São Paulo — InkDesign News —
A pesquisa recente liderada por Dr. Wentao Huang apresenta um avanço significativo na aplicação de machine learning e inteligência artificial (AI) em sistemas de diagnóstico para motores elétricos, focando especificamente na severidade de curtos-circuitos internos.
Contexto da pesquisa
Os métodos convencionais de diagnóstico em motores síncronos de ímã permanente em cinco fases (PMSM) têm sido insuficientes para avaliar a gravidade de curtos-circuitos entre as espiras. A incapacidade de identificar corretamente esses parâmetros complexos resulta em riscos significativos, como a desmagnetização irreversible dos ímãs do motor.
Método proposto
A nova abordagem combina um rastreador em tempo real, que diagnostica falhas, e um analisador de AI, que processa sinais para quantificar danos enquanto estima parâmetros de curto-circuito. Utilizando um observador de estado estendido (ESO) e uma rede neural convolucional (CNN), essa metodologia permite um isolamento eficaz da relação de curtos-circuitos das espiras em relação à resistência de falhas.
“A capacidade de isolar a relação de curtos-circuitos das espiras de outros parâmetros de falha é um marco importante para o diagnóstico de falhas”
(“The ability to isolate short-circuit turn ratio from fault resistance is a key milestone in fault diagnostics.”)— Dr. Wentao Huang, Líder de Pesquisa, Universidade de Jiangnan
Resultados e impacto
Os resultados demonstram que a nova metodologia permite uma avaliação em tempo real da gravidade dos curtos-circuitos, facilitando a implementação de medidas de proteção direcionadas. Além disso, a técnica promete reduzir custos de manutenção e prevenir incêndios elétricos em veículos elétricos. A pesquisa foi publicada na revista CES Transactions on Electrical Machines and Systems.
As métricas de desempenho relacionadas ao novo modelo incluem melhorias significativas na capacidade de resposta e na precisão do diagnóstico, com um foco em datasets que refletem condições operacionais reais. O uso da transformação rápida de Fourier (FFT) no processamento de dados também contribui para extrair e normalizar amplitudes de indicadores de falha.
As aplicações futuras incluem motores com capacidades de auto-proteção que podem automaticamente reduzir a potência durante a detecção de falhas, integrando-se a redes de fábrica para monitoramento de saúde em tempo real. Essa tecnologia pode ser adaptada para infraestrutura crítica, como turbinas eólicas, e sistemas de propulsão elétrica na aviação, mitigando riscos durante operações intensas.
Fonte: (TechXplore – Machine Learning & AI)
