Oliveira Jea Me Bauru PDF

unesp UNIVERSIDADE ESTADUAL PAULISTA
FACULDADE DE ENGENHARIA
CAMPUS DE BAURU
MODELAGEM DE UM MOTOR DE INDUO TRIFSICO

OPERANDO COM TENSES DESEQUILIBRADAS POR MEIO
DE REDES NEURAIS ARTIFICIAIS
JOS EDUARDO ALVES DE OLIVEIRA
BAURU SP
2011
2
unesp UNIVERSIDADE ESTADUAL PAULISTA

FACULDADE DE ENGENHARIA
CAMPUS DE BAURU
MODELAGEM DE UM MOTOR DE INDUO TRIFSICO

OPERANDO COM TENSES DESEQUILIBRADAS POR MEIO
DE REDES NEURAIS ARTIFICIAIS
JOS EDUARDO ALVES DE OLIVEIRA
Orientador: Prof. Dr. Paulo Jos Amaral Serni
Dissertao apresentada Faculdade de

Engenharia da UNESP Campus de Bauru,
para a obteno do Ttulo de Mestre em
Engenharia Eltrica.
BAURU SP
2011
3
4
5
minha esposa, Raquel,

Ao meu filho, Mateus,
meus pais, Jos Rodrigues e Izabel,
E meus amigos, Mrio e Arlete.
6
AGRADECIMENTOS
Ao meu orientador, Professor Doutor Paulo Jos Amaral Serni, pelos seus
ensinamentos e pelo seu apoio ao longo de todo o desenvolvimento, e pela sua
colaborao na elaborao deste trabalho.
Ao Professor Doutor Jos Alfredo Covolan Ulson, pelo seu apoio e

Ao Professor Mestre Andr Luiz Andreoli, pela amizade, pela sua ajuda e
Ao Professor Doutor Alessandro Goedtel, pelas sugestes e apoio na

elaborao deste trabalho.
Ao Professor Doutor Paulo R. de Aguiar, pelo emprstimo da banca de ensaio

de motores, utilizada neste trabalho.
A todos os professores do Programa de Mestrado em Engenharia Eltrica da

FEB-UNESP, que contriburam para este trabalho.
Aos tcnicos de laboratrio da FEB-UNESP, pelo apoio na realizao da

etapa experimental.
Ao Sr. Mrio Eduardo Cazo, diretor da escola SENAI, da cidade de Lenis

Paulista, pela compreenso e colaborao no perodo de elaborao deste trabalho.
Aos colegas de trabalho da escola SENAI, da cidade de Lenis Paulista,

pela colaborao e incentivo na elaborao deste trabalho.
i
SUMRIO
SUMRIO...................................................................................................................I
LISTA DE FIGURAS................................................................................................III
LISTA DE TABELAS...............................................................................................VI
RESUMO.................................................................................................................VII
ABSTRACT............................................................................................................VIII
1. INTRODUO......................................................................................................1
1.1 MOTIVAO E RELEVNCIA DO TRABALHO........................................................1
1.2 PROPOSTA E JUSTIFICATIVA DA DISSERTAO................................................7
1.3 TRABALHOS PUBLICADOS EM EVENTOS CIENTFICOS...................................10
2. REVISO BIBLIOGRFICA E ESTADO DA ARTE..........................................11
2.1 MOTOR DE INDUO OPERANDO COM TENSES DESEQUILIBRADAS........11
2.2 MODELAMENTO MATEMTICO DO MOTOR DE INDUO...............................18
2.3 REDES NEURAIS ARTIFICIAIS..............................................................................19
3. MODELAMENTO MATEMTICO DO MOTOR DE INDUO TRIFSICO.....22
3.1 INTRODUO.........................................................................................................22
3.2 TRANSFORMAO 0.........................................................................................29
3.3 TRANSFORMAO qd0.........................................................................................31
3.4 EQUAES DE TRANSFORMAO DO ROTOR................................................35
4. REDES NEURAIS ARTIFICIAIS........................................................................40
4.1 INTRODUO.........................................................................................................40
4.2 NEURNIO BIOLGICO........................................................................................42
4.3 NEURNIO ARTIFICIAL.........................................................................................43

ii
4.4 TOPOLOGIAS DAS REDES NEURAIS ARTIFICIAIS..............................................47

4.4.1 Redes No-Recursivas ...................................................................................................... 47
4.4.2 Redes Recursivas.............................................................................................................. 48
4.4.3 Redes Totalmente Conectadas e Parcialmente Conectadas ............................................ 49
4.5 APRENDIZADO DE REDES NEURAIS ARTIFICIAIS..............................................50

4.5.1 Treinamento Supervisionado ............................................................................................. 50
4.5.2 Treinamento No-Supervisionado ..................................................................................... 51
4.6 REDE PERCEPTRON MULTICAMADA...................................................................51
4.7 ALGORITMO BACKPROPAGATION.......................................................................54

4.7.1 Erro quadrtico .................................................................................................................. 56
4.7.2 Erro quadrtico mdio ....................................................................................................... 57
4.7.3 Algoritmo de Levenberg-Marquardt ................................................................................... 60
4.7.4 Algoritmo de Levenberg regularizado ................................................................................ 64
5. MOTOR DE INDUO TRIFSICO OPERANDO COM TENSES

DESEQUILIBRADAS..............................................................................................67
5.1 INTRODUO..........................................................................................................67
5.2 MTODO COMPUTACIONAL CLSSICO...............................................................69

5.3.1 Anlise por meio do circuito eltrico equivalente ............................................................... 81
5.4 MTODO EXPERIMENTAL.....................................................................................86

5.4.1 Avaliao da temperatura dos enrolamentos do estator.................................................... 90
5.4.2 Comparao dos resultados .............................................................................................. 93
5.5 MTODO COMPUTACIONAL POR REDES NEURAIS...........................................97
5.6 ANLISE DOS RESULTADOS...............................................................................104
6. CONCLUSES.................................................................................................107
6.1 FUTURAS LINHAS DE PESQUISAS.....................................................................109
7. REFERNCIAS BIBLIOGRFICAS................................................................110
8. APNDICE A....................................................................................................116
9. APNDICE B....................................................................................................121
iii
LISTA DE FIGURAS
FIGURA 2.1 Comportamento do aquecimento e das perdas no motor em funo do

desequilbrio de tenses. ..................................................................................................... 14
FIGURA 2.2 Comportamento do aumento da temperatura no motor, em vrios pontos, em

funo do desequilbrio de tenses...................................................................................... 16
FIGURA 4.1 Representao de um neurnio natural. ....................................................... 43
FIGURA 4.2 Representao de um neurnio artificial. ...................................................... 44
FIGURA 4.3 RNA no-recursiva com Camada nica. ...................................................... 47
FIGURA 4.4 RNA Progressiva com Mltiplas Camadas. .................................................. 48
FIGURA 4.5 RNA com retropropagao - Backpropagation.............................................. 49
FIGURA 4.6 Diagrama esquemtico da rede PMC. .......................................................... 55
FIGURA 4.7 (a) Dados ajustados adequadamente (boa generalizao); (b) Fenmeno do
overfitting (generalizao pobre). ...................................................................................... 65
FIGURA 5.1 Circuito desenvolvido no programa Matlab/Simulink usado nas simulaes. 70
FIGURA 5.2 Correntes eficazes do MIT operando com tenses equilibradas. .................. 71
FIGURA 5.3 Comportamento da velocidade no eixo do MIT com tenses equilibradas. ... 72
FIGURA 5.4 Comportamento do torque eletromagntico do MIT com tenses equilibradas.

............................................................................................................................................ 72
FIGURA 5.5 Formas de onda das correntes instantneas no rotor [ir(t)] e no estator [is(t)],
para a fase A, com o MIT operando com tenses equilibradas. ........................................... 74
iv
FIGURA 5.6 Anlise FFT da corrente do rotor [ir(t)], para a fase A, com o MIT operando
com tenses equilibradas. ................................................................................................... 75
FIGURA 5.7 Correntes eficazes do MIT operando com tenses desequilibradas. ............ 76
FIGURA 5.8 Comportamento da velocidade no eixo do MIT operando com tenses

desequilibradas.................................................................................................................... 76
FIGURA 5.9 Comportamento do torque eletromagntico do MIT operando com tenses

FIGURA 5.10 Anlise FFT do torque eletromagntico, com o MIT operando com tenses
para a fase A, com o MIT operando com tenses desequilibradas. ..................................... 79
com tenses desequilibradas............................................................................................... 80
FIGURA 5.13 Circuito eltrico equivalente de sequncia direta por fase do MIT. ............. 81
FIGURA 5.14 Circuito eltrico equivalente de sequncia inversa por fase do MIT. ........... 83
FIGURA 5.15 Torque eletromagntico em funo da velocidade no eixo do motor: Curva

