detecc˘ao de falha em acoplamento el~ astico … · desse tipo de falha. o primeiro efeito da...

DETECCAO DE FALHA EM ACOPLAMENTO ELASTICO UTILIZANDOATRIBUTOS DE COMPLEXIDADE DO SINAL DE VIBRACAO

Geraldo Luis Bezerra Ramalho∗, Adriano Holanda Pereira∗, Jose Ciro dos Santos∗,Andre Pimentel Moreira∗, Pedro Pedrosa Reboucas Filho∗

∗Instituto Federal de Educacao, Ciencia e Tecnologia do CearaCampus Maracanau - Av. Parque Central s/n

Maracanau, Ceara, Brasil

Emails: [email protected], [email protected], [email protected],

[email protected], [email protected]

Abstract— The condition monitoring of industrial equipments is an important process to prevent failures andhazard. This paper proposes a approach for monitoring the operational condition of machines using the extractionof characteristics of a signal obtained with MEMS accelerometers. The data extracted from the decomposition ofthe vibration signal using Haar Transform and the fractal dimension are used to train a ELM neural network. Theresults of our experiments shows the proposed methodology can be applied to detect different machine conditionsand also identify coupling mechanical failures.

Keywords— condition monitoring, fault detection, MEMS accelerometers, ELM neural network.

Resumo— O monitoramento das condicoes de equipamentos industriais e um processo importante para aprevencao de falhas e acidentes. Este trabalho propoe uma abordagem para o monitoramento de condicoes ope-racionais de maquinas baseado na extracao de caracterısticas de um sinal de vibracao obtido com acelerometrosMEMS. Os dados extraıdos da decomposicao do sinal de vibracao, por Transformada Haar e atraves da dimensaofractal, sao utilizados para treinar uma rede neural ELM. Os resultados experimentais mostram que a metodo-logia proposta pode ser aplicada para detectar diferentes condicoes de maquina e tambem identificar falhas deacoplamento mecanico.

Palavras-chave— monitoramento de condicao, detecao de falhas, acelerometros MEMS, rede neural ELM

1 Introducao

Os acoplamentos mecanicos sao os elementos commaior empregabilidade na transmissao de movi-mento rotativo e conjugado. Por apresentar tole-rancia ao desalinhamento, suavizacao por torcaonas transicoes mecanicas, entre outras vantagens,os acoplamentos elasticos se notabilizam em apli-cacoes tipicamente industriais de tracao e variacaode velocidade.

Segundo Yokoyama et al. (2012), falhas deacoplamento sao frequentes e podem causar aci-dentes fatais. Alem disso, os autores sugerem quea folga de acoplamento e uma dos modos primariosdesse tipo de falha. O primeiro efeito da falha deacoplamento e a mudanca do padrao de vibracao.Se nenhuma acao for tomada, o que e comum emfuncao do nao monitoramento do equipamento,ocorre o aumento de ruıdo audıvel e uma redu-cao de significativa de desempenho. Antes que odesgaste atinja nıveis excessivos, uma interrupcaona operacao para que procedimentos de manuten-cao sejam executados ajuda a previnir acidentes,reduz a extensao dos danos e prolonga a vida utildo equipamento.

A analise espectral do sinal de vibracao doequipamento monitorado e uma metodologia departicular interesse porque e um metodo nao inva-sivo e exerce pouca ou nenhuma influencia sobre osistema monitorado. Em geral, emprega-se a ana-lise por Transformada de Fourier (TF) para obter

o espectro de frequencia de sinais de vibracao ob-tidos com transdutores de vibracao, em geral ace-lerometros piezeletricos fixados na maquina moni-torada. Falhas em maquinas rotativas geralmentecausam harmonicos que podem ser detectados pormeio de analise espectral. Por isso, alguns estudosrevelam particular interesse nessa area de pesquisa(Oliveira et al., 2013; Samaga and Vittal, 2012).

