Uploaded on Mar 15, 2020
Aqui apresenta-se a 14ª aula do curso que é constituído pelas seguintes partes: 01 Diagnóstico de Motores Eléctricos - Controlo de Condição - uma perspetiva 02 Diagnóstico de Motores Eléctricos - Princípio de Funcionamento 03 Diagnóstico de Motores Eléctricos - Modos de Falha 04 Diagnóstico de Motores Eléctricos - Frequência das vibrações 05 Diagnóstico de Motores Eléctricos - Tipos de anomalias elétricas e suas vibrações 06 Diagnóstico de Motores Eléctricos - Tipos de anomalias mecânicas e suas vibrações 07 Diagnóstico de Motores Eléctricos - Pata coxa 08 Diagnóstico de Motores Eléctricos - A Análise de Corrente 09 Diagnóstico de Motores Eléctricos - Medição de tensão no Veio 10 Diagnóstico de Motores Eléctricos - Medição de Temperatura 11 Diagnóstico de Motores Eléctricos - Vibrações em motores DC 12 Diagnóstico de Motores Eléctricos - Proteção de rolamentos em motores accionados por variadores de frequência. 13 Diagnóstico de Motores Elétricos - Introdução à ISO 20958:2013 - Análise de assinatura elétrica de motores de indução trifásicos 14 Diagnóstico de Motores Elétricos pela técnica de comparação com modelo matemático – MCM
14 Diagnostico de motores eletricos conceitos de MCM
Análise de motores elétricos pela
técnica de comparação com modelo
Armteatesmisático - MCM
Introdução
PROGRAMA DE FORMAÇÃO 2020
Para mais
informações
ver
www.dmc.pt
Sobre a
Os nossos
distribuidores
A Artesis, uma empresa afiliada da GE,
fornece aos clientes soluções inovadoras incluem
de monitorização de condição. As
aplicações iniciais da tecnologia incluem
o motor principal do vaivém espacial,
motores de helicóptero e turbinas a
gás com financiamento da NASA, exército
dos EUA, estado da Flórida e Pratt &
Whitney.
Technol
ogy
The 40
Award,
Best
1998
Produc
TUBITAK- ts of Technolo
TUSIAD-TTGV 2000 gy
Innovati
Control
Engineering on
Magazine,
USA Award,
2007
The Institution
of Engineering
& Technology
(IET) , UK
Sobre a DMC e a D4VIB
equipamentos e serviços de manutenção preditiva
Adaptamo-nos
às suas Apoio técnico
Relatórios
necessidades ! Mediçõ
Implementaeçsão
Formaç
ão
Hardware
Software
Tecnologias preditivas
Vibrações
Medição de
tensão em v
eios Emissão acústica
Análise de
motores
elétricos Termografia
Ultrassons
Tecnologias corretivas
Equilibragem n
o local Alinhamento de veios
Proteção d
e rolament
os Calibração de
cadeias de m
onitorização d
e vibrações
Conteúdo do curso (I)
• 01 Diagnóstico de Motores Eléctricos
- Controlo de Condição de Motores Elétricos - uma perspetiva
• 02 Diagnóstico de Motores Eléctricos
- Princípio de Funcionamento
• 03 Diagnóstico de Motores Eléctricos - Modos de Falha
• 04 Diagnóstico de Motores Eléctricos
- Frequência das vibrações
• 05 Diagnóstico de Motores Eléctricos
- Tipos de anomalias elétricas e suas vibrações
• 06 Diagnóstico de Motores Eléctricos
- Tipos de anomalias mecânicas e suas vibrações
• 07 Diagnóstico de Motores Eléctricos - Pata coxa
Conteúdo do curso (II)
• 08 Diagnóstico de Motores Eléctricos - A Análise de Corrente
• 09 Diagnóstico de Motores Eléctricos
- Medição de tensão no Veio
• 10 Diagnóstico de Motores Eléctricos - Medição de Temperatura
• 11 Diagnóstico de Motores Eléctricos
- Vibrações em motores DC
• 12 Diagnóstico de Motores Eléctricos
- Proteção de rolamentos em motores accionados
por variadores de frequência.
