Abstract— Three-phase induction motors play a key role in electromotive force production, although their widespread use in industrial applications leads to a variety of defects that can impair their normal operation. This paper proposes an alternative method, based on artificial neural networks, for classifying and detecting bearing faults in three-phase induction motors connected directly to the power grid. Experimental tests conducted in the laboratory consider practical conditions such as voltage unbalances and differing load torques. Analyses are performed in the time domain, and are based on electric motor quantities such as voltages and currents, which are acquired considering a half-cycle of the voltage grid. The performance and efficacy of the proposed fault detection method is evaluated and validated by using a personal computer to conduct online experimental tests, and by embedding in digital signal processors. The proposed method is also tested in electrical machines used in the sugar cane industry.

Keywords— Artificial Neural Networks, Bearings Failures, Fault Diagnosis, Three-Phase Induction Motors.

I. INTRODUÇÃO

TUALMENTE, é possível inferir que o Motor de Indução Trifásico (MIT) está presente em muitas

aplicações industriais. Isto se deve ao fato destes motores serem o principal meio de transformação de energia elétrica em mecânica-motriz, tendo ainda como aliado outros fatores de favorecimento como robustez e baixo custo [1-3].

O MIT, como qualquer outro motor, necessita de procedimentos adequados de manutenção, pois suas falhas acabam por prejudicar as várias etapas de produção e causam prejuízo temporal e financeiro em processos industriais. Nestes casos, a lucratividade de um produto também deve considerar os custos de manutenção dos equipamentos que o produz.

Com base neste enfoque muitos métodos trazem a manutenção como um importante elemento a ser considerado e principalmente investido, a fim de minimizar os custos de processos e melhorar o desempenho dos equipamentos em indústrias. Segundo [4] a predição de falhas em máquinas elétricas tem atraído diversas pesquisas nos últimos anos.

As falhas que podem ser apresentadas nos motores elétricos são passíveis de classificação em dois grupos distintos: falhas mecânicas e falhas elétricas. Conforme descrito em [4] com base em um estudo comparativo, a distribuição de falhas em

W. S. Gongora, Instituto Federal do Paraná (IFPR), Assis Chateaubriand, Paraná, Brasil, wylliam.gongora@ifpr.edu.br

A. Goedtel, Universidade Tecnológica Federal do Paraná (UTFPR), Cornélio Procópio, Paraná, Brasil, agoedtel@utfpr.edu.br

S. A. O. da Silva, Universidade Tecnológica Federal do Paraná (UTFPR), Cornélio Procópio, Paraná, Brasil, augus@utfpr.edu.br

C. L. Graciola, Universidade Tecnológica Federal do Paraná (UTFPR), Cornélio Procópio, Paraná, Brasil, claytongraciola@gmail.com

motores de indução trifásicos com suas respectivas porcentagens de incidência são as seguintes: falhas de rolamentos (69%), falhas em rotores (7%) e falhas em estatores (21%). Mais recentemente, o trabalho descrito na referência [2] relata que as falhas de rolamentos somam 44% do total de falhas, de estator (22%), de rotor (8%), enquanto outras falhas totalizam 26%.

Algumas metodologias tradicionais de identificação de falhas apresentam sua aplicabilidade em função dos processos em que os motores estão inseridos, disponibilidade de materiais ou mesmo da confiabilidade das respostas e classificação das falhas. Em [5] são citadas as técnicas tradicionais para determinação do estado de funcionamento de um rolamento, as quais se pode elencar a análise de vibração, medição da emissão acústica, medição da temperatura e análise espectral do sinal de corrente.

A análise de vibração baseia-se na inserção de vários sensores de vibração em pontos específicos em torno do motor e de seu acoplamento. Estes sensores medem a vibração mecânica de todo o conjunto. Uma vez adquiridos os sinais, estes são avaliados pela análise e identificação em janelas de frequências das falhas e amplitude de cada um [3,5-7].

Outra estratégia, denominada medição da emissão acústica, caracteriza-se por se tratar de um método mais simples em sua aplicação, no entanto, é exigido um conhecimento aprimorado das falhas. Uma prática comum na indústria consiste no uso de um estetoscópio com uma ponteira modificada para escutar o som de pontos determinados do motor, como por exemplo, as tampas onde são fixados os rolamentos. Este método também apresenta uma restrição quanto a sua aplicação, pois não são todas as falhas que apresentam características audíveis [8]. Mais recentemente, o trabalho de [9] utiliza esta estratégia com vários microfones próximos a máquina sob teste.

Já a técnica baseada no incremento da temperatura necessita de equipamentos específicos como sensores de temperatura ou ainda termovisores que permitem monitorar e verificar as variações de temperaturas de trabalho e a transposição de limites em pontos específicos do motor ou peças, como tampa traseira, dianteira e acoplamentos [10-12].

O método apresentado em [4,13,14], o qual utiliza a análise espectral aplicada aos sinais de corrente de estator da máquina elétrica, consiste na conversão de um sinal periódico no domínio do tempo para seu estudo em frequência, identificando as várias frequências harmônicas que compõe cada sinal. Desse modo é possível verificar a existência das frequências características das falhas e suas mudanças de amplitude no espectro do sinal.

Estes métodos ou ferramentas, nem sempre são empregados isoladamente na identificação e classificação das falhas, podendo ser utilizada a combinação de mais de uma técnica simultaneamente. Neste contexto, trabalhos recentes têm utilizado as técnicas convencionais aliadas ao emprego de

Neural Approach to Fault Detection in Three-Phase Induction Motors

W. S. Gongora, A. Goedtel, S. A. O da Silva, Member, IEEE and C. L. Graciola

A

Sistemas Inteligentes (SI) no intuito de auxiliar os operadores nas tomadas de decisões e classificação de padrões de defeitos em rolamentos [15,16]. Tais estratégias são consideradas confiáveis em suas abordagens e dispõem de facilidade de aplicação e implementação no processo.

Dentre as aplicações de SI, as soluções de problemas utilizando Redes Neurais Artificiais (RNAs) são atrativas por diversos motivos, das quais se destacam as resoluções de problemas não lineares e a generalização de resultados sem a necessidade de modelagens analíticas. Desta forma, convencionando uma arquitetura de processamento que possibilita a abordagem alternativa aos modelos convencionais [14,17,18]. Como citado anteriormente as RNAs são capazes de aprender e generalizar o conhecimento adquirido. Isso significa que se pode imputar um conhecimento com uma quantidade significativa de exemplos, os quais descrevem a dinâmica do sistema no seu domínio de operação.