A= CEE com tenso equilibrada (Vs1 = 127V); Curva B = CEE com tenses desequilibradas
(Vs1 = 110V e Vs2 = 12V). .................................................................................................... 85
FIGURA 5.16 Bancada experimental utilizada nos ensaios. ............................................. 86
FIGURA 5.17 Bancada experimental com instrumentao ao fundo................................. 87
FIGURA 5.18 Diagrama eltrico dos ensaios realizados com o MIT. ................................ 87
FIGURA 5.19 Instrumentao utilizada nos ensaios do MIT. ............................................ 88
FIGURA 5.20 Variao da resistncia eltrica de um metal puro em funo da

temperatura. ........................................................................................................................ 91
v
FIGURA 5.21 Comparativo entre os valores de corrente da fase A: Real x Simulador...... 96
FIGURA 5.22 Comparativo entre os valores de corrente da fase B: Real x Simulador...... 96
FIGURA 5.23 Comparativo entre os valores de corrente da fase C: Real x Simulador. .... 97
FIGURA 5.24 Evoluo do treinamento e validao da RNA. ........................................... 99
FIGURA 5.25 Comparativo entre os valores de corrente da fase A: Real x RNA. ........... 101
FIGURA 5.26 Comparativo entre os valores de corrente da fase B: Real x RNA. ........... 101
FIGURA 5.27 Comparativo entre os valores de corrente da fase C: Real x RNA. ........... 102
FIGURA 5.28 Correlaes entre corrente, tenso e potncia, obtidas atravs da RNA. . 102
FIGURA 5.29 Comportamento da corrente, da fase B, em funo da tenso e da potncia

na mquina CC. ................................................................................................................. 103
vi
LISTA DE TABELAS
TABELA 4.1 Funes de Ativao para RNA.................................................................... 46
TABELA 5.1 Parmetros do MIT usado nos trs mtodos. ............................................... 69
TABELA 5.2 Valores obtidos na simulao do MIT com tenses equilibradas. ................. 73
TABELA 5.3 Simulao do MIT com tenses desequilibradas. ......................................... 77
TABELA 5.4 FP do MIT com tenses desequilibradas. ..................................................... 78
TABELA 5.5 Comparativo entre os valores de correntes experimentais e os obtidos na

simulao. ........................................................................................................................... 93
TABELA 5.6 Comparativo entre os valores da potncia de entrada pelo modo experimental
e pela simulao. ................................................................................................................. 94
TABELA 5.7 Comparativo entre as correntes obtidas experimentalmente e as obtidas na

simulao do MIT. ............................................................................................................... 95
TABELA 5.8 Arquitetura da RNA e suas caractersticas. .................................................. 98
TABELA 5.9 Comparativo entre correntes obtidas experimentalmente e as obtidas pela

RNA. .................................................................................................................................. 100
vii
RESUMO
O desequilbrio de tenso nos sistemas eltricos pode provocar problemas

indesejveis na operao de equipamentos, principalmente nos motores de induo
trifsicos, devido importncia destes motores em ambientes industriais. A
utilizao de modelos convencionais para a modelagem destes motores operando
com tenses desequilibradas impe resultados imprecisos e a obteno de modelos
adequados apresenta grande complexidade em funo das assimetrias e no
linearidades. Neste contexto, a utilizao de ferramentas inteligentes, mais
especificamente, redes neurais artificiais (RNA), reduz substancialmente a tarefa de
modelagem, permitindo sua utilizao sob condies de assimetrias e no
linearidades. Assim, uma bancada de testes foi montada para a aquisio de dados
experimentais de um motor de induo trifsico de 1CV, 4 polos, 220V/380V, tipo
gaiola de esquilo. Os dados coletados foram usados para o treinamento e validao
de uma RNA que modela a relao entre as tenses, correntes e a potncia no eixo.
Os resultados experimentais foram comparados com os obtidos com a RNA e com o
modelo dinmico, e constatou-se que a modelagem por meio de RNA adequada
para descrever matematicamente o comportamento de motores de induo trifsicos
operando com tenses desequilibradas.
Palavras-chave: Motor de Induo; modelamento de motores; tenses

desequilibradas; redes neurais artificiais.
viii
ABSTRACT
Unbalanced voltages in electrical systems can deteriorate the performance of

equipments and cause potential safety hazards and be harmful for the respective
applications, especially in the three-phase induction motors, the most common
energy receivers in industrial. The analysis of three phase induction motors under
supply voltage unbalance conditions using the well-known symmetrical components
analysis provide inaccurate results, and correct models are laborious, due to the
complex nature of voltage unbalance factor like asymmetries and nonlinearities. In
this context, the use of intelligent tools, specifically artificial neural networks (ANN),
significantly reduces the modeling task and allowing the use under conditions of
asymmetries and nonlinearities. Thus, a workbench tests was built for testing of the 4
pole, 220V/380V, 1CV squirrel-cage induction motor. Experimental set up for testing
were used to ANNs training and validation. The ANNs model showed the
relationship between the voltages, currents and shaft power. The results of
experimental investigations and computer calculations (ANN and dynamic model)
were compared and the results indicate that the ANN is adequate model that makes
it possible to mathematically describe an induction motors operating with unbalanced
voltage.
Keywords: Induction motor; motor modeling; voltage unbalance; artificial

neural networks.
1
1. INTRODUO
1.1 MOTIVAO E RELEVNCIA DO TRABALHO
Em um sistema eltrico trifsico, os valores associados s grandezas de

tenso ou corrente eltrica, podem ser alterados em funo de muitos fatores.
Dentro deste contexto, destacam-se quatro tipos de perturbaes que so
produzidas nos sinais de tenso ou corrente eltricas:
A perturbao na amplitude da tenso;
A perturbao na freqncia do sinal;
A distoro na forma de onda do sinal;
O desequilbrio de tenso ou corrente eltrica em sistemas trifsicos.
O desequilbrio de tenso em um sistema eltrico trifsico uma condio

onde as tenses entre as fases apresentam amplitudes diferentes entre si, ou
2
defasagem angular diferentes de 120 eltricos ou, ainda, as duas condies

simultaneamente. Destas, apenas a primeira freqentemente evidenciada no
sistema eltrico (OLESKOVICZ, 2007).
Desequilbrio de tenso muitas vezes definido como o desvio mximo dos

valores mdios das tenses ou correntes trifsicas, dividido pela mdia dos mesmos
valores, expresso em percentagem. O desequilbrio tambm pode ser definido
usando-se a teoria de componentes simtricos. A razo entre os componentes ou de
seqncia negativo ou zero, com o componente de seqncia positivo pode ser
usado para especificar a percentagem do desequilbrio (OLESKOVICZ, 2007).
Uma das causas de desequilbrio de tenso a presena de cargas trifsicas

desequilibradas, como fornos de induo e a arco, conectadas a um sistema
trifsico, uma vez que as correntes absorvidas nas trs fases no so simtricas,
isto , no so iguais em amplitude nem to pouco defasadas de 120 (DUGAN,
2003).
Outro fator que causa o aparecimento do desequilbrio de tenso a

existncia, nos sistemas de distribuio, de cargas monofsicas distribudas
inadequadamente, ou consumidores alimentados de forma trifsica que possuem
uma m distribuio de carga em seus circuitos internos. Isto gera correntes
eltricas desequilibradas no circuito, fazendo surgir tenses tambm desequilibradas
(OLESKOVICZ, 2007).
O desequilbrio de tenso tambm pode surgir devido existncia de linhas

de transmisso mal transpostas, onde as caractersticas eltricas destas linhas,
como a impedncia, no so uniformes no seu percurso, ou tambm por
transformadores com enrolamentos no simtricos.
Assim, o desequilbrio de tenso pode provocar problemas indesejveis na

operao de equipamentos, dentre os quais podemos destacar os motores de
induo trifsicos (MIT), em funo da importncia destas cargas em ambientes
industriais.
3
Os MIT so usados em diversos setores industriais, sendo o principal

elemento de converso de energia eltrica em mecnica motriz. Sua popularidade
se deve ao baixo custo e robustez (GOEDTEL, 2003).
O setor industrial brasileiro responsvel por cerca de 47% do consumo de

energia eltrica do pas. Sabe-se, ainda, que o consumo de energia nos
sistemas motrizes corresponde a 62% do total da energia eltrica
consumida na indstria, o que corresponde a 28,5% do consumo total deste
insumo no pas. O elevado consumo apresentado pelos sistemas motrizes,
maior at que os demais segmentos individualmente, torna esses sistemas,
o principal foco de atuao de programas de eficincia energtica voltados
ao setor industrial (ELETROBRAS, 2010).
O MIT o tipo de motor eltrico mais utilizado e difundido, tanto para

motorizao de sistemas, quanto para processos industriais. Sua principal vantagem
a eliminao de contatos eltricos deslizantes e uma construo bastante simples,
possibilitando um custo mais baixo, sendo fabricadas para uma grande variedade de
aplicaes (CAD, 2000).
Motores de induo trifsicos aplicam um simples, mas inteligente e

eficiente sistema de converso eletromecnica de energia. No MIT com
rotor em gaiola de esquilo, o qual constitui a vasta maioria das mquinas de
induo, o rotor inacessvel. Nenhum contato mvel necessrio, tais
como o comutador e as escovas das mquinas de corrente contnua ou
anis deslizantes e as escovas nos motores e geradores sncronos. Este
arranjo eleva consideravelmente a confiabilidade dos motores de induo e
elimina os riscos de centelhas, permitindo aos motores deste tipo serem
utilizados com segurana em ambientes muito agressivos ou em reas
classificadas contendo atmosfera potencialmente explosivas. Um grau
adicional de robustez provido pela ausncia de fiao no rotor, cujos
enrolamentos consistem de barras de metal no isoladas formando uma
gaiola de esquilo a qual d nome a este tipo de motor. Este robusto rotor
pode girar em elevadas rotaes e suportar grandes sobrecargas
mecnicas e eltricas (BULGARELLI, 2006).
4
Para as anlises dos efeitos de tenses desequilibradas aplicadas a um motor

de induo, consideram-se os efeitos produzidos pelas tenses de seqncia
negativa, que somados aos da tenso de seqncia positiva, resultam, num
conjugado pulsante no eixo da mquina (OLESKOVICZ, 2007).
O torque pulsante aumenta a vibrao da mquina com conseqente

aumento na gerao de rudo. Alm disso, em motores de eixo curto e pequeno
entreferro, as vibraes podem provocar leve contato entre rotor e estator elevando
a temperatura nos pontos de atrito (LEE, 1998).
Alm disto, as correntes de seqncia negativa causam um

