Detecção de motor com fuga à terra em sistemas de baixa tensão de neutro aterrado com resistor de alto valor utilizando aprendizado máquina

Abstract

RESUMO: O presente trabalho apresenta técnicas de reconhecimento de padrões utilizados na identificação de falhas em equipamentos elétricos de processos industriais. Foi utilizado um conjunto de dados obtido por meio de medição de correntes residuais, ou correntes de sequência zero, em equipamentos trifásicos presentes em Centros de Controle de Motores (CCMs) nas condições normais de operação e na condição de falha por fuga à terra. O sistema elétrico onde foram coletados estes dados possui a configuração de aterramento do neutro por meio de resistor de alto valor ôhmico, que limita as correntes de fuga à terra dificultando a identificação dos equipamentos que apresentam este tipo de defeito. Como o sistema não possui ferramentas para diagnóstico automático, as falhas foram identificadas ao longo de treze meses pelo time da manutenção da fábrica, realizando medições de corrente residual de carga por carga associada a parada dos equipamentos e medição da resistência de isolação em referência à terra para constatação do defeito. Para análise das falhas, foram utilizados como descritores os sinais brutos, os sinais tratados por meio de dados estatísticos no domínio do tempo e no domínio tempo-frequência. Os modelos utilizados como treinamento foram os algoritmos k vizinho mais próximo, árvore de decisão, floresta aleatória, máquinas de vetores de suporte e redes neurais convolucionais. Diversos testes foram realizados utilizando todo o conjunto de dados com objetivo de verificar o desempenho dos treinamentos em busca dos melhores classificadores. Os resultados demonstram a eficiência de todas as técnicas, bem como as vantagens de se implementar um sistema de diagnóstico para identificar problemas e manter a disponibilidade/confiabilidade dos equipamentos, aumentando a segurança das pessoas e dos processos nestas instalações.

ABSTRACT: The present work presents pattern recognition techniques used in the identification of failures in industrial process electrical equipment. A set of data obtained by measuring residual currents, or zero-sequence currents, in three-phase equipment present in Motor Control Centers (MCCs) in normal operating conditions and in the condition of fault due to earth leakage was used. The electrical system where these data were collected has a neutral grounding configuration by means of a high ohmic resistor, which limits the leakage currents to earth, making it difficult to identify the equipment that has this type of defect. As the system does not have automatic diagnostic tools, failures were identified over thirteen months by the factory maintenance team, performing load residual current measurements per load associated with equipment stoppage and insulation resistance measurement in reference to ground for verification of the defect. For failure analysis, raw signals, signals treated by statistical data in the time domain and in the time-frequency domain were used as descriptors. The models used as training were the k nearest neighbor algorithms, decision tree, random forest, support vector machines and convolutional neural networks. Several tests were carried out using the entire dataset in order to verify the performance of training in search of the best classifiers. The results demonstrate the efficiency of all techniques, as well as the advantages of implementing a diagnostic system to identify problems and maintain equipment availability/reliability, increasing the safety of people and processes in these facilities.