No ambito da analise de vibracao, senso-res MEMS (Microelectromechanical System) temsido aplicados no monitoramento de ventiladores(Chen et al., 2010) e de sistemas de transmissao deaerogeradores e na detecao de transientes em ma-quinas rotativas (Wang, Huang and Zhu, 2011).No trabalho de Maruthi and Vittal (2005) foramutilizados acelerometros MEMS em substituicaoaos tradicionais acelerometros piezeletricos no mo-nitoramento de falhas em motores monofasicos dotipo gaiola de esquilo. Os autores realizaram ana-lise espectral de falhas a partir do sinal do acelero-metro MEMS e atraves da assinatura de correntedo motor.

No trabalho de Hassan et al. (2013), os au-tores investigam diferentes aplicacoes nas quaissao empregadas redes neurais tanto no controlequanto no monitoramento de sistemas de poten-cia. Paiva et al. (2009) utilizaram a TransformadaWavelet (TW) na filtragem do sinal com o obje-tivo de detecao de falhas em sistemas dinamicos.No trabalho de Jiang and Liu (2011), foi inves-tigado o monitoramento de condicao de maquina

Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014

3924

atraves da extracao de caracterısticas que indicama deterioracao do equipamento. Li et al. (2010) eLi et al. (2011) obtiveram exito na detecao de fa-lhas em caixas de engrenagens utilizando wavelet.

Maquinas de aprendizagem e redes neuraistem sido bastante exploradas nesse tipo de apli-cacao. Konar and Chattopadhyay (2011) empre-garam o uso de extracao de caracterısticas do si-nal de vibracao baseado em transformada wavelet.A partir das decomposicoes wavelet foram extraı-das medidas e posteriormente essas medidas foramclassificadas utilizando uma maquina de vetor desuporte.Chakraborty et al. (2012) propuseram ummetodo de analise de falhas baseado em mapas decaracterısticas auto-organizaveis e funcoes de baseradial.

Neste artigo e apresentado um metodo de mo-nitoramento de condicao e detecao de falhas deacoplamento com base na extracao de caracterıs-ticas de um sinal de vibracao obtido com ace-lerometros MEMS. A extracao de caracterısticasemprega decomposicoes por transformada waveletHaar e dimensao fractal (Ramalho et al., 2012).Essas caracterısticas sao utilizadas para treinaruma maquina de aprendizagem extrema (ELM).Os resultados obtidos em ensaios mostram quedefeitos de rolamento, folgas de acoplamento oucurto circuito entre bobinas podem ser detectadose caracterizados com a metodologia proposta.

O presente trabalho esta organizado da ma-neira como segue. Na secao 2 e apresentada a me-todologia proposta para o monitoramento e iden-tificacao de falhas a partir da extracao de caracte-rısticas do sinal de vibracao obtidas com as decom-posicoes da transformada Haar e dimensao fractal.Na secao 3 e apresentada uma breve descricao dosensaios. Os resultados e discussoes sao apresen-tados na secao 4. As conclusoes e sugestoes detrabalhos futuros sao apresentadas na secao 5.

2 Detecao de falhas

O monitoramento da condicao de maquina e fun-damentado na aquisicao periodica do sinal de vi-bracao e a metodologia proposta e indicada nodiagrama da Figura 1. As caracterısticas extraı-das do sinal sao avaliadas por uma rede neuralpreviamente treinada para condicoes de falhas co-nhecidas. Quando uma possıvel falha e detetada,um alarme e emitido, e quando se fizer necessa-rio, seguido por um comando de desligamento doequipamento.

A metodologia de monitoramento por meiodo sinal de vibracao, obtido com acelerometrosMEMS, baseia-se na classificacao de descritoresdo grau de complexidade do sinal de vibracao deum equipamento conforme proposto por Ramalhoet al. (2012). Os descritores sao obtidos a partirde sinais de vibracao coletados com acelerometrosMEMS, utilizando-se o calculo da dimensao frac-

Figura 1: Metodologia para monitoramento decondicao e detecao da falha.

tal, da energia e da entropia dos primeiros nıveisde decomposicao wavelet do sinal.