Assim, a proposta deste trabalho consiste no desenvolvimento de um sistema de detecção de falhas em rolamentos a partir do monitoramento das grandezas elétricas aplicadas a uma máquina de indução trifásica. Para isto, são utilizadas apenas as tensões e as correntes amostradas no domínio do tempo considerando apenas um semi-ciclo de amostragem da rede elétrica, em situações em que o motor é submetido a desequilíbrios de tensão de alimentação, bem como variações de carga. O sistema proposto é validado experimentalmente em laboratório, na indústria e embarcado numa plataforma baseada em um Processador Digital de Sinais (DSP). Desta forma, a proposta embarcada na plataforma DSP visa contribuir para a aplicabilidade da metodologia no setor industrial com monitoramento online dos motores utilizando sensores de relativo baixo custo.

O trabalho, apresentado em seções, está organizado com a Seção 2 retratando alguns aspectos das falhas envolvendo motores de indução trifásicos com ênfase nas falhas de rolamentos. Na Seção 3 apresenta-se a metodologia proposta neste trabalho e os resultados dos ensaios experimentais em laboratório e em campo, especificamente em uma indústria sucroalcooleira. A aplicação em hardware embarcado também é apresentada nesta Seção. Na Seção 4 as conclusões do artigo são apresentadas.

II. PRINCIPAIS FALHAS EM MOTORES DE INDUÇÃO TRIFÁSICOS

Uma das principais características do MIT relatadas na literatura consiste na sua robustez. No entanto, como qualquer equipamento elétrico ou eletrônico, o mesmo está sujeito a falhas. Segundo [4] estas falhas afetam diretamente seu desempenho, mesmo antes que problemas mais significativos ocorram. Por este motivo, há a necessidade de um programa de manutenção que se possa perceber anomalias em tempo hábil de correções, afim de não permitir maiores danos ao equipamento.

As máquinas de indução trifásicas ideais apresentam um sistema elétrico altamente simétrico, com funcionamento dinâmico e controlável, uma vez que seja composto por uma alimentação trifásica de qualidade e tenha características construtivas idênticas a cada enrolamento. Desta forma, qualquer falha, por menor que seja, altera essa característica,

sendo refletida tanto em vibrações mecânicas quanto na corrente elétrica [4].

A. Falhas no Rolamento Os rolamentos do motor são os elementos que apresentam o

maior índice de falhas, sendo estas geradas por diversas causas, tais como desalinhamento mecânico de seu eixo, montagem incorreta do próprio rolamento, lubrificação insuficiente ou excessiva, sobrecarga mecânica, entre outras [18]. Mesmo sendo uma falha mecânica, sua interferência nos sinais de alimentação da máquina permitem soluções com a observação da corrente estatórica do motor [19].

Considerando a forma construtiva do rolamento, as falhas neste elemento podem ser consideradas distribuídas ou localizadas [5,20]. A primeira determina uma falha que afeta toda uma região do rolamento. Sendo esta característica típica das falhas de desgaste do anel externo ou do anel interno, ambas em suas respectivas pistas de rolagem. O segundo tipo de classificação, ou seja, a falha localizada, afeta um único ponto do rolamento. Este pode também estar presente na pista externa ou interna, bem como nas gaiolas ou esferas. Estas falhas são verificadas por pontos incipientes, como rachaduras, ranhuras ou deterioração pontual.

Algumas características de defeito no rolamento podem ser identificadas em uma inspeção visual ou observação do elemento em funcionamento. É o caso dos ruídos que se tornam audíveis e constantes [9]; das temperaturas que podem se elevar acima do normal [12], e também das vibrações excessivas e oscilatórias [5]. Entretanto, é conveniente dizer que estas condições só tornam-se perceptíveis a partir de um ponto mais avançado de deterioração do rolamento, não sendo considerado muitas vezes até atingir sua inutilização.

B. Identificação de Falhas em Rolamentos É comum que o método da análise espectral seja

empregado no sinal da corrente elétrica com a observância de sua composição harmônica [4,13] em alguns casos de falhas de rolamento. No sinal tratado no domínio da frequência, é avaliada a existência de componentes harmônicas com frequência característica (fcf) referente a um determinado tipo de falha conforme descritas em[14,19].

As falhas localizadas nos elementos girantes do rolamento, juntamente com a frequência rotacional do eixo do motor frot , podem resultar em três diferentes frequências características de falhas, classificadas em [20] como:

• frequência de falha na pista externa fe; • frequência de falha na pista interna fi; • frequência de falha nos elementos girantes (esferas) fb. Estas falhas são equacionadas para determinação das

frequências características citadas, as quais dependem ainda da dinâmica de funcionamento da máquina e característica construtiva do rolamento em si, como quantidade de esferas, diâmetro das esferas e ângulo de contato com a pista de rolagem.

No entanto, uma abordagem apresentada em [20], simplifica e generaliza as relações para rolamentos de 6 a 12 esferas. As frequências de falhas representadas por (1) e (2) são determinadas de acordo com o número de esferas do rolamento Ne, uma constante de simplificação e a frequência rotacional do eixo do motor em Hz [20].

0, 4. .e e rotf N f= (1)

0,6. .i e rotf N f= (2) Estas equações determinam a frequência característica de

uma determinada falha, sendo ainda possível admitir que seja específica para cada máquina em particular, uma vez que depende do modelo do rolamento utilizado e da frequência rotacional do eixo do motor frot .

Já a relação da frequência característica das falhas encontradas nas esferas do rolamento fb é determinada por (3).

2

22. . 1 .cosg e

b rote g

d df fd d

β

= −

(3)

Neste caso, para se estabelecer o resultado em específico, é

requerido um conhecimento aprofundado dos elementos construtivos do rolamento, tais como o diâmetro da esfera de e o diâmetro da gaiola dg, que representa a medida entre o ponto médio das esferas opostas. Também é preciso especificar o ângulo de contato da esfera com a pista de rolagem, chamado aqui de β, o qual é dado no projeto do rolamento.

C. Detecção da Falha de Rolamento Através da Corrente do Estator As vibrações mecânicas no eixo da máquina interferem em

sua indução magnética, uma vez que a variação do entreferro modifica a intensidade do fluxo magnético. Assim sendo, quanto maior a amplitude das vibrações geradas pelas alterações nas partes componentes do rolamento, maior é a amplitude do sinal da falha gerado [13]. Uma vez estabelecida a frequência fundamental da alimentação da máquina f e a frequência característica de falha fcf, é possível determinar a existência do problema com a análise da transformada rápida de Fourier (Fast Fourier Transform - FFT) do sinal, observando a amplitude de cada componente da frequência harmônica fh .