sobreaquecimento no MIT. Como conseqncia direta desta elevao de
temperatura, tem-se a reduo da expectativa de vida til dos motores, visto que o
material isolante sofre uma deteriorao mais acentuada na presena de elevadas
temperaturas nos enrolamentos (OLESKOVICZ, 2007).
A margem de elevao de temperatura permissvel, em mquinas eltricas

de fabricao atual, de 40C acima da temperatura ambiente. Estudos
empricos mostram que, para cada acrscimo de 10C na temperatura de
funcionamento do motor em relao ao limite recomendado, a vida do
enrolamento reduzida pela metade (KOSOV, 1972).
Sob tenses desequilibradas, o torque mdio igual soma algbrica do

torque produzido pela componente de seqncia positiva mais o torque produzido
pela componente de seqncia negativa (KRAUSE, 2002). Portanto sob estas
condies o torque eletromagntico produzido menor que o torque desenvolvido
em condies ideais. Do ponto de vista de rendimento, verifica-se uma reduo
deste, devido a dois fatores principais: ao aumento das perdas no cobre do estator e
do rotor, e ao crescimento nas perdas no ferro (MACHADO, 2008).
Outro aspecto a ser considerado na operao do MIT com tenses

desequilibradas a grande variao que a corrente solicitada em cada fase do
motor pode apresentar. Esta variao no possui um comportamento linear.
5
Na Figura 1.1 so apresentados alguns exemplos de correntes em cada fase

de um MIT operando com diversas combinaes de desequilbrio de tenso, obtidos
experimentalmente. Os valores das tenses e cargas no eixo do MIT, que geraram
estas correntes so mostrados no Apndice A.
Ia - Real Ib - Real Ic - Real
4
3,5
3
Corrente de fase (A)
2,5
2
1,5
1
0,5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Combinaes de desequilbrio de tenso
FIGURA 1.1 Corrente eficaz em cada fase de um MIT operando com tenses
desequilibradas.
Como o valor das correntes solicitadas pelo MIT tanto na partida como em
regime so fundamentais no dimensionamento dos dispositivos de proteo e
controle, esta variao da corrente provocada pelas tenses desequilibradas implica
em grande incerteza, tanto para a vida til do MIT e dos demais elementos do
sistema, quanto para o funcionamento adequado dos elementos de controle e
segurana.
Observa-se tambm que um desequilbrio de corrente torna difcil a correta

seleo do dispositivo de proteo e atuao do mesmo (MACHADO,
2008).
As maiores dificuldades do controle eficiente do MIT consistem no tratamento

das no linearidades e complexidade analtica do motor. Na prtica, tais fatores se
6
agravam devido ao efeito da curva de magnetizao do fluxo eletromagntico, ao

efeito pelicular, alimentao desequilibrada, ao efeito das harmnicas, s
variaes paramtricas do motor em funo do aumento de temperatura e
assimetria do motor, tornando o sistema altamente no linear e, consequentemente,
de difcil soluo matemtica (SUETAKE, 2008).
Os mtodos tradicionais de modelamento matemtico do MIT fazem uma

transformao linear do comportamento do motor, com o objetivo de simplificao
matemtica. Isto provoca uma impreciso nos resultados das simulaes
computacionais que usam tais mtodos de modelamento do MIT, quando os valores
das tenses, em cada fase, deixam de ser iguais.
Os modelos convencionais de mquinas ou processos acionados por

motores eltricos apresentam resultados satisfatrios em determinadas
situaes, mas normalmente so bastante particularizados ou falhos quando
lidam com o comportamento no-linear dos componentes envolvidos em tais
sistemas. Um modelo empregando redes neurais artificiais para mapear o
comportamento dessas mquinas pode lidar satisfatoriamente com esses
problemas caracterizados pelas no-linearidades das variveis envolvidas
no processo (GOEDTEL, 2003).
Na tentativa de contornar tais problemas, as tcnicas baseadas em sistemas

inteligentes para a anlise e controle do MIT de tornam atraentes em virtude da sua
habilidade de lidar com sistemas no lineares e variantes no tempo e de no
necessitar de um modelo matemtico preciso, alm de apresentar uma grande
facilidade de integrao computacional com as tcnicas convencionais. Dentre as
diversas tcnicas de sistemas inteligentes, as principais e mais populares consistem
nas Redes Neurais Artificiais (RNA), nos Sistemas Fuzzy e nos Algoritmos
Genticos (SUETAKE, 2008).
Neste contexto, uma alternativa para a determinao das correntes

resultantes da operao do MIT com tenses desequilibradas o uso da RNA. As
RNA so modelos computacionais que utilizam tcnicas de processamento
7
inerentemente paralelas e adaptativas atravs de um grande nmero de unidades

simples de processamento (HAYKIN, 1999).
Alguns trabalhos j empregam a RNA como uma ferramenta alternativa na

anlise de no-linearidades do MIT, como por exemplo, os trabalhos de GOEDTEL
(2003 e 2007) onde o primeiro estima o conjugado de carga, e o segundo, a
velocidade do MIT utilizando RNA.
As aplicaes com redes neurais tm aumentado a cada dia, fornecendo

uma nova viso e alternativa ao tratamento de sistemas complexos. Essa
metodologia est sendo utilizada em vrias aplicaes devido ao aumento
do poder computacional dos microprocessadores. Vrios estudos tm
mostrado alternativas ao tratamento das no-linearidades que envolvem um
sistema dinmico cujo equacionamento convencional um tanto quanto
falho pelas suas aproximaes aos sistemas lineares (GOEDTEL,
2003).
1.2 PROPOSTA E JUSTIFICATIVA DA DISSERTAO
A necessidade crescente de busca por processos mais econmicos, e na

utilizao racional e eficiente da energia eltrica, tem implicado na realizao de
estudos detalhados para a otimizao de todo o processo industrial. Desta forma, os
motores eltricos se tornaram elementos indispensveis na maioria dos processos
dos setores produtivos, pois os mesmos se destacam como os principais elementos
de converso de energia eltrica em mecnica (SILVA, 2007).
As indstrias se esforam para otimizar o tempo de operao dos processos

produtivos. Uma vez que os motores eltricos representam cerca de 90% dos
acionamentos das mquinas associadas a estes processos, a identificao e a
correo de problemas de manuteno eltricos e mecnicos destes motores so
fundamentais para a elevao dos nveis de confiabilidade do sistema e para o
aumento dos lucros operacionais (BULGARELLI, 2006).
8
Em processos industriais, todos os aspectos de produo necessitam serem

analisados de forma a possibilitar a produo com qualidade, segurana e a
custos desejados. Os custos de investimento e de consumo de energia
podem ser otimizados pela rgida coordenao entre o motor e a carga
acionada, uma vez que a menor potncia possvel para o motor deve ser
especificada, de forma a operar no valor de eficincia mais alto possvel, o
que no ocorreria se o motor tivesse sido sobre-dimensionado. A seleo e
a aplicao adequada dos dispositivos de proteo do motor contribuem
para minimizar os custos operacionais da indstria (BULGARELLI,
2006).
Os custos de manuteno podem ser mantidos em valores mnimos pela

deteco antecipada e preditiva de ndices que possam levar a ocorrncia de falhas
em motores. Nestes casos, podem ser executados servios de manuteno
preventiva com menores custos, quando comparados aos elevados custos das
manutenes corretivas, onde normalmente so exigidos reparos ou substituies
de equipamentos ou componentes danificados (BULGARELLI, 2006).
Com o aumento de fatores que causam o desequilbrio de tenso nos

sistemas trifsicos de distribuio, a operao dos MIT com tenso desequilibrada
passa a ser uma situao real, tornando-se uma varivel instvel nos mtodos
tradicionais de proteo do MIT.
Portanto, existe a necessidade de uma ferramenta ou metodologia simples

que seja capaz de descrever de forma satisfatria o comportamento do MIT
operando com desequilbrio de tenso, observando-se que tal aspecto tem se
tornado fator limitante nos sistemas de proteo e acionamento.
Em geral, as abordagens inteligentes tm sido aplicadas cada vez mais em

sistemas complexos, onde o equacionamento convencional um tanto falho
para processos no-lineares que envolvam um sistema dinmico, pois os
mesmos em certos casos acabam sendo aproximados por sistemas
lineares. Alm disso, tais abordagens inteligentes esto, tambm, sendo
cada vez mais utilizadas em vrias aplicaes devido ao incremento do
poder computacional dos microprocessadores (SILVA, 2007).
9
Neste contexto, este trabalho prope a utilizao de uma RNA no

modelamento do MIT, para estimar os valores das correntes no motor, por fase,
operando em condies de equilbrio ou de desequilbrio de tenso.
Assim, a estimativa das correntes do MIT operando com tenses equilibradas

ou no, pode contribuir para trs finalidades principais:
A primeira finalidade prover informaes sobre os valores de

sobrecorrentes que sero exigidas pelo motor, em funo do
desequilbrio de tenses, onde ser possvel determinar o fator de
reduo de potncia do motor (derating), contribuindo para o correto
dimensionamento do mesmo em condies de desequilbrio.
A segunda finalidade prover dados relativos ao sistema de proteo do

motor, onde ser possvel determinar uma faixa de atuao dos
dispositivos de proteo, dentro de limites pr-estabelecidos, evitando
desligamentos desnecessrios e mantendo a confiabilidade do sistema.
A terceira finalidade prover informaes para o sistema de

acionamento e controle do motor, onde os dispositivos sero
dimensionados de acordo com a faixa de valores de tenso e corrente,
evitando o mau funcionamento ou a queima destes dispositivos.
Assim, por meio de uma RNA, sero determinadas as correntes eltricas

exigidas por um MIT de 1CV, a partir dos valores das tenses aplicadas,
equilibradas ou no, e do valor da carga no seu eixo.
Para tal desenvolvimento, uma bancada de ensaios foi montada para o

levantamento dos dados experimentais, necessrios para o treinamento e validao
da RNA.
Por fim, com a utilizao de uma RNA, a relao entre as tenses de

alimentao e as correntes em cada fase estabelecida e o resultado desta
modelagem comparado aos resultados de simulaes de um modelo dinmico.
10
1.3 TRABALHOS PUBLICADOS EM EVENTOS CIENTFICOS
A seguir tem-se o artigo publicado em congresso relativo divulgao dos

resultados desta dissertao:
OLIVEIRA, J. E. A., SERNI, P. J. A., ULSON, J. A. C., ANDREOLI, A. L.,

