidas. So determinados os
Desvios Quadrticos Mdios das diferenas observadas
entre as correlaes de cada arquitetura. Para
implementao computacional foram usados os recursos
do software Matlab e Simulink. A utilizao desta
metodologia para monitoramento e diagnstico de defeitos
em mquinas rotativas uma abordagem relevante e
original.
2 MODELAGEM TERICA
feita uma modelagem matemtica de um sistema
mecnico rotativo obtendo-se a resposta do sistema na
forma da equao de espao de estado discretizada no
tempo. Assume-se que a excitao seja um processo do
tipo rudo de banda estreita como excitao. Estas
excitaes so obtidas a partir de um filtro em um sinal
rudo branco.
2.1 Modelo Matemtico de um Sistema Mecnico
A equao diferencial de movimento para um sistema
mecnico pode ser escrita na forma matricial:
M&&(t ) + P&(t ) + Q (t ) = Su (t ) + Hn(t )

(1)

onde: M uma matriz quadrada denominada matriz de


massa, onde se encontram os parmetros inerciais do
sistema; P uma matriz correspondente s foras
proporcionais s velocidades denominada matriz de
amortecimento, onde esto os parmetros dissipativos; Q
uma matriz correspondente s foras proporcionais aos
deslocamentos denominada matriz de rigidez, e concentra
os parmetros de restaurao do movimento; S a matriz
de entradas; A matriz H corresponde matriz de entrada
e u(t) um vetor das excitaes ou entradas; o vetor n(t )
um sinal harmnico com freqncia ; &&(t ), &(t ), (t )
so vetores correspondentes as aceleraes, velocidades e
deslocamentos.
2.2 Representao da Equao no Espao de Estados
A Equao (1) pode ser reescrita como,
x& (t ) = Ax (t ) + Bu (t ) + En (t )

(2)

Considere o vetor de estado x(t ) ,

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)

2.3 Resposta de Sistemas Excitados por Rudo de banda


estreita
Uma alternativa para se modelar o sistema quando o
mesmo for excitado por um rudo no branco, utilizar um
sistema auxiliar denominado filtro. Filtros so designados
para eliminar componentes de freqncias indesejadas de
um sinal. Estas componentes indesejadas so geralmente
conhecidas como rudos (Miner e Comer, [4]). A utilizao
de um sistema dinmico auxiliar foi explorada por
Pederiva [5] na identificao de parmetros em sistemas
mecnicos com excitao no medida. Neste trabalho, o
sistema original ser excitado por um rudo no branco
obtido atravs da filtragem de um sinal do tipo rudo
branco.
A Figura 1 ilustra a representao esquemtica de um
sistema mecnico excitado por rudo sistema de banda
estreita).

Figura 1. Representao esquemtica de um sistema mecnico


excitado por rudo colorido.

Na Equao (2), se u(t) no um rudo branco, este


pode ser modelado como a sada de um sistema dinmico
similar denominado filtro (Figura 1).
Considerando o sistema dinmico
z& (t ) = Rz (t ) + S * w(t )

(7)

z (t ) o vetor de estado , R uma matriz regular , e S* a


matriz de entrada .
0 1
R=
;
r1 r2

s
S* = 1
s2

(8)

A entrada u(t) do sistema dinmico (Equao 2) um


processo colorido,
(3)

u (t ) = H u z (t )

(9)

Considerando-se que o modelo de estado do sistema


mecnico dado pela Equao (2) pode-se montar o
modelo de estado expandido aumentando-se o vetor de

Cincia & Engenharia, v. 16, n. 1/2, p. 89 - 97, jan. - dez. 2007

Tcnica hbrida para deteco e diagnstico de defeitos em mquinas rotativas utilizando modelos matemticos

estado original x(t) e o vetor de estados do sistema filtro,


w(t). Utilizando as Equaes (2), (7), (8) e (9), obtm-se o
modelo de estado expandido assume a seguinte forma,
x& * (t ) = A* x(t ) + B* w(t ) + E *n(t )

(10)

y * (t ) = Cx(t )

(11)

com as seguintes definies:


x(t )

*
x (t ) = L
z (t )

(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),

C um vetor de sada ou resposta.