2.1 Extracao de caracterısticas

Conforme proposto por Ramalho et al. (2012),uma transformada wavelet discreta e utilizadapara decompor do sinal de vibracao em nıveis dedetalhes visando a extracao dos atributos do sinal.Por sua vez, o sinal de vibracao apresenta um pa-drao estocastico bastante complexo, que pode serdescrito por medidas extraıdas das decomposicoeswavelet Haar do sinal (Ramalho et al., 2012; Ra-malho et al., 2013).

Em Ramalho et al. (2012) sao definidas medi-das para analise de sinais com o emprego de des-critores de complexidade extraıdos do sinal x, queaqui representa o sinal de vibracao obtido com umacelerometro MEMS discretizado a uma frequen-cia de amostragem fs durante um perıodo T . Osdescritores sao obtidos com os coeficientes de de-talhes dj das D decomposicoes j = 1, 2, · · · , D dosinal x utilizando a Transformada wavelet Haardiscreta (Mallat, 1999). Os atributos que descre-vem a condicao de operacao do equipamento mo-nitorado sao a energia En obtida a partir dos co-eficientes de detalhes dj do sinal, da medida daentropia Et do primeiro nıvel de detalhes d1 e adimensao fractal DF , definidos como

En =1

D

D∑i=1

dj [i]2, (1)

Et = −∑

p(d1) log p(d1) e (2)

DF = logNb/ logR, (3)

em que p(·) e uma funcao de densidade de pro-babilidade e Nb e o numero de caixas (boxes) δ-dimensionais de tamanho R necessarias para co-brir os elementos nao nulos do sinal. Para o casoparticular de um sinal unidimensional (δ = 1),as caixas sao representadas por segmentos de retanele contidos.

As medidas extraıdas das decomposicoes dosinal de vibracao formam um vetor de atributosde 3 dimensoes a = {a1, a2, a3}, em que a1 =En,


3925

a2 =Et e a3 =DF . Esse vetor de atributos consti-tui um descritor do padrao de vibracao para umadeterminada condicao do motor.

2.2 Classificacao das falhas

Neste trabalho e empregada uma maquina deaprendizagem extrema (ELM, do ingles ExtremeLearning Machine) (Huang et al., 2004) utili-zada na classificacao da condicao de maquina, vi-sando a detecao de falhas. A ELM e uma redeperceptron com apenas uma camada oculta, queutiliza uma regra de aprendizagem realizada emum unico passo, da entrada para a saıda (Huanget al., 2004; Huang et al., 2006; Wang, Cao andYuan, 2011), apresentado a vantagem de rapidezna etapa treinamento. A regra geral de aprendi-zagem dos neuronios de uma ELM e definida por

NH∑i=1

βig(wixj + bi) = tj , (4)

em que NH e a quantidade de neuronios dacamada oculta, N e o numero de vetores detreinamento e j = 1, 2, · · · , N . Os vetoreswi = [wi1, wi2, , · · · , win]> sao os pesos da ca-mada oculta, βi = [βi1, βi2, · · · , βim]> sao os pe-sos da camada de saıda e bi e o limiar do i-esimono da camada escondida. No treinamento, paracada entrada xj de dimensao n, apresenta-se ovalor conhecido tj de dimensao m. Uma funcaode ativacao diferenciavel g(·), em geral do tipo lo-gıstica, e escolhida para regular assintoticamentea saıda da rede.

Os neuronios da camada oculta podem ser re-presentados de forma compacta atraves da matriz

H =

g(w1x1 + b1) · · · g(wHx1 + bH)...

. . ....

g(w1xN + b1) · · · g(wHxN + bH)

,enquanto os respectivos pesos sao representadospor

β =

β>1...β>H

e T =

t>1...

t>N

.Dessa forma, a regra de aprendizagem de-

finida pela equacao 4 tem solucao descrita porβ = H†T e calculada por tecnica linear dos mıni-mos quadrados, sendo H† a pseudo-inversa gene-ralizada de Moore-Penrose (Huang et al., 2004).Importante observar que a rede ELM independedos pesos da camada oculta wi, os quais podemser inicializados com valores aleatorios conformemostra Huang et al. (2006).