Um exemplo de aplicação desta abordagem tradicional é mostrado na Fig. 1 onde são observados os picos das frequências harmônicas características de um sinal senoidal periódico de 60Hz e outros pontos referentes a frequências harmônicas provida das distorções e falhas de funcionamento.

Figura 1. Espectro de frequência de sinais com e sem falhas das correntes de fase do motor.

A Fig. 1 ilustra o espectro de frequência das correntes de fase de um MIT operando sem falhas de rolamento e com uma

falha localizada na pista externa do rolamento. O experimento foi realizado em laboratório e utilizou uma máquina fabricada pela WEG trabalhando sem carga no eixo. O modelo da máquina é o Dahlander 12 terminais com potência de 1 CV. Como características adicionais, este motor trabalha como rotação média na ponta do eixo de 1.700 rpm (28,33 Hz) para uma alimentação senoidal de 220V em 60Hz. Já o rolamento em análise foi o NSK 6204 com 8 esferas e o sinal de corrente foi coletado a uma taxa de 25.000 amostras por segundo.

A frequência harmônica de falha fh, descrita em (4) e apresentada por [20], é resultante da interação da senoide de frequência fundamental da alimentação do motor f e da frequência característica de falha fcf refletida a cada k inteiro. Sendo k as frequências características de falha fcf, consideradas como frequências centrais, os cálculos resultam em uma série de frequência harmônicas e suas bandas que indicam a deterioração do sinal da referência e a presença de falha na pista externa do rolamento fe, falha na pista interna do rolamento fi e frequência de falha nos elementos girantes fb.

.

1, 2,3,...,h cff f k f

k n

= ±

= (4)

Aplicando (1) aos valores numéricos das características da

máquina anteriormente descrita, determinam-se as frequências da falha localizada na pista externa em 90,67 Hz. Os k elementos a serem calculados por (4) são apresentadas na Tabela I, representando as possíveis frequências presentes ao sinal em torno da frequência fundamental de 60Hz e suas harmônicas inerentes ao sinal senoidal periódico.

TABELA I. FREQUÊNCIA CARACTERÍSTICA DE FALHA LOCALIZADA NA PISTA EXTERNA DO ROLAMENTO.

k Banda Esquerda Frequência Central Banda Direita 1 30,67 90,67 150,66 2 121,33 181,34 241,33 3 212 272,01 332 4 302,67 362,68 422,66 5 393,33 453,35 513,33

Na Fig. 2 é comparado o espectro harmônico do sinal sem

falha de rolamento (vermelho) e com falha de rolamento (azul), referente ao exemplo em estudo. No detalhe, é observável a principal diferença no entorno de k =3, onde existe a harmônica no sinal com falha e a ausência no sinal sem falhas. Uma vez que também se observa o aumento na amplitude das frequências de falhas que já estavam presentes ao sinal sem falhas.

Figura 2. Detalhe do espectro de frequência de sinais com e sem falhas.

k2 k3

De acordo com a diferença das amplitudes das frequências em dB, são caracterizadas as falha e o grau de deterioração do rolamento, pois a amplitude do espectro em frequência é diretamente proporcional a amplitude da vibração ocasionada pela falha. Assim, uma vibração excessiva ocasiona um sinal de maior amplitude no espectro de frequência, podendo entender que quanto menor a diferença de amplitude do sinal na frequência característica de falha em relação à amplitude da frequência fundamental, maior o estado de degradação do rolamento [20].

De acordo com a diferença das amplitudes das frequências em dB, são caracterizadas as falhas e o grau de deterioração do rolamento, pois a amplitude do espectro em frequência é diretamente proporcional a amplitude da vibração ocasionada pela falha. Assim, uma vibração excessiva ocasiona um sinal de maior amplitude no espectro de frequência, podendo entender que quanto menor a diferença de amplitude do sinal na frequência característica de falha em relação à amplitude da frequência fundamental, maior o estado de degradação do rolamento [20].

O método de análise espectral encontra algumas limitações. No trabalho de [21] é citada a necessidade de um sensor de velocidade para determinar a frequência específica de análise. Ainda, conforme descrito em [4], a análise do sinal de corrente pode ser usado para detectar falhas quando os rolamentos estão muito deteriorados.

III. METODOLOGIA DE DIAGNÓSTICO DE FALHAS DE ROLAMENTO DO MIT UTILIZANDO RNA

A solução de problemas utilizando RNA é atrativa pois sua arquitetura de processamento possibilita um desempenho superior aos modelos convencionais, uma vez que é capaz de aprender e generalizar o conhecimento adquirido, imputando respostas adequadas e aceitáveis com uma quantidade significativa de exemplos, sem limitar sua aplicação [1,14,18]

Em [15] são apresentadas propostas de RNA aplicadas na identificação dos vários tipos de falhas encontradas no MIT. Mais recentemente, tem-se utilizado as redes neurais artificiais baseadas nos mapas auto organizáveis (Self Organizing Maps – SOM) de Kohonen para a classificação de falhas em rolamento a partir dos sinais de vibração [18]. A pesquisa apresentada em [3] utiliza RNA para classificar as componentes decompostas de uma wavelet também baseadas nos sinais de vibração de rolamentos com falhas. Em [9] também são utilizadas as RNA/SOM para classificação de falhas em máquinas de indução trifásicas utilizando sinais de áudio provenientes de 5 microfones acoplados na proximidade da máquina.

Conforme relatado na literatura, as falhas de rolamento representam 44% do total de falhas recorrentes no motor, sendo focado neste trabalho a identificação deste defeito em específico com a avaliação do sinal senoidal da corrente no domínio do tempo.

A. Arquitetura de Redes Neurais Artificiais As informações de tensão e de corrente dos motores são

sinais senoidais no domínio do tempo, as quais são lidas e gravadas em planilhas. De posse destes valores foi determinada uma estrutura de importação e tratamento dos dados a fim de padronizar a aplicação e possibilitar a

implementação da rotina de análise. Em todas as propostas deste trabalho, o procedimento pode ser dividido em três fases distintas e subsequentes como apresentado na Fig. 3.

A primeira etapa do processo consiste na medição de sinais de corrente e tensão em motores para criação de uma banco de dados. Os motores em estudo operam em condições normais e com falhas e as medições podem ser visualizadas com um osciloscópio ou por meio de uma placa de aquisição de dados conectada a uma interface gráfica em um computador.