As novas sub-matrizes do sistema A e B tm a
seguinte estrutura,
A M B
*
A = L M L
0 M R

onde ww a matriz intensidade do processo de excitao


w(t ) .
Expandindo a Eq. (18),

0

L
B* =
s1
s2

(14)

(15)

A resposta do sistema dinmico pode ser composta de


uma superposio da resposta excitao estocstica x w (t )
e da resposta excitao harmnica xn(t).
x * (t ) = xw (t ) + xn (t ) = xw (t ) + q1 cos t + q2 sin t

(16)

onde q1 e q2 contm os vetores de amplitudes de vibrao


do sistema.
A matriz de correlao Rx * x * ( i ) pode ser escrita
como:
T
R x* x* ( i ) = x * (t ).x * (t + i )

(17)

Substituindo a soluo da equao espao de estado


(10) e (16) na Equao (17) assumindo a condio de
estacionaridade (Melsa e Sage [6]), tem a seguinte relao,

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

Fazendo a multiplicao das sub-matrizes, obtm-se a


seguinte equao:

Sendo w(t ) no correlato com n(t ) , ou seja,

Rwn ( i ) = 0

0
A
1
0

(18)

R&& ( i ) + R ( i )A1T + R& ( i )A2T + R z& ( i )B T + R n E1T = 0

(21)

A Equao (21) contm relaes entre as funes de


correlaes entre os sinais medidos (deslocamentos e
velocidades) e os parmetros fsicos da equao diferencial
(Eq. 2). Esta equao contm tambm correlao entre as
foras de desbalanceamento e a sada, podendo ser
desenvolvida e simplificada.
3 DESENVOLVIMENTO DA METODOLOGIA PARA
DIAGNSTICO DE DEFEITOS EM SISTEMAS
MECNICOS ROTATIVOS
A utilizao de um sistema hbrido no diagnstico de
defeitos em sistemas rotativos, quando adequadamente
empregado, um importante fator para a obteno de
sucesso nas aplicaes, em particular no que diz respeito
ao tempo gasto no projeto e na consistncia dos resultados.
3.1 Fluxograma geral do processo de diagnstico de
defeitos
Na Figura 2 tem-se um fluxograma geral do processo de
diagnstico de defeitos implementado no Matlab &
Simulink, possibilitando assim uma maior versatilidade na
manipulao para futuras modificaes.

Cincia & Engenharia, v. 16, n. 1/2, p. 89 - 97, jan. - dez. 2007

91

Alexandre Carlos Eduardo

Em qualquer exemplo estudado, considera-se que os


parmetros sejam constantes e qualquer alterao no valor
numrico de um parmetro fsico represente um defeito no
sistema.
4.1 Aplicao
Neste caso ser avaliado o mtodo de diagnstico de
defeitos definidos anteriormente. Ser utilizado o modelo
matemtico de um sistema mecnico rotativo com 6 graus
de liberdade estudado por Pederiva [5]. A Figura 4
apresenta o sistema rotativo analisado.

Figura 2. Fluxograma geral do processo de diagnstico de


defeitos.

A idia bsica do sistema de diagnstico de defeitos


em sistemas mecnicos rotativos proposto neste trabalho
fazer a conexo entre a formulao analtica da equao
matricial de ljapunov e redes neurais. Esta passagem
requer um certo grau de conhecimento em relao ao
comportamento dos pesos sinpticos da rede neural,
correspondendo aos parmetros fsicos do sistema e pesos
aleatrios (Belli et all, [3]).
A Figura 3 ilustra a estrutura da rede neural que ser
usada para o monitoramento e diagnstico de defeitos no
sistema mecnico rotativo.

Figura 3. Estrutura da RNA proposta para Diagnstico de


Defeitos em Sistemas Mecnicos Rotativos.

A arquitetura da rede muito importante para as


capacidades de convergncia e generalizao das RNAs. A
escolha de uma arquitetura adequada, nem to grande e
nem to pequena, a principal responsvel pelo sucesso de
uma aplicao. Para se obter uma boa habilidade de
generalizao, deve-se projetar a rede colocando dentro
dela o mximo conhecimento possvel sobre o problema
(por exemplo, a topologia do espao de entradas) e limitar
o nmero de conexes adequadamente (Haykin, [7]).
4 SIMULAES COMPUTACIONAIS
Neste item apresenta-se a aplicabilidade do Mtodo de
Diagnstico de Defeitos desenvolvido nos itens 2 e 3.

92

Figura 4. Sistema rotativo com 6 graus de liberdade.