AGUIAR, P. R. e GOEDTEL, A., Modelagem de um Motor de Induo Trifsico
Acionado com Tenses Desequilibradas por meio de Redes Neurais Artificiais. In:
Conferncia Internacional de Aplicaes Industriais IX INDUSCON, So Paulo,
2010.
11
2. REVISO BIBLIOGRFICA E ESTADO DA ARTE
2.1 MOTOR DE INDUO OPERANDO COM TENSES

DESEQUILIBRADAS
Em 1936, REED e KOOPMAN realizaram um dos primeiros estudos do motor

de induo operando com tenso desequilibrada. O mtodo utilizado foi o das
componentes simtricas, e eles concluram que a eficincia do motor diminui sob
tenses desequilibradas devido divergncia dos torques gerados pelas tenses de
sequncia positiva e negativa.
WILLIAMS (1954) realizou uma avaliao quantitativa das perdas num motor
sob vrios nveis de tenses desequilibradas utilizando o mtodo de componentes
simtricas. O processo dividido em cinco etapas:
Determinao das componentes de seqncia positiva e negativa das

tenses, utilizando mtodo grfico;
12
Clculo das impedncias de seqncia positiva e negativa do motor;
Determinao das componentes de seqncia positiva e negativa das

correntes;
Avaliao das trs correntes de linha das componentes;
Determinao das perdas no motor.
A partir destas avaliaes, foi definida uma expresso para o clculo das
perdas no motor provocadas pelas componentes de seqncia negativa:
2
V
Perdas = 3 . AO [
. ( Z . cos ).( 2 s ) (1 s ).R1 ] (2.1)
Z
V-AO = tenso de seqncia negativa [V] s = escorregamento
Z- = impedncia de seqncia negativa [] R1 = Resistncia do estator []
cos - = fator de potncia de seqncia negativa
As concluses finais do trabalho de WILLIAMS (1954) foram que a carga no

eixo do motor no interfere nas perdas devido ao desequilbrio das tenses; que
pequenos desequilbrios nas tenses provocam elevados desequilbrios nas
correntes de linha.
No trabalho de GAFFORD (1959) foi realizada uma pesquisa sobre o

comportamento da temperatura em um motor operando com tenses
desequilibradas, onde foram realizados testes em um motor de induo trifsico de
10HP, 220V, 6 plos, ligado em tringulo. Sua concluso foi que quanto maior o
desequilbrio de tenso, maior era o aumento de temperatura no motor de induo
trifsico e que este aquecimento era devido principalmente s perdas no cobre dos
enrolamentos do motor.
BERNDT (1963) realizou testes com motores de induo trifsicos, operando

com tenses desequilibradas, com o objetivo de definir uma expresso para calcular
a potncia reduzida do motor, nestas condies, denominado em ingls como
13
derating. Os testes foram realizados com trs motores de 5HP, 220V, 1800rpm,
ligados em Y, onde foi determinada a taxa de elevao de temperatura dos motores,
com as temperaturas sendo medidas pela variao da resistncia do enrolamento e
com termopares.
A expresso definida foi:
1 s 1 s
P = ( I ' r 1 ) 2 .R ' r 1 . 2
( I ' r 2 ) .R ' r 2 . (2.2)
s 2 s
Ir1 = corrente no rotor de seqncia positiva [A] Rr2 = resistncia do rotor de

seqncia negativa []
Ir2 = corrente no rotor de seqncia negativa [A]
s = escorregamento
Rr1 = resistncia do rotor de seqncia positiva []
Alm da expresso para o clculo da potncia reduzida, o trabalho de

BERNDT (1963) destacou a necessidade de reviso das normas para definir valores
de desequilbrios permitidos, e que, se o desequilbrio das tenses existir e no
puder ser evitado, uma alternativa superestimar a potncia do motor.
A pesquisa de WOLL (1975) demonstrou que os efeitos prejudiciais da tenso

desequilibrada na operao do motor de induo polifsico podem ser obtidos a
partir da decomposio das componentes de seqncia positiva e negativa.
medida que o desequilbrio de tenso aumenta, a tenso de seqncia positiva
diminui e a de seqncia negativa, aumenta. Ambas as variaes so prejudiciais ao
bom funcionamento do motor.
Foi mostrada tambm uma curva com o comportamento das perdas no motor
e do aquecimento em funo do desequilbrio da tenso (Figura 2.1), e outra curva
onde foi mostrado o comportamento da vida do isolamento dos enrolamentos do
motor em funo do desequilbrio da tenso, para cada duas classes de isolao e
dois fatores de servio diferentes (Figura 2.2).
14
Aquecimento no
motor
AUMENTO (%)
Perdas no motor
DESEQUILBRIO DE TENSO (%)

Norma NEMA
FIGURA 2.1 Comportamento do aquecimento e das perdas no motor em funo do

desequilbrio de tenses.
FONTE: Woll, 1975.
LEE (1997) investigou os efeitos de diferentes tenses desequilibradas com o

mesmo fator de desequilbrio de tenso (VUF Voltage Unbalanced Factor) no
desempenho de um motor trifsico, e seus efeitos no sistema de alimentao. Para
isto, foi realizado um teste de carga para medir o desempenho de um motor de
induo trifsico sob oito condies diferentes de desequilbrio de tenses:
Desequilbrio de subtenso numa nica fase (1-UV);
Desequilbrio de subtenso em duas fases (2-UV);
Desequilbrio de subtenso em trs fases (3-UV);
Desequilbrio de sobretenso numa nica fase (1-OV);
Desequilbrio de sobretenso em duas fases (2-OV);
Desequilbrio de sobretenso em trs fases (3-OV);
Desequilbrio no ngulo de fase numa nica fase (1-A);
Desequilbrio no ngulo de fase em duas fases (2-A);

15
Um dos resultados do trabalho de LEE (1997) foi que para um mesmo fator de
desequilbrio, o aumento da tenso de sequncia positiva provoca um aumento no
rendimento e uma diminuio do fator de potncia do motor. Outra concluso foi que
o comportamento do aumento de temperatura no motor era diferente para cada
condio de desequilbrio de tenses, sendo que os casos de desequilbrio com sub-
tenses provocavam os maiores aumentos de temperatura. Alm disto, o autor
verificou que o desequilbrio de tenses no motor no s provoca a perda de
potncia, como tambm o aumento no consumo de energia, provocando
instabilidade de sistema de alimentao.
O trabalho de EGUILUZ (1999) verificou que o motor de induo operando

com desequilbrio de tenses, tinha seu fator de potncia alterado, provocando o
aumento da quantidade de energia reativa exigida, o que aumentava os valores de
correntes do circuito.
Em 1999, LEE realizou outra investigao do comportamento do motor de

induo operando com tenses desequilibradas, onde novas condies foram
estabelecidas:
Mesmo fator de desequilbrio de tenso (VUF) com diferentes valores de

tenses;
Uma nica tenso desequilibrada, com diferentes graus de desequilbrio;
Mesma tenso de seqncia positiva, com diferentes tenses de

seqncia negativa.
As concluses do autor foram que para uma correta anlise os efeitos do

desequilbrio de tenso nos motores, tanto as tenso de seqncia positiva, quanto
s de seqncia negativa devem ser consideradas, e que as tenses
desequilibradas provocam um aumento excessivo de temperatura no motor e
diminuem a vida til do mesmo.
Nas pesquisas de DYMOND e STRANGES (2005) foram realizados testes em

um motor de induo trifsico de 1500HP, 4 polos, sob trs diferentes nveis de
16
desequilbrio de tenso, com o objetivo de apresentar o resultado do aquecimento

no estator e no rotor, velocidade-torque e o desempenho com rotor bloqueado.
Os resultados foram apresentados em um grfico, onde se mostrou o

comportamento do aumento da temperatura no motor, em vrios pontos, em funo
do desequilbrio de tenso (Figura 2.2).
Uma das concluses de DYMOND e STRANGES (2005) foi que a estrutura

fsica do rotor gaiola de esquilo influencia no comportamento do aumento de
temperatura do motor, em condies de desequilbrio. Outro resultado deste artigo
foi que o desequilbrio de tenso afeta as perdas no cobre, o aquecimento, o rudo, a
vibrao, a pulsao no torque, o escorregamento e o torque de partida do motor.
Barramento do rotor
AUMENTO DE TEMPERATURA (C)
Enrolamento do estator
Anel final _
Ncleo_
DESEQUILBRIO DE TENSO (%)
FIGURA 2.2 Comportamento do aumento da temperatura no motor, em vrios pontos, em

funo do desequilbrio de tenses.
FONTE: Dymond e Stranges, 2005.
O trabalho de FAIZ e EBRAHIMPOUR (2006) prope que, sob condies de