Apos o treinamento da rede ELM, sao apre-sentados dados desconhecidos para obter uma pre-dicao da classe a qual esses dados pertencem.

3 Modelo experimental

A medicao da vibracao foi realizada com um ace-lerometro MEMS triaxial (Freescale MMA7361).O sensor possui resposta de frequencia na faixa400Hz, faixa de medicao ±1, 5g(±1, 6V ), sensibi-lidade transversal (cross axis) de ±5% e sensibi-lidade de 100 mV/g, adequados para os nıveis deintensidade e de frequencia de vibracao monitora-dos. A frequencia de ressonancia do sensor e daordem de 6 kHz, bem abaixo da faixa de frequen-cias medidas.

Um acelerometro MEMS foi fixado a carcacado motor sobre o mancal dianteiro do eixo. Nessaposicao, a medicao do sinal de vibracao e reali-zada no sentido axial do eixo do motor. O sinalde vibracao foi obtido com um modulo de aquisi-cao de dados de 16 bits. Utilizou-se uma taxa deamostragem de 10 kHz e todas as medicoes foramrealizadas com o motor em regime permanente.Embora esse fato nao represente uma limitacaoda metodologia, a coleta do sinal em regime per-manente torna o procedimento de coleta de dadosmais simples e menos susceptıvel a interferenciasdurante a validacao dos resultados.

A Figura 2 ilustra o modelo utilizado nos en-saios de falha em acoplamento elastico, com des-taque para a posicao de fixacao do acelerometroMEMS.

Figura 2: Modelo do equipamento utilizado nosensaios.

Os experimentos foram conduzidos em umabancada de ensaios composta por um motor deinducao trifasico com rotor em gaiola, de 1,0 cv,quatro polos, 220 V, acionado por um conversor defrequencia compatıvel. Para imposicao de cargamecanica, foi utilizado um freio eletrodinamicoajustavel.

4 Resultados e discussao

4.1 Aquisicao de dados

O conjunto de dados utilizados para o treinamentodos classificadores contem condicoes operacionaisnormais e de falha no acoplamento.

As condicoes de operacao impostas nos expe-rimentos sao indicadas na Tabela 1. Para cadacondicao de operacao foram aplicadas cargas me-canicas constantes com nıveis entre 0, 1, 2 e 3


3926

(sendo que 0 e a condicao em vazio e os demais nı-veis correspondem aos valores de 1,7, 3,3 e 5 N.m,respectivamente). A coleta do sinal de vibracao foirealizada em cada nıvel de carga mecanica para afrequencia de alimentacao 60Hz em regime per-manente. A condicao de falha foi obtida a partirda insercao de folga no dispositivo de acoplamentoelastico entre o motor e a carga. Foram registra-das 10 amostragens do sinal de vibracao para cadacondicao da Tabela 1, totalizando 100 amostras.

Tabela 1: Condicoes de operacao

Frequencia Nıvel deClasse Condicao (Hz) Carga

C1 Parado - -C2 Normal

desacoplado60 -

C3 Normal aco-plado

60 0,1,2,3

C4 Folga no aco-plamento

60 0,1,2,3

Foi utilizada uma rotina de medicao da con-dicao de maquina com amostragem do sinal devibracao radial, a partir do mancal dianteiro domotor. A partir da aquisicao do sinal de vibracao,com 1kS/s, foi calculado o vetor de caracterısti-cas a representativo da condicao de operacao domotor.

4.2 Extracao de atributos

Tres atributos formam o vetor a, sendo eles:

• a energia (En), com valores obtidos pela Eq.(1), aplicados sobre os coeficientes de deta-lhes das decomposicoes wavelet do sinal devibracao.

