Desenvolvimento de gêmeos digitais para o estudo de falhas em motores de indução trifásicos usando o método de elementos finitos

Abstract

Os motores de indução são essenciais para o funcionamento dos processos fabris. Assim, é fundamental seu monitoramento e o diagnóstico de falhas para evitar paradas inesperadas e prejuízos. Nesse cenário, o uso de algoritmos inteligentes tem se destacado. No entanto, o uso desses métodos demanda bancos de dados com sinais de motores danificados, o que é complexo. Nesse contexto, esta Tese de doutorado apresenta o desenvolvimento e a simulação de gêmeos digitais de motores comerciais saudáveis e com falhas por meio do método de elementos finitos. Os gêmeos digitais, são modelos 2D e 3D complexos e detalhados que levam em consideração: dados, características e dimensões de reais dos motores; modelos completos, sem divisões em eixos de simetria; a influência da temperatura em seus componentes; a inclinação das barras do rotor; o transiente mecânico do motor; os efeitos das cabeças de bobinas dos enrolamentos do estator e os anéis de curto-circuito; condições de contorno em que os campos só se anulam em pontos distantes do estator; o cálculo das perdas no núcleo. Esses gêmeos digitais são validados por meio da comparação com sinais medidos em motores reais. Adicionalmente, foram realizadas no processo de validação a análise da assinatura da corrente usando FFT e a análise dos efeitos do aumento da severidade da falha na densidade de fluxo magnético para as diferentes condições de operação. Um estudo comparativo entre modelos 2D e 3D de máquinas com defeitos de barras quebradas no rotor é realizado. É criado um banco de dados com sinais de simulação computacional de gêmeos digitais que operam em variados níveis de torque de carga e com diferentes severidades de falha. Posteriormente, realizou-se um estudo de diversas estruturas de redes neurais artificiais do tipo Perceptron Multicamadas treinadas e validadas com sinais de corrente dos gêmeos digitais simulados. Por fim, sinais experimentais inéditos de motores comerciais são apresentados a essas redes, que são capazes de diagnosticar falhas de rotor nessas máquinas reais, conhecendo exclusivamente sinais de simulação dos gêmeos digitais.

Abstract: Induction motors are essential for the operation of manufacturing processes, so their monitoring and fault diagnosis is essential to avoid unexpected stops and financial losses. In this scenario, the use of intelligent algorithms stands out. However, the use of these methods demands databases with faulty motor signals, which is complex. In this context, this PhD Thesis presents the development and simulation of digital twins of healthy and faulty commercial motors using the finite element method. The digital twins are complex and detailed 2D and 3D models that take into account: data, characteristics and real dimensions of the motors; complete models, without divisions into symmetry axes; the influence of temperature on its components; the skew of the rotor bars; the mechanical transient of the motor; the effects of stator winding coil heads and short circuit rings; boundary conditions in which the magnetic fields only vanish at points far from the stator; and the calculation of core losses. These digital twins are validated by comparing them to signals measured in real motors. Additionally, the analysis of the current signature using FFT, and the analysis of the effects of increasing the severity of the fault on the magnetic flux density for different operating conditions were performed in the validation process. A comparative study between 2D and 3D models of machines with broken rotor fault is carried out. A database is created with computer simulation signals from digital twins that operate at different load torque levels and with different faulty severities. Subsequently, a study was carried out on several structures of artificial neural networks of the Multilayer Perceptron type trained and validated with current signals from the simulated digital twins. Finally, unpublished experimental signals from commercial motors are presented to these networks, which are capable of diagnosing rotor faults in these real machines, exclusively knowing simulation signals from the digital twins.