Professional Documents
Culture Documents
MOTORES DE INDUÇÃO
Paulo J. A. Serni†
∗
USP / EESC / SEL
Av. Trabalhador Sancarlense, 400 Centro, CEP 13566-590
São Carlos - SP
†
UNESP / FE / DEE
Av. Luis Edmundo Coube, S/N CP 473, CEP 17033-360
Bauru - SP
RESUMO ABSTRACT
Os motores de indução são utilizados nos mais diversos seto- Induction motors are widely used in several industrial sec-
res industriais. Entretanto, a seleção de um motor de indução tors. However, the selection of induction motors is often
em determinada aplicação é imprecisa nos casos em que não inaccurate because, in most cases, the load behavior in the
há conhecimento do comportamento da carga que está aco- shaft is completely unknown. The proposal of this paper is
plada ao eixo do motor. A proposta deste trabalho é forne- to use artificial neural networks as a tool for dimensioning
cer uma ferramenta alternativa aos métodos tradicionais de induction motors rather than conventional methods, which
identificação usando as redes neurais artificiais. O potencial use classical identification techniques and mechanical load
desta proposta está em sua facilidade de implementação em modeling. The potential of this approach is the simple hard-
hardware, tendo em vista que a metodologia não necessita de ware implementation since the methodology does not require
sensores de torque, assim como não requer alto poder com- torque sensor nor powerful computational processors. Simu-
putacional. Resultados de simulação são apresentados para lation results are also presented to validate the proposed ap-
validar a proposta. proach.
PALAVRAS-CHAVE: Motores de indução, modelagem de KEYWORDS: Induction motors, load modeling, neural net-
cargas, redes neurais artificiais, estimativa de parâmetros, works, parameter estimation, system identification.
identificação de sistemas.
1 INTRODUÇÃO
Motores de Indução Trifásicos (MIT) são usados em mui-
Artigo submetido em 16/01/2005 tos setores industriais nos quais a conversão de energia elé-
1a. Revisão em 08/06/2006 trica em mecânica motriz se faz necessária. O uso extensivo
2a. Revisão em 29/08/2006
Aceito sob recomendação do Editor Associado
deste motor está frequentemente associado com suas carac-
Prof. José Antenor Pomilio terísticas construtivas robustas, fácil manutenção, adaptação
Uma pesquisa feita pela CEMIG (Companhia Energética de Neste sentido, este trabalho contribui com os trabalhos de
Minas Gerais) com 3425 motores de indução trifásicos, em Marino et. al. (2004), Murat et. al. (2004) e Boulter (2004),
diversos setores industriais, mostrou que 28,7% destes moto- entre outros, os quais abordam o controle do motor de in-
res trabalhavam de forma superdimensionada enquanto 5,9% dução, pois estima o conjugado de carga, do transitório ao
estavam operando de forma subdimensionada. Um outro es- regime permanente.
tudo, realizado pela COPEL (Companhia Energética do Es-
tado do Paraná) com 6108 motores de indução trifásicos, Os métodos convencionais para determinação do conjugado
mostrou que 37,75% estavam trabalhando de forma super- de carga, do transitório ao regime permanente, são baseados
dimensionada (Marach, 2001). em técnicas diretas e indiretas. As técnicas diretas consis-
tem no uso de medidores de torque girantes (torquímetros)
A estimativa de conjugado de carga de motores de indução acoplados entre o motor e a carga. De acordo com Britto
tem três objetivos principais. O primeiro, e mais importante, (1994), o uso destes dispositivos de medida exigem deslo-
é prover informações sobre a carga contribuindo para o cor- camento longitudinal entre o motor e a carga. A desvanta-
reto dimensionamento do motor em determinada aplicação. gem associada ao uso de torquímetros girantes reside no fato
O segundo objetivo é prover dados relativos ao comporta- de algumas cargas exigirem alto conjugado de partida, im-
mento da carga no eixo de forma a determinar a eficiência e plicando num superdimensionamento do elemento sensor e
performance da conversão de energia (El-Ibiary, 2003). Em reduzindo assim sua sensibilidade. Além disso, os torquíme-
terceiro lugar, a estimativa de conjugado aplicada nos eixos tros devem ser alinhados de forma cuidadosa com o objetivo
dos motores de indução é de fundamental importância para o de evitar flexões no eixo e conseqüente redução de sua vida
desenvolvimento de técnicas eficientes de controle do motor útil, agregando desta forma alto custo ao procedimento de
de indução no regime transitório e permanente (Vas, 1998; instalação.
Vas, 1999).