O modelo constitui-se de um rotor acoplado a um


motor por um eixo flexvel. Entre o motor e o rotor existe
um mancal de massa m1 suspenso elasticamente. Os graus
de liberdade se traduzem nas translaes y1 e z1 do mancal,
nas translaes y2 e z2 do rotor e nas rotaes 2 e 2 do
rotor. O motor de acionamento considerado engastado. O
rotor de massa m2 tem momento de inrcia transversal I2 e
Este modelo possui diversos
momento polar I2P.
parmetros conhecidos, o que poder ajudar na formulao
da metodologia empregada para o monitoramento de
defeitos do sistema. Considera-se tambm que os efeitos
dos momentos de inrcia da estrutura do mancal sejam
desprezveis.
A Equao geral de movimento que descreve o
comportamento dinmico do sistema na forma geral (1)
tem o seguinte vetor de deslocamentos:

T = {y1

y2 2

z1

z2 2 }

(22)

onde as variveis y1 e z 1 representam os deslocamentos no


mancal nas direes YI e ZI, respectivamente; as variveis
y 2 e z 2 representam os deslocamentos do rotor nas
direes YI e ZI, respectivamente. As variveis 2 e
2 representam rotaes do rotor em torno dos eixos YI e
ZI, respectivamente. As matrizes deste sistema tm as
seguintes estruturas internas:
M = diag {m1

m2

I2

m1 m2

Cincia & Engenharia, v. 16, n. 1/2, p. 89 - 97, jan. - dez. 2007

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)

Onde e a excentridade de massa sobre o centro de rotao


do rotor.
Os valores numricos das variveis que aparecem nas
equaes (23) a (27) so atribudos da seguinte forma:
Valor
15
10
0.25
0.20
0.4
90.000
120.000
30.000
37.500
60

k11
k
22
k
A1T = 32
0
0

0
c11
0

0
T
A2 =
0
0

Supe-se que a matriz S das entradas em (1) possua a


seguinte caracterstica
S T = {s1 s 2 s3 s 4 s5 s6 }
(28)
sendo si (i= 1,...6) valores constantes.
Estas variveis indicam com que intensidade as
excitaes aleatrias atuam sobre cada coordenada do
sistema de equaes.
A estas variveis atribui-se os
seguintes valores numricos

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)

Substituindo (29), (30) em (21) e efetuando algumas


manipulaes algbricas, chega-se nas equaes de
compatibilidade do sistema mecnico, onde tais equaes
contemplam os termos de correlaes entre os sinais
medidos e os parmetros fsicos do sistema,
+ R 11 * k11 + R 12 * k12

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

Para este sistema rotativo especfico, as sub-matrizes


A1 and A2 na Equao (21) tem a seguinte estrutura interna.

R&&

Tabela 1 - Parmetros fsicos do modelo

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

Tabela 2 Valores da Matriz de entradas

0
0
I 2 P

0
0

+ R 13 * k13 + R 17 * c11 + R z11 * b1 = 0


R&&

78

+ R11 * k 22 + R12 * k 22 + R 13 * k 23 + Rn * e 2 = 0

R&& + R11 * k32 + R12 * k13 + R 13 * k33 +


79

R 23 * k 23 + Rz * b3 = 0
R&&

710

+ R14 * k 44 + R15 * k 2 R16 * k13 + R 110 * c44 = 0

(31)

(32)

(33)

(34)

Os ndices Rij indicam a correlao entre a varivel


de estado i e a varivel de estado j. As equaes de
compatibilidade (31) a (34) tem diferentes dependncias
sobre os parmetros. Por exemplo, a Eq.(31) dependente
dos parmetros k11 e c11. Esta equao no sensvel ao
parmetro e relacionado com o desbalanceamento. Esta
propriedade bastante interessante no mbito de detectar
um defeito especfico em um componente mecnico
relacionado com cada equao e parmetros correspondes.
As Equaes (31 a 34) representam um somatrio
entre as correlaes entre os sinais medidos juntamente
com os parmetros fsicos do sistema. De acordo com

Cincia & Engenharia, v. 16, n. 1/2, p. 89 - 97, jan. - dez. 2007

93

Alexandre Carlos Eduardo

Haykin [7], a resposta ou sada de uma rede neural


composta pelo somatrio entre as entradas e os pesos
sinpticos aplicando uma funo de ativao. A idia
bsica do sistema de diagnstico de defeitos em sistemas
mecnicos rotativos proposto neste trabalho fazer a
conexo entre estas duas formulaes. A partir desta
abordagem as Eq. (31 a 34) podem ser modificadas pela
seguinte expresso:
R ji

n
= f RinWin

i =1

(35)