• 13 Diagnóstico de Motores Eléctricos
- Introdução à ISO 20958:2013 - Análise de assinatura elétrica
de motores de indução trifásicos
• 14 Diagnóstico de Motores Elétricos pela técnica de comparaçã
o com modelo matemático –
MCM
Distribuição de avarias em motores
Típico até 4kV Típico acima de 4kV
Outros
Outros 6%
18% Avarias nas
chumaceir Avarias
as 13%
Avarias no no Película de óleo
rotor 6% Avarias Estator
mecânicas 51% Avarias 66%
Avarias no rotor
no AMUAnomAlert 13%
Estator
25%
Avarias detetadas pelo MCM
i i lAmbiente Operacional
Alimentação
Process
Motor Equipamento
acionado
Transmissão
Mecânicas
Elétricas
Princípios matemáticos do método de
comparação com modelo
• Parameter changes indicate development of faults
A distributed fault-detection and diagnosis system using on-line parameter estimatio
n
, Duyar et al., 1991, NASA Technical Reports Server (NTRS) 19910016382
• Multivariable system idenfication is used for parameter estimation
Fault Diagnosis for the Space Shuttle Main Engine, Duyar and Merril
, Journal Of Guidance, Control, And Dynamics, Vol. 15, No. 2, March-April 1992)
• Minimal parameterization is obtained using alpha canonical form
Identification of Discrete Time Multivariable Systems: A Parametrization via a - Cano
nical Form,
Eldem and Duyar, Automatica, Volume 29, Issue 4, July 1993, Pages 1127-1131
O detalhe dos principios
matemáticos estão no final
da apresentação
O motor elétrico modelado como u
ma função de transferência – deteç
ão de avarias com base na compara
ção com modelo
u
SSisistetemmaa
y
O detalhe dos princípios
matemáticos estão no final
da apresentação
O motor elétrico modelado como
uma função de transferência –
deteção de avarias com base na
comparação com modelo
Tensão Corrente
Tempo (msec) Tempo (msec)
Frequência (Hz)
Frequência (Hz)
Deteção de avarias com base na comparação
com modelo
Corrente 1
Tensão +
ΣΣ Dif
-
Frequência (Hz)
Corrente 2 Frequência (Hz)
Frequência (Hz)
Deteção de avarias com base na comparação
com modelo
Corrente 1
Tensão +
ΣΣ Dif
-
Frequência (Hz)
Corrente 2 Frequência (Hz)
Frequência (Hz)
Relação Causa - Efeito
Entrada Saída
Tensão Corrente
Frequência (Hz) Frequência (Hz)
VARIAÇÃO DE TENSÃO VARIAÇÃO DE
Distorção Harmónica CORRENTE
Flutuação de Voltagem Processo
Desequilíbrio de Avarias
Voltagens, etc…
A deteção de avarias mecânicas
• O desenvolvimento de avarias no Estator
motor ou no equipamento
acionado afeta a dinâmica da
folga de entreferros e a dinâmica
torsional entre o estator e o rotor Entreferros
do motor
• Essas variações alteram a
relação entre a entrada do motor Rotor
e os sinais de saída que são
então utilizados pelo MCM para
detetar e diagnosticar avarias.
• O MCM pode usar o motor como
um sensor eficaz para todo o
sistema, sem a necessidade de
sensores especiais adicionais
A deteção de avarias mecânicas
• O desenvolvimento de avarias no Estator
motor ou no equipamento
acionado afeta a dinâmica da
folga de entreferros e a dinâmica
torsional entre o estator e o rotor
do motor
• Essas variações alteram a
relação entre a entrada do motor
e os sinais de saída que são Rotor
então utilizados pelo MCM para
detetar e diagnosticar avarias.
• O MCM pode usar o motor como
um sensor eficaz para todo o
sistema, sem a necessidade de
sensores especiais adicionais
O espetro de Densidade Espetral de Potência
(PSD)
Correias e elementos de transmissão
Avarias com correias e elementos de transmissão manifestam-se
em torno de 0,5 x rpm a 0,75x rpm ± frequência de alimentação e
múltiplos.
Tensão de Falta de
alimentação : 380 V tensão
Frequência da rede : nas
50 Hz correias
RPM do motor: 1493
rpm
Compressor acionado
por correias.
Industrial alimentar
Desequilíbrio
O desequilíbrio no motor manifesta-se em torno da frequência de
alimentação ± 1 x rpm e múltiplos.
Desequilí
brio Tensão de alimentação: 380 V
Frequência da rede: 50 Hz
RPM do motor: 1493 rpm
Equipamento acionado por
correias
Base solta
Base solta aparece a frequências entre 0.5 a 0.75xrpm
Tensão de alimentação:
6300V
Frequência da rede: 50 Hz
RPM do motor: 990 rpm
LNG / Bomba de agua quente
Base
solta
Algoritmo de classificação de
condição de carga do MCM
• Durante o período de
Factor de Curva de
aprendizagem, o MCM potência operação do
motor
trata cada ponto
operacional do motor C3
como um cluster no
espaço tridimensional
(fator de potência, C4C2
ganho, frequência de C1
alimentação).