A segunda etapa prevê o tratamento dos dados de modo a permitir que os sinais sejam observados pela rede neural no domínio do tempo. Esta técnica encontra-se respaldada na proposta apresentada em [22], a qual utiliza este método para estimação dos valores de harmônicos presentes nos sinais senoidais de corrente elétrica de cargas não lineares. Mais recentemente, em [23] é relatada a aplicação desta metodologia na determinação de conjugado de um motor de indução trifásico sob condições adversas de carga e alimentação.

Figura 3. Fluxo de informação para processamento dos dados.

Neste trabalho a referida metodologia é aplicada com a finalidade de apresentar as amplitudes de um semi-ciclo do sinal senoidal de tensão ou corrente como entrada de uma RNA. Assim, uma subamostragem é realizada a cada semi-ciclo do sinal minimizando o número de pontos, como pode ser observado na Fig. 4. Um cuidado a ser tomado é de não perder as características do sinal original. Assim, testes foram realizados até a observação de que os sinais subamostrados com 50 pontos por semi-ciclo representam de forma adequada às senoides. Estes sinais são as entradas da estrutura neural proposta.

Figura 4. Subamostragem do sinal senoidal.

Outro aspecto representado pela Fig. 4 é a utilização do

módulo dos sinais. Sendo a onda senoidal e apresentando simetria das variações positivas e negativas, esta manipulação simplifica a aplicação da RNA, uma vez que diminui as variações dos valores de entrada.

A construção dos vetores de entrada é feita pela composição dos semi-ciclos de cada fase, utilizando-se apenas os valores positivos da alimentação trifásica. Também deste modo cria-se um padrão das amostras de entrada da rede neural, uma vez que as 3 fases compõe o mesmo vetor de entrada.

Neste intuito exige-se a normalização do sinal de entrada pelo valor de pico de cada sinal amostrado e não pelo valor nominal dos sinais de alimentação, o que é executado no processamento dos dados. Este fato foi adequado uma vez que os motores em campo podem se encontrar super dimensionados ou subdimensionados, inviabilizando a normalização pela tensão e corrente nominal.

A terceira etapa do processo tem como ponto inicial o uso das informações dos motores, os quais constituem os vetores de entradas da rede neural já estruturados e subdivididos em dados de treinamento e a validação da RNA utilizando as técnicas de validação cruzadas.

Um aspecto relevante é que todas as estruturas neurais propostas contam com apenas 2 neurônios na camada de saída tendo por função de ativação a tangente hiperbólica com variação de -1 a 1. Assim é possível a classificação da existência ou não de falhas nos sinais amostrados por uma lógica combinacional conforme mostrado na Tabela II.

TABELA II. RESPOSTA DA RNA.

Saída Com Falha Sem Falha Y1 -1 1 Y2 1 -1

A Tabela II apresenta as possíveis saídas da RNA

empregadas na proposta. Com este tipo de resposta a rede neural pode substituir a aplicação de avaliações gráficas na análise espectral ou tabelas dos métodos tradicionais baseados em análise de vibrações, definindo assim um classificador. Mesmo a classificação sendo binária entre a existência de falhas ou não, a opção pela utilização de mais de um neurônio na camada de saída se dá em virtude de cada neurônio ser ativado para uma classe específica [24], aumentando a

confiabilidade da resposta e possibilitando a implementação futura com mais uma resposta de classes.

B. Metodologia da Aplicação Prática Os dados utilizados nesta abordagem são todos providos

pelas metodologias da inserção de falhas em rolamentos descritas em [8]. As falhas referentes a alguns problemas de rolamento foram utilizadas na bancada de teste mostrada na Fig. 5. Esta bancada foi utilizada em [1, 8, 23] e monitora as grandezas de tensão, corrente, vibração, torque e velocidade de um motor de indução trifásico. As placas de condicionamento de sinais dos sensores de efeito Hall condicionam as tensões e correntes de linha que são repassadas às entradas analógicas da placa de aquisição de dados.

Nesta composição são possíveis as simulações de condições de funcionamento dos motores, como variação na alimentação, variação de carga e a inclusão de defeitos controlados. Em detalhes são mostrados os variadores de tensão independentes por fase para desequilíbrio de tensões. Como também pode ser observada na Fig. 5, esta bancada dispõe de um motor de indução trifásico acoplado a um gerador de corrente contínua que faz a imposição de torque no eixo do MIT. Ainda, é possível alternar entre o MIT de 1 CV e 2 CV na estrutura da bancada. Maiores detalhes relativos a bancada podem ser obtidos em [1].

Figura. 5. Bancada de testes do laboratório.

Buscando uma diversidade dos sinais e das diferentes máquinas que podem ser encontradas nos ambientes industriais, para esta proposta foram utilizados 5 motores com potências diferentes e modelos variados, os quais são descritos na Tabela III.

Os tamanhos das amostras são fixados de acordo com o número de canais utilizados e o tempo de aquisição, o que pode também ser limitado pela capacidade de memória do computador utilizado. A taxa de aquisição ajustada desta placa de aquisição de dados é de 25.000 pontos por segundo, dividida pelo número de entradas admitidas no algoritmo.

O tempo de coleta de dados fica caracterizado pela necessidade de cada processo, podendo ser mudado de acordo com a dinâmica dos motores ou as variações das grandezas e condições observadas.

TABELA III. MOTORES APLICADOS A BANCADA DE AQUISIÇÃO.

Marca/Tipo Pot Qtde Rolamento Falhas Inseridas WEG – W 21 1 CV 01 D-6204 Falha nas esferas

T-6203 Falha pista externa WEG – W 22 1 CV 02 D-6204 Falha pista interna

Alto rendimento T-6203 Curto circuito Desgaste excessivo

WEG – W 22 2 CV 02 D-6205 Falha nas esferas Alto rendimento T-6204 Falha pista externa

WEG – W 21 1 CV 01 D-6204 Falha de estator Rebobinado T-6203

WEG – W 21 1 CV 01 D-6204 Falha de rotor T-6203

Neste trabalho foram aplicados dois padrões de tempo de

aquisição, permitindo a verificação das variações de processos, limitações de hardware e até mesmo modelos de placas de aquisição. Foram realizadas amostragens com intervalo de tempo de 5 a 20 segundos. Uma vez que as medidas são realizadas com o motor em regime permanente e este tempo é suficiente para retratar os sinais a serem processados sem sobrecarregar as aquisições com vetores de tamanhos excessivos.