desequilbrio de tenso, a carga do motor deve ser reduzida de acordo com o fator
17
de reduo de potncia do motor (derating), melhorando o seu rendimento e

garantindo a sua operao segura.
SERNI (2006) realizou uma investigao sobre os efeitos do desequilbrio de

tenses em cargas industriais trifsicas, onde verificou que o torque eletromagntico
de um motor de induo trifsico, alimentado com tenses desequilibradas, em
regime permanente, oscila prximo do valor do torque de carga e que esta oscilao
indica a existncia de uma componente de 120Hz no torque eletromagntico. Esta
componente pode ser atribuda existncia das componentes de sequncia inversa
presentes nas tenses desequilibradas.
Em 2008, MACHADO desenvolveu um estudo sobre o impacto de tenses

desequilibradas no desempenho dos motores de induo trifsicos, utilizando o
modelamento clssico, por meio do programa Matlab/Simulink, e tambm propondo
um modelamento, onde foi utilizado um circuito equivalente que levava em
considerao as perdas no ferro do estator.
O artigo conclui que na presena de componentes de seqncia negativa, a

corrente de estator sofre um aumento significativo, que eleva as perdas por efeito
Joule no rotor e no estator. Outro efeito secundrio deste fenmeno reduo da
vida til do isolamento da mquina.
Tambm foi constatado que quando submetido a tenses desequilibradas, o

torque eletromagntico do motor torna-se pulsante, aumentando assim a vibrao e
gerao de rudo.
O autor conclui tambm que, operando sob desequilbrio de tenso, o

rendimento do motor tem uma reduo de aproximadamente 9%. Esta reduo de
aproximadamente 12,84%, quando se considera as perdas no ferro do rotor.
18
2.2 MODELAMENTO MATEMTICO DO MOTOR DE INDUO
Em 1918, FORTESCUE publicou seu clssico artigo sobre o mtodo das

componentes simtricas. Este mtodo de transformao encontrou imediata
aplicao na anlise da operao desequilibrada de mquinas de induo.
No final dos anos 20, PARK (1929) revolucionou a anlise de mquinas

eltricas, quando formulou um sistema de transformao linear, que transformava as
variveis girantes do rotor de uma mquina sncrona, em variveis pseudo-
estacionrias. Nesta transformao, o referencial bifsico convertido para um
sistema de 2 vetores ortogonais e que giram em sincronismo com a freqncia da
rede.
Em 1938, STANLEY apresentou uma mudana de variveis que

transformavam as variveis girantes do rotor de uma mquina de induo, em um
sistema de coordenadas estacionrias.
Em 1943, CLARKE apresentou um mtodo para transformar o sistema

trifsico varivel num sistema de 2 vetores ortogonais e estacionrios, como uma
mquina C.C.
KRON (1951) introduziu uma mudana de variveis na qual transformava as

variveis do estator e do rotor de uma mquina de induo simtrica para
coordenadas rotativas em sincronismo com o campo girante.
BARBI (1985) apresentou um estudo dos princpios bsicos dos fenmenos

associados a converso eletromecnica de energia que seriam empregados no
modelamento da mquina de induo.
KRAUSE (1995) apresentou uma anlise de mquinas eltricas utilizando a

teoria do sistema de coordenadas arbitrrias. Sua tcnica de modelamento do motor
de induo trifsico o mtodo usado no software Matlab/Simulink, que foi utilizado
neste trabalho.
19
ONG (1997) apresentou tcnicas de modelamento e simulao de mquinas

eltricas utilizando o software Matlab/Simulink.
2.3 REDES NEURAIS ARTIFICIAIS
Em 1943, o neurofisiologista McCulloch e o matemtico Walter Pitts,

realizaram um trabalho que fazia uma analogia entre clulas vivas e o processo
eletrnico, simulando o comportamento do neurnio natural, onde o neurnio
possua apenas uma sada, que era uma funo do valor de suas diversas entradas.
Da surgiu o modelo do neurnio artificial (LOURENO, 2010).
Em 1949, o psiclogo Donald Hebb demonstrou que a capacidade da

aprendizagem em redes neurais biolgicas vem da alterao da eficincia sinptica,
isto , a conexo somente reforada se tanto as clulas pr-sinpticas quanto as
ps-sinpticas estiverem excitadas. Hebb foi o primeiro a propor uma lei de
aprendizagem especfica para as sinapses dos neurnios (LOURENO, 2010).
Em 1951, aconteceu a construo do primeiro neuro-computador,

denominado Snark, por Mavin Minsky. O Snark operava ajustando seus pesos
sinpticos automaticamente (LOURENO, 2010).
Ashby (1952) publicou o livro Design for a Brain: The Origin of Adaptive
Behavior. O livro mostra que o comportamento adaptativo no inato, mas sim
aprendido, e que atravs da aprendizagem o comportamento de um sistema muda
para melhor. Isto definiu os conceitos de adaptabilidade dos seres vivos, onde a vida
e a inteligncia podem desenvolver-se em qualquer sistema fsico se forem
cumpridos determinados limites fisiolgicos (LOURENO, 2010).
Em 1954, Minsky escreveu uma tese intitulada Theory of Neural-Analog

Reinforcement System and Its Application to The Brain-Model Problem, sendo o
20
primeiro a usar o termo redes neurais. Tambm em 1954, Garbor props os

conceitos de filtros adaptativos no lineares (ULSON, 2002).
Em 1956, Taylor iniciou o trabalho sobre memrias associativas neurais, que

so modelos do fenmeno biolgico que permite o armazenamento de padres e a
recordao destes aps a apresentao de uma verso ruidosa ou incompleta de
um padro armazenado (ULSON, 2002).
Rosemblatt (1958) mostrou em seu livro Principles of Neurodynamics o

modelo dos "Perceptrons". Nele, os neurnios (Perceptron) eram organizados em
camada de entrada e sada, onde os pesos das conexes eram adaptados a fim de
se atingir a eficincia sinptica usada no reconhecimento de caracteres
(LOURENO, 2010).
Em 1960 surgiu a rede ADALINE (ADAptative LInear NEtwork) e o

MADALINE (Many ADALINE), proposto por Widrow e Hoff. O ADALINE/MADALINE
utilizou sadas analgicas em uma arquitetura de trs camadas (ULSON, 2002).
Em 1969, Minsky e Papert publicaram um livro que constata que um neurnio

do tipo Perceptron s capaz de resolver problemas com dados de classes
linearmente separveis, salientando as limitaes quanto a computadores e
estaes de trabalhos para conduzir experimentos nesta rea. Aps a publicao
deste livro, e tambm, por no haver suporte financeiro para conduzir projetos nesta
rea, as pesquisas com RNA ficaram esquecidas at o incio de 1980 (LOURENO,
2010).
Em 1974, Werbos descreveu o algoritmo de propagao do erro

(Backpropagation), que se baseia na heurstica do aprendizado por correo de erro,
onde este retro-propagado da camada de sada para as camadas intermedirias
da RNA. Este algoritmo s foi redescoberto em 1986 (ULSON, 2002).
21
Em 1980, Grossberg estabelece a teoria da ressonncia adaptativa (ART),

que envolvia uma camada de reconhecimento e uma camada de generalizao,
onde se aplicava um princpio de auto-organizao (LOURENO, 2010).
Em 1982, foram publicados os trabalhos do fsico e bilogo Hopfield relatando

a utilizao de redes simtricas para otimizao, atravs de um algoritmo de
aprendizagem que estabilizava uma rede binria simtrica com realimentao. Esta
particular classe de redes neuronais com realimentao atraiu grande ateno nos
anos 80, tornando-se conhecida como redes de Hopfield (LOURENO, 2010).
Rumelhart, Hinton e Williams (1986) introduziram o poderoso mtodo de

treinamento denominado Backpropagation. Neste mesmo ano, Rumelhart e
McClelland escreveram o livro Processamento Paralelo Distribudo: Exploraes na
Microestrutura do Conhecimento (LOURENO, 2010).
Broomhead e Lowe (1988) descreveram um procedimento para o projeto de

uma rede neural (feedforward) usando funes de base radial (Radial Basis Function
- RBF), que proporcionou um Perceptron alternativo. Eles aplicaram as RNA na rea
de anlise numrica e de filtros adaptativos lineares. Um trabalho suplementar
apareceu em 1990 com Poggio e Girosi, que enriqueceram a teoria de redes RBF
aplicando a teoria da regularizao de Tikhonov (ULSON, 2002).
22
3. MODELAMENTO MATEMTICO DO MOTOR DE

INDUO TRIFSICO
3.1 INTRODUO
Para que se possa representar matematicamente a mquina em estudo,

sero feitas algumas hipteses simplificativas, sem as quais as expresses seriam
extremamente complexas (BARBI, 1985):
Os enrolamentos do estator so todos iguais;
Os enrolamentos do rotor so todos iguais;
Os ngulos eltricos entre os enrolamentos so iguais, tanto no estator

quanto no rotor;
O entreferro considerado constante;
O circuito magntico considerado ideal. A saturao no existe;
A densidade de fluxo magntico no entreferro radial e senoidal;

23
A mquina ser considerada bipolar;
No sero consideradas as perdas magnticas.
Na Figura 3.1 tem-se a representao de uma mquina de induo trifsica

simtrica com dois plos e seus enrolamentos conectados em estrela, onde as, bs e
cs so os eixos de coordenadas com referencial estatrico e ar, br e cr so os eixos
de coordenadas com referencial rotrico (KRAUSE, 1995).
FIGURA 3.1 Representao de uma mquina de induo trifsica de 2 polos em estrela.