Onde: Rij a funo de correlao de sada do sistema;


Rin o conjunto de funes de correlaes,
correspondendo aos dados de entrada; Win o conjunto de
pesos da camada intermediria, sendo composto pelos
parmetros fsicos do sistema e pesos sinpticos; f
chamada de funo de ativao(sigmoidal). Os ndices Ri

indicam as correlaes entre as variveis de estado i e a


varivel j.
Neste trabalho adotou-se uma topologia de rede neural
composta por trs camadas: uma camada de entrada; uma
camada intermediria; uma camada de sada , (Haykin,
[7]).
Todos os neurnios de cada camada so conectados
entre si. Uma representao desta arquitetura realizada
pelo mapeamento nas equaes (31) a (34).Representado
as mesmas na forma (35) tem-se:
n

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

Estruturalmente, esta rede composta por trs


neurnios na camada de entrada correspondendo as
funes de correlaes R11 , R12 e R17 ; uma camada
intermediria composta pelos parmetros fsicos do
sistema c11 L k 11 e pesos sinpticos a11 L a1n ; e
uma camada de sada correspondendo a funo de
correlao R&&77 que no pode ser estimada diretamente. As
correlaes associadas com as coordenadas de rotaes do
rotor R13 e do filtro Rz11 foram desconsideradas
(Equao (31)).
Com as obtenes das funes de correlaes
estimadas nas sadas das arquiteturas neurais foram
determinados os desvios quadrticos mdios (MSD) entre
as funes de correlaes dos sinais medidos com e sem
defeito (Haykin, [7]).

MSD =

1 n
R i R i
n i =1

(40)

onde: Ri a sada da rede; Ri a sada desejada (Sem


defeito); n o nmero de dados de treinamento;
Assim, tem-se o interesse em monitorar e diagnosticar
o sistema mecnico rotativo mediante uma alterao dos
parmetros fsicos do mancal k11 , c11 , k 44 , c44 presentes
nas arquiteturas neurais 1 e 4 (Eq. 36 e 39), e no
desbalanceamento do rotor presente na arquitetura 2
(Eq. 37). A arquitetura 3 (Eq. 38) contempla os termos de
parmetros do eixo, em todos os casos que sero estudados
estes parmetros permanecem inalterados.
Para o propsito desse trabalho, o defeito simulado no
sistema representado por uma alterao brusca e
permanente no valor numrico de algum parmetro fsico.
Em todos os casos estudados, o defeito representado por
uma variao de 20% do valor nominal do parmetro,
sendo utilizado 2048 valores discretos de resposta com
tempo de discretizao t = 2 ms.
Na Tabela 3 tem-se as condies e os parmetros
fsicos sob defeito.
Tabela 3. Condies e parmetros fsicos sob defeitos individuais.

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.

Parmetros sob defeito

Rigidez k11

Amortecimento c11
Desbalanceamento

3
4

Rigidez k 44

Amortecimento c 44

Obtidas as respostas do sistema em condio normal


(sem defeito) e condies de defeitos, as respectivas
funes de correlaes entre os sinais medidos foram
calculadas. A partir destas consideraes, foram realizadas
simulaes com o sistema apresentando uma variao no
parmetro k11 correspondendo a rigidez do mancal na
Figura 5. Arquitetura neural para Equao (31)

94

direo y1 (Condio 1 da Tabela 3).

Cincia & Engenharia, v. 16, n. 1/2, p. 89 - 97, jan. - dez. 2007

Tcnica hbrida para deteco e diagnstico de defeitos em mquinas rotativas utilizando modelos matemticos

Para as estruturas neurais 1 a 4 (Equaes 56 a 59)


foram analisadas vrias configuraes de RNAs, onde
foram testadas alteraes quanto ao nmero de neurnios
da camada intermediria. Esta anlise teve como objetivo
determinar a convergncia dos pesos sinpticos e
parmetros fsicos, de tal maneira que esses valores
estivessem prximos aos valores reais do modelo.
A Tabela 4 apresenta diversas arquiteturas testadas
com os respectivos nmeros de iteraes.
Tabela 4. Arquiteturas estudadas e nmero de iteraes