• a entropia (Et) do sinal, obtida com a Eq.(2), e calculada sobre o primeiro nıvel de de-talhes da decomposicao wavelet.

• a dimensao fractal (DF ), calculada pela Eq.(3), e realizada sobre o sinal de vibracao.

Para a extracao dos atributos sao realizados7 nıveis de decomposicoes wavelet Haar sobre osinal de vibracao. A Figura 3 ilustra os vetores deatributos para as condicoes da tabela 1, para mo-tor parado (C1), condicao de carga desacoplada(C2), acoplada em vazio (C3) e com imposicao deconjugado (em C3 e C4).

A matriz-U (Ultsch and Siemon, 1990) podeser empregada para apresentar projecao dos des-critores em um mapa bidimensional 16×16, comomostra a Figura 4. A vizinhanca entre os veto-res de atributos e determinada pela distancia re-presentada na escala de cores. Os agrupamentossao bem definidos para as classes da tabela 1, in-dicando uma significativa discriminacao entre as

Figura 3: Grafico de dispersao dos atributos En,Et e DF para as classes C1n, C2n, C3n e C4n emque n indica o nıvel de carga. A escala de En foisubstitıda por log10En para melhor visualizacao.

condicoes de maquina fornecida pelos atributos dovetor a do sinal de vibracao. A escala de intensi-dade representa a distancia entre elementos vizi-nhos.

Figura 4: Projecao bidimensional do espaco deatributos para as condicoes de operacao da tabela1.

A Figura 5 ilustra apenas a projecao das clas-ses C3 e C4. A vizinhanca entre os vetores deatributos de C3 e de C4 mostra que os descritoresdo sinal de vibracao fornecem uma boa discrimi-nacao entre as condicoes de maquina estudadas.

Figura 5: Projecao bidimensional do espaco deatributos para as condicoes de operacao C3 e C4.


3927

4.3 Detecao de falhas e discussao

Dois experimentos foram realizados com uma redeneural ELM para avaliar a capacidade de discri-minacao dos atributos. O primeiro experimentoincluiu as 4 classes, visando determinar a robus-tez dos atributos ao ruıdo inerente a captura dedados com o acelerometro MEMS em uma rotinade monitoramento de condicao. O segundo expe-rimento incluiu apenas as classes C3 e C4 com ointuito de avaliar a capacidade de detecao da falhacom o equipamento em operacao para diferentesnıveis de carga.

O classificador foi avaliado utilizando valida-cao cruzada com desempenho medio obtido apos100 repeticoes. Para cada repeticao foram selecio-nados aleatoriamente 80% dos vetores de atributospara a etapa de treinamento. Os vetores restantes,20%, foram utilizados na etapa de teste.

Para cada rodada de treinamento-teste reali-zada, foi calculada uma matriz de confusao. A ma-xima taxa de acertos foi alcancada com 11 neuro-nios na camada oculta da ELM, como e indicadono grafico da Figura 6. Embora esse numero deneuronios resulte em uma representacao esparsados dados de entrada (Cambria and Huang, 2013),para uma rede ELM essa quantidade de neuroniose considerada pequena (Zhu et al., 2005) dado queela requer mais neuronios para compensar a alea-toriedade dos pesos da camada escondida.

Figura 6: taxa de acerto em funcao do numero deneuronios da camada oculta.

A avaliacao dos resultados foi realizada com aanalise da medida de precisao, tendo como obje-tivo a minimizacao do numero de falsos positivos.Esse procedimento teve como intuito reduzir as in-tervencoes no sistema motor-carga em funcao dealarmes falsos dados pelo classificador.

Para o experimento inicial, que trata do mo-nitoramento da condicao, foi obtida uma acuraciamedia (Ac) de 96,44% para a classificacao. O va-lor Ac e calculado a partir dos termos da diago-nal principal da matriz de confusao mostrada naTabela 2. A precisao da classe C1 e unitaria einforma que a condicao do equipamento parado eplenamente identificada, o que e util para validar aparada segura. Na condicao C2 o funcionamento

desacoplado e identificado com elevada precisao(0,91), aplicavel quando e necessario indicar situ-acoes de rotor livre pela abertura do acoplamento.As condicoes do equipamento com carga, represen-tadas por C3 e C4, tambem sao detectaveis satis-fatoriamente e seguem os ındices de precisao dasclasses C1 e C2.