FONTE: Krause, 1995.
24
onde:
Ns = Nmero de espiras do enrolamento do estator;
Nr = Nmero de espiras do enrolamento do rotor;
rs = Resistncia eltrica do enrolamento do estator [];
rr = Resistncia eltrica do enrolamento do rotor [].
Sendo o estator alimentado por uma fonte de tenso trifsica equilibrada e os

enrolamentos do rotor curto-circuitados, tm-se correntes equilibradas percorrendo
os enrolamentos do estator. Tais correntes iro gerar uma fora magneto motriz
(FMM) girante no entreferro, com velocidade sncrona (ns).
Considerando o rotor girando em uma velocidade constante (n) no mesmo

sentido do campo girante do estator. A diferena entre a velocidade sncrona (ns) e a
velocidade do rotor denominada escorregamento (s). O escorregamento
normalmente expresso como uma relao com a velocidade sncrona, podendo ser
determinado, como:
s = escorregamento
n n
s= s ns = velocidade sncrona [RPM] (3.1)
ns
n = velocidade do rotor [RPM]
Com a diferena de velocidade entre o campo girante do estator a rotao do

rotor, sero induzidas correntes equilibradas nos enrolamentos curto-circuitados do
rotor. A frequncia das correntes no rotor ser a diferena entre as velocidades,
podendo ser determinada em funo do escorregamento.
fr = frequncia no rotor [Hz]
f r = s. f e s = escorregamento (3.2)
fe = frequncia no estator [Hz]
25
Assim, as correntes induzidas no rotor iro criar uma FMM que gira na
velocidade determinada pela frequncia das correntes no rotor. A interao entre a
FMM no estator com a FMM no rotor ir produzir um torque constante que mantm a
rotao do motor. Este torque denominado torque assncrono, e existe em
qualquer velocidade do rotor diferente da velocidade sncrona (FITZGERALD, 2006).
As indutncias prprias de todos os enrolamentos so consideradas

constantes, desta forma, no existir o torque de relutncia. Sendo os enrolamentos
do estator iguais, suas indutncias prprias tambm sero iguais. Assim tm-se:
Lasas = Lbsbs = Lcscs (3.3)
Sendo:
Lls = indutncia de disperso do estator [H]

Lasas = Lls + Lms (3.4)
Lms = indutncia de magnetizao do estator [H]
onde:
Ns = nmero de espiras do enrolamento do estator

2 0 = permeabilidade no ar livre
N rl
L ms = s . 0 r = raio mdio do entreferro (3.5)
2 g
l = comprimento axial do entreferro
g = distncia uniforme do entreferro
Da mesma forma, todas as indutncias mtuas do estator sero iguais,

sendo:
1
L asbs = L ms (3.6)
2
26
O mesmo acontece no rotor, onde:
L arar = L r + L mr (3.7)
2
N rl
L mr = r . 0 (3.8)
2 g
1
L arbr = L mr (3.9)
2
As indutncias mtuas entre os enrolamentos do estator e do rotor podem ser

determinadas por:
Lasar = Lbsbr = Lcscr = L sr cos r (3.10)
2
L asbr = Lbscr = Lcsar = L sr cos r + (3.11)
3
2
L ascr = Lbsar = Lcsbr = L sr cos r (3.12)
3
onde:
N N rl
L sr = s . r . 0 (3.13)
2 2 g
Assim, as equaes de tenso podem ser definidas como:
d as
v as = ias .rs + (3.14)
dt
d
vbs = ibs .rs + bs (3.15)
dt
d
v cs = ics .rs + cs (3.16)
dt
27
d ar
v ar = iar .rr + (3.17)
dt
d br
vbr = ibr .rr + (3.18)
dt
d cr
v cr = icr .rr + (3.19)
dt
onde:
as = Lasas .ias + Lasbs .ibs + L ascs .ics + Lasar .iar + L asbr .ibr + L ascr .icr (3.20)
Com as equaes de tenses definidas, as equaes de fluxo concatenado

no estator e no rotor, no formato matricial, sero:
abcs L s L sr i abcs
= (L )T .
L r i abcr
(3.21)
abcr sr
Sendo:
abcs = [ as bs cs ]T = fluxo concatenado estatrico por fase
abcr = [ ar br cr ]T = fluxo concatenado rotrico por fase

(3.22)
iabcs = [ias ics ]
T
ibs = vetor corrente de estator por fase
iabcr = [iar icr ]

T
ibr = vetor corrente de rotor por fase
As submatrizes de indutncias estator-estator e rotor-rotor (indutncias

prprias) e estator-rotor (indutncia mtua) podem ser representadas por:
28
1 1
Lls + L ms
2
L ms
2
L ms
1 1
L s = L ms Lls + L ms L ms (3.23)
2 2
1L
1
L ms Lls + L ms
2 ms 2
1 1
L lr + L mr
2
L mr
2
L mr
1 1
L r = L mr Llr + L mr L mr (3.24)
2 2
1L
1
L mr L lr + L mr
2 mr 2
2 2
cos r cos r + cos r +
3 3

2 2
L sr = L sr . cos r cos r cos r + (3.25)
3 3

cos r +
2 2
cos r cos r
3 3
Lls = indutncia de disperso estatrica [H] Lms = indutncia mtua estatrica [H]
Llr = indutncia de disperso rotrica [H] Lmr = indutncia mtua rotrica [H]
Ls = indutncia prpria do estator [H] Lsr = indutncia mtua rotrica/estatrica [H]
Lr = indutncia prpria do rotor [H]
Desprezando-se as perdas de entreferro e magnticas, podemos representar

as indutncias mostradas anteriormente, em funo do nmero de espiras do
enrolamento do estator (Ns), do enrolamento do rotor (Nr), e da permencia do
entreferro (Pg), com as seguintes relaes (MINOTTI, 2008):
29
L s = N s2 . Pg (3.26)
2
L ms = N s2 .Pg . cos (3.27)
3
L sr = N s . N r . Pg (3.28)
Lr = N r2 .Pg (3.29)
2
L mr = N r2 . Pg . cos (3.30)
3
Pode-se verificar a mquina idealizada descrita por seis equaes

diferenciais de 1 ordem, uma para cada fase do enrolamento do estator e do rotor.
Estas equaes diferenciais so acopladas uma outra atravs das indutncias
mtuas existentes entre os enrolamentos, particularmente nos termos de
acoplamento estator-rotor, que so funo da posio rotrica. Assim, quando o
rotor gira, estes termos que acoplam as equaes variam em funo do tempo
(ONG, 1997).
As transformaes matemticas como qd0 ou 0 sero usadas para facilitar

a resoluo tornando as equaes diferenciais com coeficientes variveis no tempo
em equaes diferenciais com coeficientes constantes (MINOTTI, 2008).
Estas transformaes tm a finalidade de estabelecer modelos mais simples a

partir do modelo original para estudo do comportamento da mquina (BARBI, 1995).
3.2 TRANSFORMAO 0
A primeira transformao com o objetivo de se obter modelos mais

adequados e simples para a anlise da mquina de induo a transformao 0.
30
Fisicamente, a mquina simtrica trifsica convertida em uma mquina

simtrica bifsica, de mesma potncia mecnica, torque, velocidade e nmero de
plos. Assim, conhecida tambm como transformao trifsica-bifsica (BARBI,
1985).
Desta forma, o MIT ser visto como se fosse constitudo apenas por duas
bobinas fictcias defasadas espacialmente de 90, nos enrolamentos estatrico e
rotrico ao invs do sistema original, de 3 eixos defasados de 120 entre si.
FIGURA 3.2 Representao de um sistema trifsico simtrico e sua respectiva

representao num sistema bifsico simtrico.
FONTE: Barbi, 1985.
Entretanto, a transformao 0 ser apenas uma das etapas para a

transformao qd0, que ser base do modelamento matemtico do MIT.
31
3.3 TRANSFORMAO qd0
A transformada de Park (qd0) transforma a mquina bifsica com

enrolamentos estatricos fixos e enrolamentos rotricos girantes, em
enrolamentos estatricos fixos e rotricos pseudo-estacionrios (BARBI,
1985).
As correntes dos enrolamentos fixos tero freqncias diferentes das

correntes de enrolamentos girantes. O sistema de coordenadas qd0
tradicionalmente escolhido em virtude da sua convenincia para a representao de
outros elementos. Assim, para se analisar o MIT, sero utilizados os referenciais
sncrono e estacionrio. Deste modo, para anlise de transitrios, melhor o
referencial fixo; j para regime permanente o referencial sncrono tem melhores
atributos (ONG, 1997).
O sistema de coordenadas arbitrrias formado pelo eixo q (quadratura), pelo

eixo d (direto) e zero. Aqui, salienta-se a incluso da componente de seqncia
zero, importante para a anlise de sistemas assimtricos ou desbalanceados
(MINOTTI, 2008).
Matematicamente, a componente de seqncia zero vem de uma condio da

inverso da matriz de transformao.
Estabelecendo uma varivel que faa a correspondncia biunvoca entre os

sistemas de coordenadas abc e qd0 (GOEDTEL, 2003), tem-se:
f qd 0 s = K s .f abcs K = relao entre as variveis de ambos (3.31)

os sistemas de coordenadas
onde:
(f qd 0 s ) = [f
T
qs f ds f0s ] (3.32)
(f abcs )T = [ f as f bs f cs ] (3.33)
32
A matriz de transformao Ks definida por:
2 2
cos cos cos +
3 3
2 2 2
Ks = sen sen sen + (3.34)
3 3 3
1 1 1

2 2 2
E a sua matriz inversa ser:

cos sen 1
2 2
(K s ) = cos 1
1
sen (3.35)
3 3

cos + 2

sen +
2
1
3 3
A Figura 3.3 representa a relao entre os dois sistemas de coordenadas.
FIGURA 3.3 Relao entre as coordenadas abc e qd0.