No de Iteraes
1600
1500
1105
970
780
785
785

Arquiteturas
Nex3x1
Nex5x1
Nex8x1
Nex10x1
Nex12x1
Nex15x1
Nex20x1

Onde Ne representa o nmero de entradas na camada de


entrada da rede;
Escolheu-se para todos os casos estudados uma
arquitetura de RNA com 12 neurnios na camada
intermediria.
Para os propsitos deste trabalho foi implementada
uma rede neural usando o algoritmo de LevenbergMarquard, ajustada com as seguintes caractersticas:
Camada intermediria: funo de ativao sigmoidal; Taxa
de aprendizado ( ) : 0.001; Incremento da taxa de
aprendizado = 1.05; Decremento da taxa de aprendizado =
0.60; Momentum: 0.30; Razo de erros: 1.03; Erro total
admissvel: 0.001

Figura 6. Diagrama de Bode do Sistema rotativo e resposta do


filtro para diferentes freqncias de corte.

Para facilitar o entendimento das figuras abaixo se tm


as arquiteturas neurais correspondentes a cada equao:
Arquitetura 1 corresponde a Equao 31; Arquitetura 2
corresponde a Equao 32; Arquitetura 3 corresponde a
Equao 33; Arquitetura 4 corresponde a Equao 34.
Na Figura 7 tem-se os MSD (Eq. 31) entre as funes
de correlaes dos sinais medidos para cada arquitetura
neural e para as freqncias de corte correspondentes para
defeitos correspondentes no parmetro fsico k11 .

Caso 1: Neste caso o objetivo analisar o comportamento


do sistema mecnico rotativo submetido a uma excitao
estocstica do tipo rudo de banda estreita apresentado na
seo 2.3. Foram analisadas as mesmas condies
propostas na Tabela 5.
Tabela 5. Freqncias naturais de excitao x Freqncias de
corte do filtro

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

A freqncia de corte de 50 rad/s foi usada para


treinamento da rede neural, sendo que as outras
freqncias foram usadas para testes (Tabela 5 ).
A Figura 6 apresenta o Grfico de Bode do sistema
rotativo (entrada x1 e sada y1 ) e as respostas do sistema
filtro para diferentes freqncias de corte.

Figura 7. Desvio Quadrtico Mdio (MSD) para as 4 arquiteturas


neurais versus freqncias de corte do sistema filtro (Variao de
20% em

k11 )

Obs: As freqncias de corte 1 a 5 descritas na Fig. 6,


esto indicadas na Tabela 5.
Nota-se que pela Figura 7 correspondendo a
Arquitetura Neural 1, uma variao significativa no Desvio
Quadrtico Mdio (10%) com os outros desvios
Arquiteturas 2, 3 e 4 na ordem de 10-4. Isto ocorreu pelo
fato que essas arquiteturas so insensveis em relao ao
parmetro k11 do mancal.
Na Figura 8 tem-se os Desvios Quadrticos Mdios
entre as funes de correlaes dos sinais medidos para
cada arquitetura neural e para as freqncias de corte
correspondentes para defeitos correspondentes no
parmetro fsico c11 .

Cincia & Engenharia, v. 16, n. 1/2, p. 89 - 97, jan. - dez. 2007

95

Alexandre Carlos Eduardo


Tabela 6. Condies e parmetros fsicos sob defeitos
combinados

Figura 8. Desvio Quadrtico Mdio (MSD) para as 4 arquiteturas


neurais versus freqncias de corte do sistema filtro (Variao de
20% em c11 ).

Nota-se que pela Figura 8 correspondendo a


Arquitetura Neural 1, uma variao significativa no Desvio
Quadrtico Mdio (9%) com os outros desvios
Arquiteturas 2, 3 e 4 na ordem de 10-4. Isto ocorreu pelo
fato que essas arquiteturas so insensveis em relao ao
parmetro c11 do mancal.
Na Figura 9 tem-se os Desvios Quadrticos Mdios
entre as funes de correlaes dos sinais medidos para
cada arquitetura neural e para as freqncias de corte
correspondentes para defeitos correspondentes no
parmetro fsico k 44 .

Condies
de
Defeitos
1

Reduo de 20% k11 e k 44

Reduo de 20% c11 e c 44

Reduo de 20% k11 e desbalanceamento

Reduo de 20% desbalanceamento e c 44

Descrio do Defeito

Na Figura 10 tem-se os Desvios Quadrticos Mdios


entre as funes de correlaes dos sinais medidos para
cada arquitetura neural e para as freqncias de corte
correspondentes para defeitos segundo Condio 1,
Tabela 6.

Figura 10. Desvios Quadrticos Mdios (MSD) para as 4


arquiteturas neurais versus freqncias de corte do sistema filtro.