Esta proposta de medidas garante sinais mais detalhados das grandezas, além de tempos maiores de coleta onde são possíveis observações de transitórios e distorções. Adicionalmente, permitirem manipulações como a realização de uma FFT do sinal.

Tendo a rotina de comunicação da placa com o computador, dentro da plataforma Matlab®, estes dados são então adquiridos e armazenados em forma de planilhas. Os dados são identificados por data, aquisição, condição do rolamento e motor que está sob análise.

1) Aplicação em Laboratório: Seguindo o descrito anteriormente no processamento dos sinais, o fluxo de informação para esta abordagem segue o apresentado na Fig. 6.

Figura. 6. Fluxo de informação para processamento dos dados em laboratório.

Nesta aplicação foram coletados dados com falhas de rolamento, tanto distribuídas quanto localizadas, apresentados na Seção 2. Baseado nos resultados anteriores, nesta

abordagem foram testadas algumas variações de RNA em número de camadas e números de neurônio por camadas, mas, no intuito da otimização da rede neural aplicada, foi utilizada apenas a topologia descrita na Tabela II. A obtenção desta estrutura segue o método heurístico. A rede proposta é constituída de duas camadas ocultas com 7 neurônios cada, além da camada de saída com 2 neurônios para classificação conforme Tabela IV.

TABELA IV. APLICAÇÃO EM LABORATÓRIO.

Arquitetura PMC Treinamento Supervisionado Nº Camadas 2

Neurônios 1ª Camada 7 Neurônios 2ª Camada 7

Algoritmo de Treinamento Back Propagation + Levenberg-marquardt

Função ativação 1 e 2ª Camada Tangente Hiperbólica Função ativação saída Tangente Hiperbólica

Aplicou-se também o treinamento supervisionado com o

método backpropagation acrescido do algoritmo de (LM) Levenberg-Maquardt, estipulando-se como critério de parada o erro quadrático médio (Eqm). Esta proposta é semelhante à apresentada para aplicação em campo, inclusive com as mesmas funções de ativação descritas na Tabela IV.

A principal diferença desta aplicação encontra-se na montagem dos vetores de entradas da rede. Uma vez que estes apresentam 300 pontos, e não mais 150. Isto se deve ao fato de serem estes vetores estruturados com os sinais de tensão e de corrente, subsequentes uns dos outros.

Esta inclusão incorre pelo fato do universo de amostras dos dados estarem acrescidos dos sinais de falhas de estator e de rotor. Mesmo não sendo o objetivo da proposta a classificação destas falhas, quando estes dados são inclusos ao processo, a rede torna-se imune a este tipo de anomalia, não classificando de forma errada as distorções características de estator e de rotor como sendo uma falha de rolamento.

A Tabela V apresenta os dados relativos a RNA considerando um coeficiente de aprendizagem η = 0,01 e Eqm de 1.10-7.

TABELA V. RESULTADO APLICAÇÃO EM LABORATÓRIO.

Amostras de Treinamento 3270 Amostras de validação 6540

Eqm 10e-7 Coeficiente de aprendizagem (η) 0,01

Épocas 27 Falso Positivo 9 Falso Negativo 0

Erro de Classificação 9 Percentual Acerto 99,86%

Buscando validar a operacionalidade das propostas de

estruturas neurais artificiais descritas neste trabalho, um teste de robustez e generalização foi aplicado ao processamento da rede neural treinada em laboratório. Dois conjuntos novos de amostras foram criados, sendo um sem falhas e outro com falhas localizadas na pista externa do rolamento. Para estes dois novos conjuntos de dados os rolamentos utilizados foram

novos, sendo que o par de rolamentos com falhas não foi o mesmo utilizado para a aquisição do treinamento.

O procedimento para a aquisição em laboratório foi o mesmo realizado anteriormente utilizando a bancada de testes, porém com um motor não incluso ao universo das máquinas utilizadas para aquisição dos dados de treinamento. O motor utilizado neste caso foi o da marca WEG modelo Dahlander 12 pontas com potência de 1 CV sem carga no eixo. Sua ligação em 220V tem como característica a velocidade de rotação de 1.730 rpm. Este motor utiliza-se do mesmo modelo dos rolamentos da máquina de 1 CV descrita anteriormente. Nestas primeira condições descritas e com a RNA treinada em laboratório, os resultados de validação da rede neural são apresentados na Tabela VI.

Do universo de 2.000 amostras utilizadas para esta validação 1.297 foram sinais sem falhas e 703 foram sinais com falha sendo a matriz montada de forma aleatória. Apesar do erro de classificação ficar superior ao apresentado na validação, a variação não desabilita a rede neural uma vez que o percentual de acerto é maior que 97%.

TABELA VI. RESULTADO DO TESTE DE ROBUSTEZ EM

LABORATÓRIO.

Amostras de Validação 2000 Falso Positivo 57 Falso Negativo 0

Erro de Classificação 57 Percentual Acerto 97,15%

Assim, é possível avaliar que a abordagem apresenta uma

grande capacidade de generalização dos resultados quando há aplicações em máquinas variadas que se utilizam do mesmo tipo de rolamento que os sinais componentes do universo de treinamento. No entanto, sendo as frequências características de falhas dependentes do número de esferas de cada rolamento, a generalização para modelos diferentes desta de rolamento apresenta um resultado inferior aos demais, mesmo para redes com maior número de neurônios. Ainda, deve ser observado que a metodologia foi avaliada com diversas situações de carga e de alimentação do enrolamento de estator.

2) Aplicação em Campo: A segunda abordagem do trabalho foi baseada no levantamento de dados em um ambiente industrial. Esta aplicação diferencia-se da aplicação em laboratório, pois não se utiliza das placas de condicionamento e placa de aquisição de dados. Esta etapa das aquisições de dados é feita por um osciloscópio. Para tal foi utilizado um osciloscópio digital com ponteiras de tensão e corrente em máquinas previamente diagnosticadas com falhas. Num segundo instante, as correntes e as tensões dos motores foram medidas após seu retorno da manutenção.

As aquisições em campo foram realizadas na unidade industrial da empresa Destilaria Americana S.A (DASA) na cidade de Nova América da Colina - Pr. Esta empresa é do segmento sucroalcooleiro e sua unidade de beneficiamento conta com uma coluna de destilação para produção de etanol.

O processo de moenda é composto por diversos motores de indução trifásicos aplicados em variadas atividades como mostrado na Fig. 7.