33
A potncia total instantnea pode ser expressa nas variveis abc como:
Pabcs = v as .i as + v bs .ibs + v cs .i cs (3.36)
J a potncia total instantnea pode ser expressa nas variveis qd0,

substituindo a expresso (3.31) em (3.36):
3
Pqd 0 s = (v qs .iqs + v ds .ids + 2 v0 s .i0 s ) (3.37)
2
Todas as variveis do rotor referenciadas ao estator sero:
Ns
v ' abcr = v abcr (3.38)
Nr
Nr
i ' abcr = iabcr (3.39)
Ns
Ns
' abcr = abcr (3.40)
Nr
As indutncias mtuas e de magnetizao podero ser definidas como:
1 1
L 'lr + L ms
2
L ms
2
L ms
Ns
2
1 1
L ' r = L r = L ms L 'lr + L ms L ms (3.41)
N
r 2 2
1L
1
L ms L 'lr + L ms
2 ms 2
34
2 2
cos r cos r + cos r
3 3
N 2 2
L ' sr = s L sr = L ms = cos r cos r cos r + (3.42)
Nr 3 3

cos r + 2

cos r
2
cos r
3 3
As equaes de fluxo concatenado podem ser expressas como:
abcs L s L ' sr i abcs

' = (L ' )T .
L r i ' abcr
(3.43)
abcr sr
E as equaes das tenses sero:
v abcs rs + p L s p L ' sr i abcs

v ' = p (L ' )T .
r ' r + p L ' r i ' abcr
(3.44)
abcr sr
onde:
2
N
r ' r = s rr (3.45)
Nr
A equao do torque eletromagntico pode ser expressa como:
P
T mec = .(i abcs )T . [L ' sr ]i ' abcr (3.46)
2 r
35
O torque eletromagntico e a velocidade do rotor podem ser relacionados em:
Tmec = torque eletromagntico [N.m]

TL = torque de carga [N.m]
2
Tmec = J . . p r + T L J = momento de inrcia do rotor [kg.m2] (3.47)
P
P = nmero de plos
r = velocidade angular do rotor [rad/s]
3.4 EQUAES DE TRANSFORMAO DO ROTOR
Estabelecendo as mesmas relaes para a mudana de variveis do rotor,

tem-se:
f ' qd 0 r = K r .f ' abcr (3.48)
onde:
(f ' qd 0 r ) = [f '
T
qr f ' dr f '0 r ] (3.49)
(f 'abcr )T = [ f ' ar f 'br f ' cr ] (3.50)
2 2
cos cos cos +
3 3
2 2 2
Kr = sen sen sen +
3 3 3
1 1 1 (3.51)

2 2 2
= r (3.52)
36
A sua matriz inversa ser:

cos sen 1

2 2
(K r )1 = cos sen 1 (3.53)
3 3
2
cos +
2
sen + 1
3 3
A Figura 3.4 representa a relao entre os dois sistemas de coordenadas nas

variveis do rotor.
FIGURA 3.4 Relao das variveis do rotor nas coordenadas abc e qd0.
As equaes de tenso no sistema de coordenadas qd0, podem ser

representadas por:
v qd 0 s = rs .i qd 0 s + dqs + p qd 0 s (3.54)
v ' qd 0 r = r ' r .i ' qd 0 r + ( r ) ' dqr + p ' qd 0 r (3.55)

37
onde:
( ) = [
dqs
T
ds qs 0 ]
(3.56)
( ' ) = [ '
dqr
T
dr ' qr 0 ]
As equaes de fluxo concatenado nas coordenadas qd0 podem ser

expressas como:
qd 0 s K s L s (K s ) 1 K s L ' sr (K r ) i qd 0 s
1
' = 1
. (3.57)
K r (L ' sr ) (K s ) K r L ' r (K r ) i ' qd 0 r
T 1
qd 0 r
onde:
Lls + L M 0 0
K s L s (K s ) = 0
1
0 Lls + L M (3.58)
0 0 Lls
L 'lr + L M 0 0
K r L ' r (K r ) = 0
1
0 L 'lr + L M (3.59)
0 0 L 'lr
LM 0 0
K s L ' sr (K r ) = K r (L ' sr ) (K s ) = 0 0
1 T 1
LM (3.60)
0 0 0
3
LM = L ms (3.61)
2
38
Como normalmente os parmetros do sistema so expressos em unidades de

impedncia, conveniente substituir as indutncias por suas respectivas reatncias,
nas equaes. Assim, as equaes de tenso no sistema de coordenadas qd0,
podem ser representadas por:
p
v qd 0 s = rs .i qd 0 s + dqs + qd 0 s (3.62)
b b
r p
v ' qd 0 r = r ' r .i ' qd 0 r + ' dqr + ' qd 0 r (3.63)
b b
Onde o fluxo concatenado por segundo, com unidade em volt, definido

como:
qd 0 s = X ls .i qd 0 s + X M .(i qds + i 'qdr )

(3.64)
' qd 0 s = X 'lr .i ' qd 0 r + X M .(i qds + i ' qdr )
Na forma matricial, o fluxo concatenado por segundo pode ser definido como:
qs X ss 0 0 XM 0 0 i qs
0 X ss 0 0 XM 0 i ds
ds
0 s 0 0 X ls 0 0 0 i0 s
= . (3.65)
' qr X M 0 0 X ' rr 0 0 i ' qr
' dr 0 XM 0 0 X ' rr 0 i ' dr

' 0 r 0 0 0 0 0 X lr' i ' 0 r
39
onde:
X ss = X ls + X M (3.66)
X ' rr = X 'lr + X M (3.67)
2
N
X 'lr = b s . L lr (3.68)
Nr
Finalmente, o torque eletromagntico pode ser determinado por:
3 P 1
T mec = . . .( ' qr .i ' dr ' dr .i ' qr ) (3.69)
2 2 b
Com as equaes mostradas neste desenvolvimento possvel simular o

comportamento eltrico e mecnico do MIT.
Um dos objetivos deste trabalho simular o comportamento do MIT, em

regime permanente, alimentado com tenses senoidais desequilibradas, numa
frequncia de 60Hz, utilizando o programa Matlab/Simulink, que tem como base, o
modelamento matemtico visto neste captulo.
40
4. REDES NEURAIS ARTIFICIAIS
4.1 INTRODUO
A reproduo de inteligncia em mquinas construdas pelo homem um dos

objetivos mais desejados pelos pesquisadores e cientistas. Assim, a inteligncia
artificial recebeu inmeras definies, dentre elas destacam-se (ULSON, 2002):
Inteligncia artificial o estudo das faculdades mentais atravs do uso

de modelos Computacionais (Charniak e McDermott, 1985);
Inteligncia artificial o estudo de como fazer os computadores

realizarem tarefas que, no momento, so feitas por pessoas (Rich,
1983);
Inteligncia artificial o estudo das idias que permitem habilitar os

computadores a fazerem coisas que tornam as pessoas inteligentes
(Winston, 1977);
41
Inteligncia artificial o campo de conhecimentos onde se estudam

sistemas capazes de reproduzir algumas das atividades mentais
humanas (Nilsson, 1986).
O conceito de inteligncia artificial passou a atuar nos nveis mais elevados

de inteligncia, como o raciocnio lgico e o conhecimento. Os nveis mais bsicos
da inteligncia, como a percepo, o reconhecimento de padres e a aprendizagem,
receberam outra denominao: Inteligncia Computacional.
Assim, a inteligncia computacional busca, atravs de tcnicas inspiradas na

natureza, o desenvolvimento de sistemas inteligentes que imitem aspectos bsicos
do comportamento humano, tais como: aprendizado, percepo, evoluo e
adaptao.
A inteligncia computacional composta por diversas linhas de

desenvolvimento, tais como:
Redes Neurais Artificiais (Artificial Neural Networks);
Lgica Nebulosa (Fuzzy Logic);
Computao Evolucionria:
Algoritmo Gentico;
Programao Gentica;
Aprendizado de Mquina (Machine Learning);
Sistemas Hbridos.
As Redes Neurais Artificiais (RNA) so modelos computacionais inspirados no

crebro humano e que possuem a capacidade de aquisio, manuteno e
generalizao do conhecimento. Do ponto de vista estrutural, as RNA podem ser
definidas como um conjunto de unidades processadoras (neurnios) que so
interligados por um grande nmero de interconexes (sinapses).
42
As RNA so ferramentas de inteligncia computacional que possuem um

modelo matemtico inspirado no comportamento, na estrutura cerebral e na maneira
como o crebro humano realiza suas tarefas (HAYKIN, 1999). Fazendo uma
analogia de RNA com o crebro humano, as RNA possuem caractersticas de
armazenar e aplicar o conhecimento, assim como adaptao e generalizao, com a
capacidade de aprender e tomar decises baseadas na aprendizagem.
RNA so processadores maciamente paralelos constitudos por unidades

bsicas de processamento, chamados de neurnios. A conexo existente entre os
neurnios chamada de sinapse, onde so atribudos os valores, que so
chamados de pesos sinpticos. Os pesos sinpticos so utilizados para armazenar o
conhecimento (OSRIO e BITTENCOURT, 2000). No processo de aprendizagem
das RNA, ocorrem diversas modificaes significantes nas sinapses, que acontecem
de acordo com os ajustes dos neurnios.
Fornecendo uma nova viso e alternativa ao controle convencional, essa

metodologia se tornou atraente com o aumento do poder computacional dos
microprocessadores. Vrios estudos tm mostrado alternativas ao tratamento das
no-linearidades que envolvem um sistema dinmico, cujo equacionamento
convencional passvel de falhas devido s suas aproximaes aos sistemas
lineares (GOEDTEL, 2003).
4.2 NEURNIO BIOLGICO
O crebro humano precisa de uma enorme rede de circuitos neurais