As técnicas indiretas para determinação do conjugado de
Conforme Marino et. al. (2004) o controle dos motores de carga, por sua vez, são baseadas em modelos matemáticos
indução são difíceis por diversas razões: a dinâmica é intrín- que representam a dinâmica eletromagnética do motor em
secamente não linear e multivariável, não são todas as va- relação a carga (Chen e Sheu, 2002; Sheu e Chen, 1999).
riáveis de estado nem todas as saídas que estão disponíveis O uso destas técnicas permite a estimativa do conjugado, do
para retro-alimentação onde há parâmetros críticos como re- transitório ao regime permanente, através da solução de sis-
sistências e conjugado de carga os quais mudam durante a temas de equações diferenciais. A resolução destas equações
operação. depende do conhecimento de diversos parâmetros elétricos e
mecânicos do motor, tais como a resitência do rotor e esta-
No trabalho de Murat et. al. (2004), o qual aborda a téc- tor, as indutâncias de magnetização, entre outros. Entretanto,
nica de Controle Direto de Torque (CDT), menciona que a a obtenção destes parâmetros num ambiente industrial pode
falta de informação relativa ao conjugado de carga e incer- ser uma tarefa árdua e complicada. Além disso, os algorit-
tezas relativas as resistências de rotor e estator constituem o
1X 2
p
E(k) = e (k) (4)
Figura 2: Representação do neurônio artificial. 2 j=1 j
ficial, também conhecido como elemento de processamento onde p é o número de neurônios da saída. Para uma confi-
(Figura 2). guração de pesos ótima, E(k) é minimizado pelo ajuste dos
pesos sinápticos wji. Os pesos associados à camada de saída
O modelo do neurônio artificial ilustrado na figura 2 pode ser da rede são recalculados usando a seguinte expressão:
equacionado da seguinte forma:
∂E(k)
X
n wji (k) ← wji (k) − η (5)
∂wji (k)
vj (k) = Xi .wi + b (1)
i=1
onde wji é o peso conectando o j-ésimo neurônio da camada
de saída ao i-ésimo neurônio da camada anterior e η é a cons-
yj (k) = ϕj (vj (k)) (2) tante que determina a taxa de aprendizado do algoritmo de
retro-propagação. O ajuste dos pesos pertencentes às cama-
onde: das escondidas é feito de forma análoga. Os passos para o
ajuste destes pesos são detalhados em Haykin (1999).
Tabela 2: Funções matemáticas para cargas industriais. O valor máximo de momento de inércia admitido em car-
gas acionadas por MIT é normalizado pela NBR 7094:1996
Tipo de Carga Função Matemática (Seção 6 e Tabela 3). Nas notas explicativas da seção é de-
Quadrática f (ω) = T (ω) = K + aω 2 finida uma equação para valores de potências intermediárias
de motores que não se encontram tabelados. Calculando-se
Linear f (ω) = T (ω) = K + aω o momento de inércia através da Equação (6) para alguns va-
Constante f (ω) = T (ω) = K lores amostrais tabelados, obtém-se como resultado valores
Inversa f (ω) = T (ω) = aε−bω + K próximos dos apresentados na norma, subtraídos pequenos
arredondamentos.
Goedtel, 2003).
A figura 5 mostra, a título de exemplificação, a simulação de 4.1 Treinamento das Redes Perceptron
uma carga linear. Na simulação da carga quadrática, a qual é Considerando Diferenças de Carga e
muito parecida com a carga linear, substituem-se às retas por Tensão de Alimentação
parábolas. Na região limitada pelas curvas C1 a C26 a RNA
faz a estimativa de conjugado. O treinamento da rede perceptron foi dividido conforme a
característica de carga e por faixa de tensão dentro de cada
A figura 6 mostra a simulação de uma carga constante limi- conjunto de carga. A figura 7 ilustra essa divisão no formato
tada pelas curvas C1 a C26 . A carga inversa tem a mesma de diagrama em blocos proposta por Goedtel (2003).
região mapeada nas curvas, que neste caso, são exponenci-
ais. Um exemplo ilustrativo, no caso da carga quadrática e uma
faixa de tensão (198V,...,242V), 26 curvas de simulação fo-
É importante notar que o mapeamento produz valores dife- ram geradas. Estas curvas simularam o conjugado de carga
rentes de conjugado (partida e regime permanente) para cada de 5% a 250% do conjugado nominal, onde 13 curvas fo-
curva, dependendo do valor de tensão usado na alimentação ram usadas para o treinamento da rede e 13 curvas diferentes
do motor, conforme interseção das curvas de mapeamento e usadas no processo de validação da rede. Cada conjunto de
conjugado do motor (Fitzgerald et. al., 1975; Kosov, 1972; treinamento, composto por 13 curvas, é constituído por um
Figura 9: MIT submetido a conjugado resistente quadrático Figura 11: MIT submetido a conjugado resistente quadrático
alimentado com 215V. alimentado com 220V.