(a)

(b)

(c)

(d)

Figura. 7. Processo de moenda de cana de açúcar na empresa DASA.

Dispondo de motores para movimentação das esteiras de transporte do produto base, movimentação de roletes de moenda e trituradores, bombas d’água de refrigeração e lavagem, motores para agitação do suco da cana e bombas de sucção de caldo para transporte entre processos e tonéis de descanso e fermentação. Alguns destes motores ficam expostos no processo ou são colocados sobre casas de máquinas de cada coluna, como é apresentado na Fig. 7(a), (b), (c) e (d).

Em uma primeira etapa, utilizando-se os métodos tradicionais de análise da vibração mecânica, foram identificadas falhas nos rolamentos das máquinas citadas na Tabela VII. Assim, foram coletados os sinais de tensão e de corrente das mesmas, ainda inseridas aos seus respectivos processos industriais. Deve ser ressaltado que estas máquinas estão conectados diretamente à rede de alimentação sem modulação de sinais por inversores de frequência.

TABELA VII. MOTORES DAS AQUISIÇÕES DE DADOS.

Motor Pot Aplicação Rolamento (dianteiro)

Rolamento (traseiro)

WEG 12,5 HP Embebição 1º terno 6308-ZZ 6307-ZZ WEG 7,5 HP Embebição 2º terno 6308-ZZ 6306-ZZ WEG 1 CV Bancada 6304-ZZ 6303-ZZ O conjunto de dados foi complementado ainda por um

motor de indução de 1 CV sem falhas, montado na bancada de testes do laboratório. A finalidade desta coleta objetiva a integração de sinais a fim de incrementar o universo de amostras com motores diferenciados e de potências variadas. Sendo estes dados apenas em condições normais de operação e sem falhas de rolamento, têm-se sinais com baixa distorção harmônica no laboratório.

A metodologia aplicada para identificação das falhas consiste na análise de vibração mecânica. Neste procedimento são acoplados os sensores de vibração a pontos diferentes da máquina sendo a leitura realizada em um aparelho específico. Para esta metodologia são necessários a determinação das características de cada motor bem como o tipo de rolamento utilizado por ele. Desta forma, é possível determinar o grau de

deterioração dos rolamentos analisando uma faixa admissível de oscilação de sinal.

Uma vez identificada a falha de rolamento no motor, atingindo valores fora do padrão estabelecido para a máquina, foram coletados os sinais de alimentação da mesma e posteriormente estas máquinas foram retiradas dos processos. Nestas aquisições em campo utilizou-se um osciloscópio digital de quatro canais isolados marca Tektronix® modelo TPS 2014. Este aparelho dispõe de uma bateria recarregável que permite autonomia para diversas medições. Outro fato apresentado por este modelo vêm da capacidade de armazenamento do sinal amostrado, como uma planilha de dados, em uma unidade removível de memória do tipo Compact Flash (CF).

Os sinais são obtidos em cada canal isolado do osciloscópio, sendo as medidas subsequentes umas das outras. Primeiro mede-se três grandezas de mesma natureza por canal e posteriormente as outras de forma sequencial. Para medir as tensões de fase do processo de alimentação da máquina são utilizadas ponteiras com atenuação de 100 vezes. Já para as aquisições de corrente foram utilizadas as ponteiras de aquisição do modelo A622.

A capacidade de armazenamento deste equipamento de análise é de 2.500 pontos por sinal adquirido. A taxa de amostragem é proporcional ao sinal visualizado em tela. Convencionalmente, para esta aplicação, foi estipulado um padrão de ajuste do osciloscópio em escala horizontal de 10 ms/div em que cada sinal de tensão ou corrente em 60 Hz fica representado em 12 semi-ciclos com 208 pontos cada. A escala vertical fica sujeita a amplitude do sinal medido e este dependente da potência da máquina em questão.

Uma vez realizada a manutenção corretiva dos equipamentos, que se tratou da substituição dos rolamentos defeituosos e limpeza da máquina, estes foram novamente postos em operação no seu processo de origem. Submetidos a nova avaliação de análise de vibração mecânica não foram constatados problemas de rolamento, e assim uma nova coleta de dados foi realizada, admitindo que estes sinais são de máquinas em condições normais de operação. Neste caso, considerando que as máquinas operavam com cargas constantes nos eixos e sem problemas de qualidade de energia a metodologia proposta obteve 100% de acerto nos motores inspecionados na indústria.

C. Sistema Embarcado Um sistema embarcado combina as funções de hardware

com as atribuições do software, sendo programado para realizar tarefas predefinidas e com requisitos específicos [25]. Estes sistemas estão presentes em muitas aplicações microprocessadas e microcontroladas. Assim, dentre os objetivos do trabalho está a implementação da RNA num processador digital para identificar as falhas em rolamentos com medidas de tensões e de correntes trifásicas.

Os sistemas embarcados utilizam tecnologia de hardware reprogramáveis que permite emulação e prototipação, onde o hardware pode ser reconfigurado pela utilização de ferramentas de síntese. Cada qual apresenta uma característica que determina uma gama de aplicabilidade.

Conforme mostrado no diagrama esquemático da Fig. 8, baseia-se na estrutura algorítmica apresentada para o

processamento em software Matlab® que foi embarcado no kit DSP para o processamento da informação, fazendo a junção com o sistema de aquisição das placas de condicionamento.

Figura. 8. Fluxo de informação para processamento dos dados pelo DSP.

A aplicação da proposta deste trabalho utiliza a família do Processador Digital de Sinais, DSP TMDSXPRE28335 da Texas Instruments®. Este microcontrolador trabalha com 32 bits e apresenta periféricos integrados que facilitam a sua prototipação, citando os conversores A/D, além de uma robustez para aplicação em ambientes industriais e versatilidade para adequações e alterações. Contando ainda com bom desempenho e memória suficiente para o embarque de uma RNA já treinada e seu processamento de informações com as tabelas e valores utilizados como função de ativação.

A estrutura de um pseudo código utilizado para implementação no DSP é demonstrada pela Fig. 9 que, visa o processamento e classificação sem a necessidade de treinamento da RNA.

Utilizando-se a programação em Linguagem C foi desenvolvida uma rotina de importação dos dados pelo seus conversores A/D, assim como a rotina de tratamento dos dados e a estrutura neural artificial já validada.

Figura. 9. Pseudo código de processamento do sinal pelo DSP.