Tabela 2: Matriz de confusao do experimento 1

Predicao (%)C1 C2 C3 C4

C1 5,75 0,13 0,06 0,31C2 0 5,87 0 0,37C3 0 0 42,31 1,44C4 0 0,50 0,75 42,50

O segundo experimento avalia a detecao de fa-lha de acoplamento com carga. A Tabela 3 mostrao resultado do experimento de detecao de falha emuma aplicacao de carregamento dinamico tıpico deambientes industriais. Nessa situacao, foi detec-tada falha com acuracia media de 98% e reduzidataxa de falso positivo (0,71%). Falhas em carre-gamentos diversos sao detectaveis com precisao de99% e insignificativa incidencia de alarmes falsos,o que minimiza as paradas do processo industrial.

Tabela 3: Matriz de confusao do experimento 2

Predicao (%)C3 C4

C3 49,29 0,71C4 1,29 48,71

A avaliacao dos resultados dos experimentosmostra que a metodologia proposta permite mo-nitorar a condicao operacional e detetar falha noacoplamento. Dentre as possıveis aplicacoes dessaproposta, encontram-se a detecao de falha porruptura do elemento flexıvel causada, em geral,por conjugado excessivo, escolha inadequada doconjunto de acoplamento, variacao das condicoesmecanicas ou desgate.

5 Conclusoes

Neste trabalho, foi apresentada uma propostapara monitoramento e detecao de falha de acopla-mento atraves da classificacao de padroes de sinaisde vibracao obtidos com acelerometros MEMS. Ametodologia adotada e fundamentada na analiseda complexidade do sinal de vibracao por meio daextracao de caracterısticas, com aplicacao voltadapara o monitoramento da condicao de maquina.

Os resultados mostram que a metodologiaproposta pode ser adotada em sistemas de dete-cao de falha de acoplamento do tipo flexıvel. As


3928

reduzidas taxas de falsos negativos e falsos posi-tivos, observadas em todos os experimentos, indi-cam que o metodo e confiavel para atuar na prote-cao do equipamento, evitando desligamentos des-necessarios ou falsos alarmes.

O metodo de detecao de falha em acoplamen-tos pode ser empregado em sistemas automaticosde controle de processo com elevados requisitos deconfiabilidade. Em trabalhos futuros pretende-sedesenvolver um algoritmo de controle para inter-romper a operacao em condicoes de falha, comaplicacao no monitoramento de bombas em pocosde petroleo desasistidos ou em ambientes classifi-cados.

Agradecimentos

Este trabalho recebeu apoio financeiro do pro-grama PROAPP/IFCE 02-2012.

Referencias

Cambria, E. and Huang, G.-B. (2013). Extremelearning machines, IEEE Intelligent Systems- Trends & Controversies 28(6): 30–59.

Chakraborty, K., De, A. and Chakrabarti, A.(2012). Voltage stability assessment in powernetwork using self organizing feature mapand radial basis function, Computers andElectrical Engineering 38: 819–826.

Chen, Y., Ni, J.-Q., Diehl, C. a., Heber, A. J.,Bogan, B. W. and Chai, L.-L. (2010). LargeScale Application of Vibration Sensors forFan Monitoring at Commercial Layer HenHouses, Sensors 10(12): 11590–11604.

Hassan, L. H., Moghavvemi, M., Almurib, H. A.and Steinmayer, O. (2013). Current state ofneural networks applications in power systemmonitoring and control, Electrical Power andEnergy Systems 51: 134–144.

Huang, G.-B., Zhu, Q.-Y. and Siew, C.-K. (2004).Extreme learning machine: A new learningscheme of feedforward neural networks, IEEEInternational Joint Conference on NeuralNetworks. Proceedings 2: 985–990.

