Uso de inteligência artificial para eficiência energética e manutenção preditiva de motores


A inteligência artificial (IA) pode monitorar o rendimento dos motores de forma não intrusiva. Isto auxilia no planejamento e ações para melhorar a eficiência energética dos motores. Os motores elétricos são responsáveis por 30% do uso global de energia (FERNANDES, 2016). No Brasil, a indústria consume 35,8% do consumo total de energia (Empresa de Pesquisa Energética, 2018). Considerando que, a energia elétrica é uma das principais despesas das fábricas, o monitoramento e busca de soluções de eficiência energética, reduzem os custos operacionais. Ainda, a IA é uma poderosa ferramenta para predizer falhas dos motores elétricos, possibilitando o aumento da disponibilidade da linha de produção e otimização dos recursos instalados.

Perdas em motores de indução

O superdimensionamento dos motores é uma realidade nos projetos de engenharia, com argumento que isto eleva a confiabilidade. Na prática, temos uma capacidade de trabalho superior à carga necessidade. O ideal é que a equipe de manutenção verifique, continuamente, se a carga acoplada ao eixo é apropriada para a aplicação.

Com o uso os motores se deterioram, sendo necessárias ações de retrofit ou substituição dos equipamentos. Encontrar o momento ideal para realizar a operação de troca ou retrofit do motor é um desafio, pois é necessário parar a linha de produção para as análises. Dependendo do nível de produção da fábrica é difícil encontrar uma janela de tempo necessária para as análises.

As principais perdas que encontramos nos motores são às perdas Joule no estator, perdas Joule no rotor, perdas Joule no ferro, perdas por dispersão e perdas por ventilação e atrito.

Pontos importantes para a escolha de um motor

Para evitar perdas é importante avaliar as características técnicas dos motores, como: quantidade de cobre do estator, otimização das ranhuras, dimensionamento das barras do rotor, intensidade do campo magnético, qualidade das chapas magnéticas para reduzir as perdas no ferro e a corrente de magnetização, qualidade e emprego dos rolamentos, projeto dos ventiladores para redução de perdas por atrito e ventilação, regularidade entreferro, qualidade do isolamento e tratamento térmico das chapas do estator e do rotor para a redução das perdas por dispersão. Os motores de alta rendimento podem reduzir em até 30% as perdas de energia (YAMACHITA, 2013).

Estas recomendações são aplicáveis a motores de qualquer porte, mesmo para motores com potência inferior a 10 cv. Os motores de pequeno porte são mais numerosos na indústria e, embora, a redução unitária possa ser desconsiderada, a soma de todas as unidades pode trazer uma economia significativa.

Medição de perdas em motores elétricos e manutenção preventiva

A norma IEEE std 112  (IEEE, 2004), apresenta instruções para conduzir e relatar os testes mais geralmente aplicáveis ​​e aceitáveis ​​são cobertas para determinar o desempenho e as características dos motores e geradores de polifásicos.

A IEC 60034-2-1:2016 para máquinas elétricas rotativas, contém métodos padrão para determinar perdas e eficiência de ensaios (excluindo máquinas para veículos de tração). A norma IEC 60034-2-2 Ed. 1.0b para máquinas elétricas rotativas, contém métodos específicos para determinar perdas separadas de máquinas grandes a partir de testes, complementando à IEC 60034-2-1A.

A termografia infravermelha é uma opção para o cálculo de perdas por aquecimento no motor, uma vez que é possível medir a temperatura de forma não intrusiva, de modo que não é necessário a paralisação da linha de produção para as análises.

Com dados termográficos, de vibração, de tensão e corrente podemos fazer análises preditivas de falhas dos motores elétricos. O monitoramento destas variáveis permite o acompanhamento de desempenho, a partir de comparações dos dados das variáveis, e tomando ações para evitar ou mitigar falhas críticas nos motores.

As medições de quatro variáveis (temperatura, vibração, tensão e corrente) são importantes para desenvolver processos eficientes de manutenção preventiva e monitorar o desempenhos dos motores elétricos, geram vários benefícios: otimização do uso de energia, aumenta a disponibilidade da linha de produção, reduz custos de manutenção, racionaliza a compra e estoques de peças, permite rever contratos de manutenção externos, entre outros.

Uso de Inteligência artificial na análise de falhas e rendimento de motores

Os fatores que afetam o comportamento dos motores elétricos são de origem elétrica e magnética. As principais falhas de motores elétricos são: rolamento, enrolamento, eixo, dispositivo externo, escovas ou anéis e rotor. Os principais iniciadores de falhas são: quebra mecânica, superaquecimento, quebra de isolamento, falhas elétricas, sobretensão transitória e motor parado. Os mais importantes contribuidores para as falhas são: deterioração normal pelo tempo, alta vibração, pouca lubrificação, umidade anormal, sobrecarga persistente, produtos químicos agressivos, pouca ventilação, alta temperatura ambiente, tensão anormal e frequência anormal  (LEME, 2017).