Deve ser observado que os conversores A/D são limitados a uma variação de tensão de entrada de 0V a 3,3V, sendo, portanto, necessário o condicionamento do sinal de entrada como é proposto para a aplicação em laboratório dos sinais que são submetidos à DAQ. Este condicionador, mostrado na Fig. 10 aplica um offset a entrada, garantindo que o mesmo não apresente valores negativos e estabelecendo ainda um valor máximo de 3,3V para o sinal que é transmitido ao A/D.

Figura. 10. Protótipo do sistema embarcado em DSP.

A avaliação prática do DSP foi realizada em laboratório onde o dispositivo permaneceu monitorando o motor que estava ligado na bancada de testes. Após treinada a RNA utilizando-se do software Matlab® com os sinais medidos pela DAQ, os valores dos pesos sinápticos foram incluídos ao algoritmo em forma de vetores por camadas.

Inseridos ao processamento anteriormente relatado, esta plataforma foi utilizada no monitoramento de 4 motores de 1 CV, sendo 2 motores com falhas e 2 sem falhas. As falhas abordadas nesta validação foram as de pista externa distribuída e de esfera, das quais o sistema classificou corretamente o sinal. Nesta abordagem de validação, os motores estavam ligados à bancada, mas não foram submetidos a variações de carga. O sistema classificou de forma correta os 4 motores avaliados.

IV. CONCLUSÕES Este trabalho propôs um método alternativo aos tradicionais

para detecção de falhas em rolamentos de motores de indução trifásicos ligados diretamente à rede elétrica utilizando as amplitudes das grandezas de tensão e corrente elétrica tratadas no domínio do tempo, sem a necessidade de manipulação e transformações dos sinais. Assim, os objetivos propostos foram atingidos uma vez que foi apresentada a abordagem neural capaz de classificar a existência de falha de rolamento, analisando para isto, uma amostragem de semi-ciclo das tensões de alimentação e das correntes de estator dos MIT. No método proposto não foi necessária a determinação das características do motor nem o tipo de rolamento empregado.

Desta consideração e do conhecimento da capacidade da rede neural com os dados adquiridos em laboratório, foi possível estabelecer uma topologia de RNA capaz de interpretar melhor os sinais utilizados como entrada. Esta abordagem obteve resultados satisfatórios com mais de 99% de acerto para a validação cruzada e cerca de 97% para validação com dados adquiridos de máquinas não utilizadas nos processos de treinamento. Fica demonstrada a capacidade de generalização do sistema e ressalta-se que esta rotina de

predição, assim como a apresentada na aplicação em campo, utiliza-se de motores de diferentes potências e em diversos regimes de operação.

De forma complementar o trabalho foi apresentado também o desenvolvimento de um dispositivo de monitoramento online de falhas. A topologia de rede neural, testada e validada em laboratório, foi embarcada em um DSP, o qual utilizou uma taxa de amostragem semelhante à dos dados de treinamento. A ferramenta foi testada na bancada de testes do laboratório e classificou corretamente a existência ou não de falhas em quatro máquinas distintas.

A capacidade de operar com os sinais no domínio do tempo, garante ao processamento uma menor necessidade computacional, não havendo a necessidade de utilização de transformações matemáticas complexas inerentes de uma análise de sinais no domínio da frequência. Por meio de uma estrutura de hardware e software enxuta, a aplicação desta solução permite ser incorporada facilmente como ferramenta ao meio industrial. Sua habilidade de generalização de respostas garante a aplicabilidade não somente como método auxiliar, mas assumindo as principais funções de análise no papel da manutenção preventiva e no monitoramento online.

Assim, tem-se a aplicabilidade da metodologia no ambiente industrial para a detecção das falhas em rolamentos de motores de indução trifásicos de forma online com sensores de tensão e corrente.

AGRADECIMENTOS Os autores agradecem o suporte financeiro recebido pelo

CNPq (Processos 474290/2008-5, 473576/2011-2, 552269/2011-5), da Fundação Araucária (Processo 06/56093-3) e a Bolsa DS-CAPES. Os autores também agradecem a empresa DASA pela oportunidade de realização dos testes em campo da metodologia proposta.

REFERÊNCIAS [1] T. H. dos Santos, A. Goedtel, S. A. O. da Silva, M. Suetake, “Scalar

control of an induction motor using a neural sensorless technique”, Electric Power Systems Research, vol. 108, pp. 322– 330, 2014.

[2] P. Konar, P. Chattopadhyay, “Bearing fault detection of induction motor using wavelet and Support Vector Machines”, Applied Soft Computing, vol. 11, no. 6 pp. 4203–4211, 2011.

[3] D. Bayram, S. Seker, “Wavelet based Neuro-Detector for low frequencies of vibration signals in electric motors”, Applied Soft Computing, vol. 13, pp. 2683–2691, 2013.

[4] A. Bellini, F. Filippetti, C. Tassoni, G. A. Capolino, “Advances in diagnostic techniques for induction machines”, IEEE Transactions on Industrial Eletronics, vol. 55, no. 12, pp. 4109–4126, 2008.

[5] X. Jin, M. Zhao, T. W. S. Chow, M. Pecht, “Motor Bearing Fault Diagnosis Using Trace Ratio Linear Discriminant Analysis”, IEEE Transcations on Industrial Electronics, vol. 61, no. 5, pp. 2441–2451, 2014.

[6] S. Wang, J. Yu, E. Lapira, J. Lee, “A modified support vector data description based novelty detection approach for machinery componentes”, Applied Soft Computing , vol. 13, pp. 193–1205, 2013.

[7] Y. Zhou, J. Chen, G. M. Dong, W. B. Xiao, Z. Y. Wang, “Application of the horizontal slice of cyclic bispectrum in rolling element bearings diagnoses”, Mechanical Systems and Signal Processing, vol. 26, pp. 229–243, 2012.

[8] W. S. Gongora, H. V. D. Silva, A. Goedtel, W. F. Godoy, S. A. O. Silva, “Neural Approach for Bearing Fault Detection in Three Phase Induction Motors”, Proceecidings of IEEE 9th International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives, (SDEMPED 2013), Valencia-Espanha pp. 594-600, 2013.

[9] E. Germen, M. Basaran, M. Fidan, “Sound based induction motor fault diagnosis using Kohonen sel-organizing map”, Mechanical Systems and Signal Processing, vol. 46, pp. 45–58, 2014.

[10] A. M. D. Younus, B. Yang, “Intelligent fault diagnosis of rotating machinery using infrared thermal image”, Expert Systems with Applications, vol. 39, no. 2, pp. 2082–2091, 2012.