De acordo com a Figura nota-se variaes


significativas nos Desvios Quadrticos Mdios (12%) nas
arquiteturas 1 e 4, com os outros desvios na ordem de 10-4
nas arquiteturas 2 e 3. Como era esperado, isto ocorreu
pelo fato que essas arquiteturas so insensveis em relao
aos parmetros k11 e k 44 do mancal.
5 CONCLUSES
Figura 9. Desvio Quadrtico Mdio (MSD) para as 4 arquiteturas
neurais versus freqncias de corte do sistema filtro (Variao de
20% em k 44 ).

Nota-se que pela Figura 9 correspondendo a


Arquitetura Neural 1, uma variao significativa no Desvio
Quadrtico Mdio (12%) com os outros desvios
Arquiteturas 2, 3 e 4 na ordem de 10-4. Isto ocorreu pelo
fato que essas arquiteturas so insensveis em relao ao
parmetro k 44 do mancal.
Caso 2: Para testar a viabilidade e a robustez do mtodo
proposto, foi estudada a situao em que o sistema
mecnico rotativo apresenta defeitos combinados nos
parmetros
fsicos.
Estes
defeitos
combinados
correspondem a uma variao de 20% dos valores de dois
parmetros fsicos, mantendo assim os outros parmetros
constantes. Na Tabela 4.5 tem-se as condies e os
parmetros fsicos sob defeito.
96

O presente trabalho apresenta uma contribuio aos


mtodos de diagnstico de defeitos em sistemas mecnicos
rotativos. A principal diferena desta proposta em relao
s demais metodologias em MBFDI (Model Based Fault
Detection and Isolation) a utilizao da Equao
Matricial de Ljapunov e Redes Neurais Artificiais para
monitorar e diagnosticar os parmetros fsicos do sistema
sob defeito.
Neste trabalho foi formulada matematicamente uma
relao entre os parmetros do processo e os pesos
sinpticos da rede neural a partir das informaes das
funes de covarincias dos sinais medidos. Foram feitas
comparaes entre as funes de correlaes tericas,
variando alguns parmetros da rede neural. Conclue-se que
os parmetros utilizados e o algoritmo influenciam nos
resultados finais obtidos.
Em todos os casos estudados os valores dos MSDs
tiveram mais evidncias, nas arquiteturas relacionadas com
os parmetros sob defeitos.

Cincia & Engenharia, v. 16, n. 1/2, p. 89 - 97, jan. - dez. 2007

Tcnica hbrida para deteco e diagnstico de defeitos em mquinas rotativas utilizando modelos matemticos

Um item importante a ser mencionado que para esta


metodologia de diagnstico de defeitos no h necessidade
de se ter o conhecimento numrico real dos parmetros do
sistema, mas se conhecermos a estrutura do modelo e
aplicarmos condies de contornos apropriadas certamente
se chegar aos objetivos propostos, que identificar e
localizar um determinado tipo de defeito.
REFERNCIAS
[1] Chena, Y.M. and Lee, M.L. Neural networks-based scheme
for system failure detection and diagnosis. Mathematics and
Computers in Simulation, pp. 101109, 2001.
[2] Eduardo, A.C. Diagnstico de Defeitos em Sistemas
Mecnicos Rotativos usando Anlise de Correlaes e Redes
Neurais Artificiais. Tese de Doutorado, Programa de PsGraduao em Engenharia Mecnica, Universidade Estadual de
Campinas-UNICAMP, SP, 2003.
[3] Belli, M. R, Conti, M., Crippa, P. and Turchetti,C. Artificial
neural networks as approximators of stochastic processes.Neural
Network, pp. 647-658, 1999.
[4] Miner G.F, D.J. Comer. Physical Data Acquisition for
Digital
Processing.
Components,
Parameters,
and
Specifications. Prentice-Hall, Englewood Cliffs (NJ), 1992.
[5] Pederiva, R. Identificao Paramtrica de Sistemas
Mecnicos Excitados Estocasticamente. Universidade Estadual
de Campinas, SP. Tese de Doutorado, 1992.
[6] Melsa, J.L. and Sage, A.P. An Introduction to Probability
and Stochastic Process. Prentice Hall, pp.245-270, 1973.
[7] Haykin S., Neural Networks: A comprehensive Foundation.
Printice Hall, New Jersey, USA, 2 edition. 1999.

Cincia & Engenharia, v. 16, n. 1/2, p. 89 - 97, jan. - dez. 2007

97