• Cada cluster possui um
CARGA DO MOTOR Ganho
modelo separado (Corrente / Voltagem)
Frequência (Hz)
• No modo de
monitoramento, cada
dado é comparado com
o cluster mais próximo
CARGA DO MOTOR
Ethernet
Período de aprendizagem /
construção do modelo matemático
Instalação &
Comissionamento
APRENDER MELHORAR MONITORAR
3 Dias 7 Dias
• Para construir o modelo matemático do motor ao qual está ligado,
o MCM precisa concluir o período de aprendizagem. Esse período
pode levar de 7 a 10 dias.
• O período de aprendizagem possui duas fases.
– Fase de aprendizagem, no qual o MCM classifica os sinais e não
realiza nenhuma monitorização
– Fase de Melhorar, no qual o MCM inicia a monitorização e
também atualiza o modelo matemático (construído durante a
primeira fase) com novos dados
Saídas - Alarmes
Nivél de Alarme
Saída medida
MMoottoorr NORMAL
ttrriiffáássiiccoo
VER ALIMENTAÇÃO
Entrada Co VER CARGAComppaarraaççããoo
EXAMINAR 1
MMooddeelloo EXAMINAR 2
maatteemááttiiccoo Saída
calculada
Estratégia de Alarmes
Implementação prática do MCM
Monitorização permanente Sistema portátil
Artesis MCM Artesis AMT
Relatórios elaborados
por IA:
Vista de condição de equipamentos
Relatórios elaborados
por IA:
Sugestões & eficiência energética
Relatórios elaborados
por IA:
Resumo de Equipmentos
Relatórios elaborados
por IA:
Avarias elétricas
Para utilizadores
avançados:
Análise espetral
Tendência
Integração de sistemas
ENTERPRISE ERP/EAM
LEVEL
CONTROL DCS/SCAD
LEVEL A
Artesis MCM
Operati Maintena - Condition based - Time to failure
monitoring
- Diagnostic
- - Me
oasnusrements - Meansucreements - Measurement based
New Work
- Asset Health - Asset Health monitoring
Requests - Time specific work
- -Historical order
trending
EAM Workstation
Limitações
• Motores DC
• Motores monofásicos
• A variação da velocidade do motor (frequência de
alimentação) deve ser menor que 15% durante
seis segundos do período de medida
• A variação da carga do motor (amplitude da
corrente) deve ser menor que 15% durante seis
segundos do período de medida
Capacidades
• Única solução para algumas aplicações.
– Inacessível (bombas submersíveis, bombas de poço)
– Perigoso (instalações nucleares)
– Difícil de alcançar (Minas)
• Monitorização de grande número de avarias
• Deteção precoce de avaria
• Monitoramento e diagnóstico remotos
Certificações
MCM princípios matemáticos
O motor como uma função de transferência
System identification using alpha canonical form
A nonlinear system is described by the following
equiations
Linearizing these equations about a nominal operating condition and
discretizing yields
They can be put into alpha canonical form
System identification using alpha canonical form
The expression for the state at time k of this system
is given as
Using the nillpotency of the above equation yields
Multiplying both sides by C matrix, this equation can be expressed in
terms of measurement of input and output variables
System identification and fault detection
• Structure estimation; row by row rank search of
the observability matrix is used to obtain
observability indices
• Parameter estimation; least squares technique is
used
• Fault detection and diagnostics uses 3 criteria in
parallel
– Residual errors
– Parameter variations
– Residual spectral analysis
ALGUNS
CLIENTES
PETROQUÍMICA
AUTOMOVÉL & FABRICAÇÃO
ALIMENTAR & FARMACEUTICA
ENERGIA & METAL
ÁGUA
TRANSPORTES
Sistemas de monitorização permanente
Sistemas protetivos e preditivos
Transmissores de vibrações Ex
Monitorização permanente de vibrações
Sistemas wireless
Análise da assinatura de motores elétricos pela técnica do MCM
Meggitt Vibro-
Meter®
Equipamentos portáteis
• Vibrometros
• Analisadores de vibrações
• Coletores de dados
• Medidores de ultrassons
• Sensores de vibrações
OBRIGADO
Esperamos que
esta apresentação
tenho sido
interessante
Comments