[11] V. T. Tran, B. Yang, F. Gu, A. Ball, “Thermal image enhancement using bi-dimensional empirical mode decomposition in combination with relevance vector machine for rotating machinery fault diagnosis”, Mechanical Systems and Signal Processing, vol. 38, no. 2, pp. 601–614, 2013.

[12] A. G. Garcia-Ramireza, L. A. Morales-Hernandeza, R. A. Osornio-Riosa, J. P. Benitez-Rangela, A. Garcia-Perezb, R. J. Romero-Troncosob, “Fault detection in induction motors and the impact on the kinematicchain through thermographic analysis”, Electric Power Systems Research, vol. 114, pp. 1–9, 2014.

[13] F. Immovilli, A. Bellini, R. Rubini, C. Tassoni, “Diagnosis of bearing faults in induction machines by vibration or current signals: A critical comparison”, IEEE Transactions on Industry Applications, vol. 46 no. 4, pp. 1350–1359, 2010.

[14] M. Seera, C. P. Lim, D. Ishak, H. Singh, “Fault detection and diagnosis of induction motors using motor current signature analysis and a hybrid FMM-CART model”, IEEE Transactions on Neural Networks and Learning Systems, vol. 23, no. 1, pp. 97–108, 2012.

[15] M. Suetake, “Sistemas inteligentes para monitoramento e diagnósticos de falhas em motores de indução trifásicos” (Tese de Doutorado), Universidade de São Paulo, São Carlos, 2012 (em português).

[16] S. Zouzou, W. Laala, S. Guedidi, M. Sahraoui, “A fuzzy logic approach for the diagnosis of rotor faults in squirrel cage induction motors”, Third International Conference on Computer and Electrical Engineering (ICCEE 2009) Lahore-Paquistan pp. 173–177, 2009.

[17] N. R. Sakthivel, V. Sugumaran, B. B. Nair, “Automatic rule learning using roughset for fuzzy classifier in fault categorization of mono-block centrifugal pump”, Applied Soft Computing, vol. 12, pp. 196–203, 2012.

[18] J. Yu, “A hybrid feature selection scheme and self-organizing map model for machine health assessment”, Applied Soft Computing, vol. 11, pp. 4041–4054, 2011.

[19] F. Immovilli, C. Bianchini, M. Cocconcelli, A. Bellini, R. Rubini,” Bearing fault model for induction motor with externally induced vibration”, IEEE Transactions on Industrial Electronics, vol. 60, no. 8, pp. 3408–3418, 2013.

[20] M. Blodt, P. Granjon, B. Raison, G. “Rostaing, Models for bearing damage detection in induction motors using stator current monitoring”, IEEE Transactions on Industrial Electronics, vol. 55, no. 4, pp. 1813–1822, 2008.

[21] D. Siegel, H. Al-Atat, V. Shauche, L. Liao, J. Snyder, J. Lee, “Novel method for rolling element bearing health assessment – A tachometer-less synchronously averaged envelope feature extraction technique”, Mechanical Systems and Signal Processing, vol. 29, pp. 362–376, 2012.

[22] C. F. Nascimento, A. A. Oliveira Jr., A. Goedtel; P. J. A. Serni, “Harmonic identification using parallel neural networks in single-phase systems”, Applied Soft Computing, vol. 11, no. 2, 2178–2185, 2011.

[23] R. H. C. Palacios, I. N da Silva, A. Goedtel, W. F. Godoy, M. Oleskovicz, “A Robust Neural Method to Estimate Torque in Three-Phase Induction Motor”, Journal of Control, Automation and Electrical Systems, vol. 25, pp. 1–10, 2014.

[24] S. Haykin, Neural networks and learning systems, Pearson Education, 3ª Edição, 2009.

[25] M. Barr, Programming Embedded Systems in C and C++. Sebastopol, CA-USA:O’Reilly & Associates, 1999.

Wylliam Salviano Gongora, nascido em Cascavel - PR é engenheiro de controle e automação (2008) pela Faculdade Assis Gurgacz (FAG), mestre em engenharia elétrica (2012) pela Universidade Tecnológica Federal do Paraná (UTFPR-CP). Doutorando em Engenharia Elétrica pela Escola de Engenharia de São Carlos (EESC) da Universidade Estadual

Paulista (USP) atualmente é professor do Departamento de Controle de Processos Industriais do Instituto Federal do Paraná em Assis Chateaubriand - PR (IFPR). Suas áreas de interesse são: sistemas inteligentes, redes neurais artificiais e máquinas elétricas.

Alessandro Goedtel, nascido em 12/02/1972 em Arroio do Meio-RS, é engenheiro eletricista (1996) pela Universidade Federal do Rio Grande do Sul (UFRGS-DEE); mestre em engenharia industrial (2003) pela Universidade Estadual Paulista (UNESP-FEB) e doutor em engenharia elétrica (2007) pela Escola de Engenharia de São Carlos (EESC) da Universidade de São Paulo (USP). Atualmente é professor do

Departamento de Engenharia Elétrica da Universidade Tecnológica Federal do Paraná (UTFPR-CP). Suas áreas de interesse são: acionamento de máquinas, sistemas inteligentes e ensino de Engenharia Elétrica. É membro da SBA e do IEEE.

Sérgio Augusto Oliveira da Silva, nascido em 07/07/1964 em Joaquim Távora-PR, é engenheiro eletricista (1987) e mestre em engenharia elétrica (1989) pela Universidade Federal de Santa Catarina (UFSC); e doutor em engenharia elétrica (2001) pela Universidade Federal de Minas Gerais (UFMG). Atualmente é professor do Departamento de Engenharia

Elétrica da Universidade Tecnológica Federal do Paraná, Campus Cornélio Procópio (UTFPR-CP). Suas áreas de interesse são: filtros ativos de potência, sistemas de energia ininterrupta (UPS), sistemas de controle empregando com DSP, qualidade da energia elétrica e energias renováveis. É membro da SOBRAEP e do IEEE.

Clayton Luiz Graciola, nascido em 03/08/1989 em Cornélio Procópio - PR é engenheiro eletricista (2013) pela Universidade Tecnológica Federal do Paraná - Campus Cornélio Procópio (UTFPR-CP). Atualmente é mestrando no Programa de Pós-Graduação em Engenharia Elétrica (PPGEE) pela Universidade Tecnológica Federal do Paraná - Campus

Cornélio Procópio (UTFPR-CP). Suas áreas de interesse são: sistemas inteligentes, redes neurais artificiais, máquinas elétricas.