A experiência mostra que uma falha crítica é uma consequência de várias outras em menor escala, comparando com a situação ideal de funcionamento de algum equipamento ou processo.

Monitorando variáveis independentes relevantes, que chamamos em inteligência artificial de features, podemos prever a ocorrência de uma falha crítica.

O termo “inteligência artificial” refere-se a um conjunto de algoritmos executados por programas de computador, escritas em diferentes linguagens, que realizam funções que se imaginava serem aptidões únicas dos seres humanos, como reconhecer figuras, fotos, linguagem escrita ou falada, aprender e identificar padrões de comportamento, entre outras.

O aprendizado de máquina pode ser supervisionado, não supervisionado e por reforço. O aprendizado supervisionado é utilizado quando conhecemos as variáveis independentes e possuímos um conjunto de dados suficiente para o treinamento e testes do modelo. O aprendizado não supervisionado é utilizado quando temos que descobrir relacionamentos implícitos nos dados. O aprendizado por reforço fica entre os dois extremos, onde existe uma forma de feedback disponível para cada etapa ou ação preditiva, mas sem uma identificação precisa do dado ou mensagens de erro.

Para análises preditivas e de rendimento de motores utilizamos o aprendizado supervisionado. Segue alguns modelos de aprendizado supervisionado:

  1. Árvores de decisão: suporte à decisão que usa um gráfico ou modelo de decisão semelhante a uma árvore e suas possíveis consequências, incluindo resultados de eventos aleatórios, custos de recursos e utilidade;
  2. Classificação de Naive Bayes: família de classificadores probabilísticos simples, baseados na aplicação do teorema de Bayes com fortes (ingênuos) pressupostos de independência entre os recursos;
  3. Regressão dos mínimos quadrados ordinários: método para executar uma regressão linear usando mínimos quadrados. Em estatística, regressão linear é uma equação para se estimar a condicional (valor esperado) de uma variável y, dados os valores de algumas outras variáveis x.
  4. Regressão logística: técnica estatística que tem como objetivo produzir, a partir de um conjunto de observações, um modelo que permita a predição de valores tomados por uma variável categórica, frequentemente binária, a partir de uma série de variáveis explicativas contínuas e/ou binárias.
  5. Máquina de vetores de suporte (SVM – Support vector machine): padrão toma como entrada um conjunto de dados e prediz, para cada entrada dada, qual de duas possíveis classes a entrada faz parte, o que faz do SVM um classificador linear binário não probabilístico.
  6. Métodos Ensemble: técnica de aprendizado de máquina que combina o resultado de múltiplos modelos em busca de produzir um melhor modelo preditivo. Existem vários algoritmos pré-fixados de classificadores ensemble, tais como: bagging, boosting, bayesian averaging, entre outros. No entanto, é livre a escolha dos modelos preditivos base e a maneira que estes resultados serão combinados.
  7. Redes Neurais Artificiais Multicamadas: técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da observação e da experiência.

Conclusão

A monitoração de parâmetros elétricos e mecânicos dos motores elétricos é importante para análises preditivas de falhas e análises de rendimento para aumentar a disponibilidade das linhas de produção, aplicado as melhores práticas de manutenção preditiva, e de eficiência energética. Os benefícios são amplos, destacando-se a redução de custos pela otimização dos recursos disponíveis.

Referências

Empresa de Pesquisa Energética. (2018). Anuário Estatístico de Energia Elétrica 2018 ano base 2017. Fonte: EPE: http://www.epe.gov.br/sites-pt/publicacoes-dados-abertos/publicacoes/PublicacoesArquivos/publicacao-160/topico-168/Anuario2018vf.pdf

FERNANDES, C. F. (2016). Determinação das perdas suplementares e do rendimento do motor de indução trifásico com base na norma IEC 60034-2-1. Fonte: Repositório Científico do Instituto Politécnico do Porto: https://recipp.ipp.pt/handle/10400.22/9877

IEEE. (2004). IEEE Standard Test Procedure for Polyphase Induction Motors and Generators. Fonte: IEEE: https://engineering.purdue.edu/~dionysis/EE452/Lab12/IEEEstd_112.pdf

LEME, M. O. (2017). Metodologia de manutenção preditiva para motores elétricos baseada em monitoramento de variáveis físicas e análise multicritério. Fonte: Universidade Tecnológica Federal do Paraná: http://repositorio.utfpr.edu.br/jspui/bitstream/1/2905/1/PG_PPGEP_D_Leme%2C%20Murilo%20Oliveira_2017.pdf

YAMACHITA, R. A. (12 de 2013). Determinação de perdas e rendimento em motores elétricos. Fonte: UNIFEI: https://saturno.unifei.edu.br/bim/0042986.pdf