Huang, G., Zhu, Q. and Siew, C. (2006). Extremelearning machine: Theory and applications,Neurocomputing 70(1-3): 489–501.

Jiang, D. and Liu, C. (2011). Machine con-dition classification using deterioration ma-chine condition classification using deteriora-tion feature extraction and anomaly deter-mination, IEEE Transactions on Reliability60(1): 41–48.

Konar, P. and Chattopadhyay, P. (2011). Bearingfault detection of induction motor using wa-velet and Support Vector Machines (SVMs),Applied Soft Computing 11(6): 4203–4211.

Li, B., Zhang, P.-L., Tian, H., Mi, S.-s., Liu, D.-s.and Ren, G.-q. (2011). A new feature extrac-tion and selection scheme for hybrid fault di-agnosis of gearbox, Expert Systems with Ap-plications 38(8): 10000–10009.

Li, H., Zhang, Y. and Zheng, H. (2010). Appli-cation of hermitian wavelet to crack fault de-tection in gearbox., Mechanical Systems andSignal Processing 25(4): 1353–1363.

Mallat, S. (1999). A wavelet tour of signal proces-sing, 2 edn, Academic Press.

Maruthi, G. S. and Vittal, K. P. (2005). Electri-cal Fault Detection in Three Phase SquirrelCage Induction Motor by Vibration Analysisusing MEMS Accelerometer, 2005 Interna-tional Conference on Power Electronics andDrives Systems 2: 838–843.

Oliveira, A. G., Bessa, R., Coelho, D. N., Me-deiros, C. M. S. and Pontes, R. S. T. (2013).Tecnicas computacionais para deteccao de fa-lhas por curto-circuito entre espiras de ummotor de inducao acionado por conversor defrequencia, SBAI 2013 .

Paiva, H. M., Galvao, R. K. H. and Rodrigues, L.(2009). A wavelet-based multivariable appro-ach for fault detection in dynamic systems,Revista Controle & Automacao 20(4): 455–464.

Ramalho, G. L. B., Pedrosa, P., Schmidlin Jr,C. R. and Dias, S. V. (2013). Detecao de fa-lhas em maquinas rotativas atraves do sinalde vibracao e rede SOFM, SBAI 2013 .

Ramalho, G. L. B., Schmidlin Jr, C. R., Be-zerra, L. D. S. and Dias, S. V. (2012). Mo-nitoramento de condicao de maquina utili-zando acelerometro MEMS, Revista Tecno-logia (UNIFOR) 33(1).

Samaga, B. R. and Vittal, K. (2012). Com-prehensive study of mixed eccentricity faultdiagnosis in induction motors using signatureanalysis, Electrical Power and Energy Sys-tems 35: 180–185.

Ultsch, A. and Siemon, H. (1990). Kohonen’s self-organizing feature maps for exploratory dataanalysis, in Proc. of INNC’90, InternationalNeural Network Conference, Dordrecht, Ho-landa pp. 305–308.

Wang, S., Huang, W. and Zhu, Z. (2011). Tran-sient modeling and parameter identification


3929

based on wavelet and correlation filtering forrotating machine fault diagnosis, Mechani-cal Systems and Signal Processing 25: 1299–1320.

Wang, Y., Cao, F. and Yuan, Y. (2011). A studyon effectiveness of extreme learning machine,Neurocomputing 74(16): 2483–2490.

Yokoyama, T., Olsson, M., Izumi, S. and Sakai, S.(2012). Investigation into the self-looseningbehavior of bolted joint subjected to rota-tional loading, Engineering Failure Analysis23: 35–43.

Zhu, Q.-Y., Qin, A., Suganthan, P. and Huang,G.-B. (2005). Evolutionary extreme learningmachine, Pattern Recognition 38: 1759—-1763.


3930

detecc˘ao de falha em acoplamento el~ astico … · desse tipo de falha. o primeiro efeito da...

Documents