onde o conjugado exigido no eixo é de 5% do valor nominal nessa última medida, pode-se julgar que o motor ensaiado
do motor. Pode-se inferir que a rede possui boa capacidade está superdimensionado.
de generalização (erro < 10%) com valores de conjugado
acima de 10% do conjugado nominal até 250% do mesmo. 5.2 Carga Linear
Se comparado a um torquímetro, pode-se fazer uma analogia
com a sensibilidade mínima do instrumento, ou seja, o menor No treinamento da carga linear, da mesma forma que a carga
valor a ser medido dentro da faixa de erro esperada. anterior, foram utilizadas 26 curvas que simulam da partida
ao regime permanente o comportamento de um MIT subme-
Para os propósitos desse trabalho, apesar da pouca precisão
tido a esse tipo de carga para cada faixa de tensão. Dessas
Esse procedimento é similar à técnica de multiplexação por A figura 18 mostra a simulação de um motor alimentado com
divisão em frequência utilizada em telecomunicações. Nessa 211V e conjugado constante de 95% do conjugado nominal.
técnica vários sinais são somados, com frequências diferen-
A figura 19 apresenta o resultado de generalização de uma
tes, e transmitidos num canal comum de comunicação. Na
treinar a rede perceptron. Outras simulações, com outros pa- Figura 21: MIT submetido a conjugado resistente inverso ali-
râmetros na função matemática que descreve a carga, foram mentado com 198V.
usadas para testar a generalização da rede como descrito nas
figuras 21 a 23.
Os autores agradecem à FAPESP (Processo no 03/11353-0) Goedtel, A., Silva, I. N., Serni, P. J. A. (2004b). Speed
pelo auxílio financeiro concedido e aos revisores pelas vali- estimation in induction motors using artificial neural
osas contribuições ao trabalho. networks. 11TH IFAC Symposium on Information Con-
trol Problems in Manufacturing (INCOM2004), CD-
ROM, Artigo no. 48.
REFERÊNCIAS
Haykin, S. (1999). Neural Networks – A Comprehensive
Associação Brasileira de Normas Técnicas – ABNT (1996). Foundation. Prentice-Hall.
NBR 7094: Máquinas Elétricas Girantes – Motores de
Indução – Especificação. Rio de Janeiro. Huang, C. Y., Chen, T. C., Huang, C. L. (1999). Robust con-
trol of induction motor with a neural-network load tor-
Bharadwaj, R. M., Parlos, A. G., Toliyat, H. A. (2004). Neu- que estimator and a neural-network identification. IEEE
ral speed filtering for sensorless induction motor drives. Transactions on Industrial Electronics, 46, pp. 990-
Control Engineering Practice, 12, pp. 687-706. 997.
Boulter, B. T. (2004). Selecting the right drive. IEEE Industry
Kolla, S., Varatharasa, L. (2000). Identifying three-phase in-
Applications Magazine, July/August 2004, pp. 16-23.
duction motor faults using artificial neural networks.
Britto, R. M. (1994). Sistema Eletro-Eletrônico para Me- ISA Transactions, 39, pp. 433-439.
dição de Torque em Dispositivos Girantes Utilizando
Extensômetro de Resistência Elétrica. Tese de Dou- Kosov, I. L. Electrical Machinery and Transformers.
torado. Universidade Federal do Rio Grande do Sul Prentice-Hall, Inc., 1972.
(UFRGS/PPGEM). Krzeminski, Z. (1999). A new speed observer for control sys-
Campbell, J., Summmer, M. (2002). Practical sensorless tem of induction motor. Proceedings of IEEE Interna-
induction motor drive employing an artificial neural tional Conference on Power Electronics and Drive Sys-
network for online parameter adaptation. IEE Proc. tems, pp. 555-560.
Electr. Power Appl., 149, pp. 255-260.
Kukolj, D., Kulic, F., Levi, E. (2000). Design of speed con-
Chen, T. C., Sheu, T. T. (2002). Model reference neural troller for sensorless electric drives based on AI tech-
network controller for induction motor speed control. niques: a comparative study. Artificial Intelligence in
IEEE Transactions on Energy Conversion, 17, pp. 157- Engineering, 14, pp. 165-174.
163.
Lin, F. J., Way, R. J. (2002). Adaptive fuzzy-neural-network
Dias, L. P. C., Lobosco, O. S. (1988). Motores Elétricos: Se- control for induction spindle motor drive. IEEE Tran-
leção e Aplicação. McGraw-Hill. sactions on Energy Conversion, 17, pp. 507-513.