conectando suas principais reas sensoriais, isto , neurnios capazes de
armazenar, interpretar e emitir respostas eficientes a qualquer estmulo. Existem
aproximadamente quinze bilhes de neurnios no crebro humano, responsveis
por todas as funes do sistema (HAYKIN, 1999).
43
A estrutura bsica do neurnio composta por: corpo celular, axnio (fibra

nervosa) e dendritos. O corpo celular o centro do processo metablico da clula. A
partir do corpo celular projetam-se extenses filamentares, os axnios e os
dendritos. O axnio um dispositivo de sada que transmite o sinal do corpo celular
para suas extremidades. Os dendritos so dispositivos de entrada que conduzem os
sinais das extremidades para o corpo celular (KOVACS, 1996).
O neurnio biolgico um dispositivo elementar do sistema nervoso, que

possui mltiplas entradas e somente uma sada. As entradas so dadas atravs das
sinapses, que fazem a conexo entre os dendritos e os axnios. Os axnios
transmitem sinais que so pulsos eltricos tambm conhecidos como impulsos
nervosos, que so responsveis pela informao que o neurnio processa, com o
objetivo de produzir como sada o impulso nervoso nesse axnio (LOURENO,
2010).
FIGURA 4.1 Representao de um neurnio natural.
FONTE: www.profrobertabiologia.blogspot.com
4.3 NEURNIO ARTIFICIAL
O modelo lgico-matemtico desenvolvido por McCulloch e Walter Pitts

prope simular a forma, o comportamento e as funes de um neurnio biolgico. A
estrutura bsica do neurnio artificial composta por: peso, funo somatrio e
funo de transferncia (KOVACS, 1996).
44
Os pesos so coeficientes que se adaptam no interior da rede determinando a

intensidade do sinal de entrada. Tais intensidades podem ser alteradas de acordo
com as regras de aprendizado e a topologia da rede. A funo somatria o produto
dos pesos pelas entradas, fundamental no processamento dos elementos. A funo
de transferncia um processo algortmico que transforma o resultado da funo
somatrio em sada funcional (LOURENO, 2010).
Em uma analogia com o neurnio biolgico, os dendritos so equivalentes s

entradas, cujas ligaes com o corpo celular artificial so realizadas atravs de
elementos chamados de peso (simulando as sinapses). Os estmulos captados pelas
entradas so processados pela funo de soma, e o limiar de ativao do neurnio
biolgico ser substitudo pela funo de transferncia. O resultado ser um modelo
com inmeras entradas, que representam os dendritos e apenas uma nica sada,
que representa o axnio (LOURENO, 2010).
Assim, o neurnio artificial a unidade bsica de processamento de uma

RNA, e est associado a uma estrutura matricial, que possui uma ou mais entradas
(xN) e uma sada (yN). A cada entrada fica associado um peso sinptico (wN) que
pondera de forma quantitativa cada entrada em relao sada. O produto da
entrada pelos pesos determina a primeira operao matemtica de um neurnio
artificial (P1).
Limiar de
ativao
P1 P2
FIGURA 4.2 Representao de um neurnio artificial.

45
Em seguida, no combinador linear, somam-se todos estes produtos

juntamente com um limiar de ativao do neurnio (). O resultado desta soma (uN)
a varivel independente de uma funo de ativao (g(.)) que faz a
correspondncia do somatrio anterior com a sada (yN), atuando de forma a limitar a
amplitude do sinal de sada (P2).
O funcionamento de um neurnio artificial pode ser representado

matematicamente, por:
y = sinal de sada do neurnio artificial
y = g (u ) g(.) = funo de ativao
wn = peso sinptico de cada entrada
n (4.1)
u = wi . xi xn = sinais de entrada
i =1 n = nmero de entradas do neurnio artificial
= limiar de ativao do neurnio artificial
O limiar de ativao do neurnio, denominado como bias, tem o efeito de

aumentar ou diminuir os valores resultantes de soma dos produtos de todos os
vetores de entrada pelos seus respectivos pesos, dependendo se ele positivo ou
negativo, respectivamente.
As funes de ativao so escolhidas em funo do problema que a RNA

esteja tratando. Do ponto de vista funcional, a funo de ativao processa o
conjunto de entradas recebidas e o transforma em estado de ativao.
Normalmente, o estado de ativao do neurnio pode assumir os seguintes

valores:
Binrios (0 e 1)
Bipolares (-1 e 1)
Reais
46
As funes normalmente usadas como funo de ativao so mostradas na

Tabela 4.1 (ULSON, 2002):
TABELA 4.1 Funes de Ativao para RNA.
TIPO EQUAO FUNO
g(u)
1 u 0
Degrau g (u ) =
0 u < 0
g(u)
1 u 0
Degrau Bipolar g (u ) =
1 u < 0
g(u)
1 u a

Rampa g (u ) = u a < u < a
1 u a

g(u)
1
Sigmide g (u ) =
1 + e ( u )
g(u)
Tangente 1 eu
Hiperblica g (u ) = tanh( u ) =
1 + eu
47
4.4 TOPOLOGIAS DAS REDES NEURAIS ARTIFICIAIS
De modo abrangente, as RNA so subdivididas em funo de como so

dispostos os neurnios nas camadas e as conexes entre as mesmas. As redes
podem ter uma ou mais camadas, podem ser no-recursivas ou recursivas, e ainda
podem ser totalmente conectadas ou parcialmente conectadas. (ASSEF, 1999).
4.4.1 REDES NO-RECURSIVAS
As redes no-recursivas, tambm denominadas de redes progressivas, ou do

ingls, feedforward, so aquelas cuja configurao no tem realimentao. So
freqentemente representadas em camadas e, neste caso so chamadas redes em
camadas. O fluxo de dados flui somente na direo da entrada para sada,
propagando-se de forma unidirecional (AZEVEDO, 2000).
4.4.1.1 Redes No-recursivas com Camada nica
Nesta topologia, a rede possui uma camada de entrada e uma nica camada
de neurnios que a prpria camada de sada (Figura 4.3). Suas principais
aplicaes so em memria associativas e no reconhecimento de padres.
Entradas Sadas
FIGURA 4.3 RNA no-recursiva com Camada nica.
FONTE: Ulson, 2002.

48
4.4.1.2 Redes No-recursivas com Mltiplas Camadas
Nesta topologia, cuja denominao em ingls Feedforward Multilayer, a

rede possui uma ou mais camadas entre as unidades de entrada e a camada de
sada. Essas camadas recebem o nome de camadas escondidas (ou ocultas) e so
os principais pontos na distino desta topologia de redes. A funo das camadas
escondidas intervir entre a entrada externa e a sada da rede, adicionando-se uma
ou mais camadas escondidas, tornando a rede capaz de extrair estatsticas de
ordem elevada. A habilidade dos neurnios ocultos, de extrair estatsticas de ordem
elevada, particularmente valiosa quando o tamanho da camada de entrada
grande (HAYKIN, 1999).
Suas principais aplicaes so em reconhecimento de padres, aproximador

universal de funes e em controle. Na Figura 4.4, tm-se uma RNA progressiva
com duas camadas escondidas.
Camadas escondidas
Entradas Sadas
FIGURA 4.4 RNA Progressiva com Mltiplas Camadas.
FONTE: Ulson, 2002.
4.4.2 REDES RECURSIVAS
As redes recursivas, tambm denominadas como redes de retropropagao,

se distinguem das redes no-recursivas por possurem pelo menos um lao de
realimentao, ou seja, a informao que o neurnio da rede recursiva processa
49
utilizada por ele posteriormente. A presena dos laos de realimentao influencia

na capacidade de aprendizagem da rede e no seu desempenho.
Em determinadas configuraes, as redes de retropropagao, cuja

denominao em ingls backpropagation, tem suas sadas determinadas pela
entrada corrente e pela sada anterior, ou seja, direcionam a sada anterior de volta
para as entradas.
Na fase de treinamento, o erro calculado com a diferena entre a sada

gerada pela rede e o resultado esperado. Normalmente, o erro dos neurnios
artificiais ento propagado para trs, para uma camada anterior. Assim, este valor
retropropagado multiplicado por cada um dos pesos das conexes de chegada
para modific-los antes do prximo ciclo de aprendizagem.
Camadas escondidas
Fluxo do sinal de entrada
Fluxo dos sinais dos erros
Entradas
Sadas
FIGURA 4.5 RNA com retropropagao - Backpropagation.
FONTE: Ulson, 2002.
4.4.3 REDES TOTALMENTE CONECTADAS E PARCIALMENTE CONECTADAS
Nas redes parcialmente conectadas ficam faltando algumas conexes, ou

seja, nem todos os neurnios se conectam a todos simultaneamente. Em uma rede
totalmente conectada cada neurnio de uma camada conectado a todos os outros
neurnios (AZEVEDO, 2000).
50
4.5 APRENDIZADO DE REDES NEURAIS ARTIFICIAIS
O processo de ajuste dos pesos sinpticos de uma RNA, onde so

estabelecidas as relaes entre entradas e sada denominado aprendizagem ou
treinamento.
Ele um processo gradual e iterado onde os pesos so modificados e

ajustados varias vezes, aos poucos, de acordo com uma regra de aprendizado que
possibilita a rede se auto-organizar e adquirir o conhecimento especfico para
solucionar um determinado problema (OSRIO e BITTENCOURT, 2000).
O treinamento de uma RNA acontece quando, a aplicao de um conjunto de

entradas resultar em um conjunto desejado de sadas. As entradas e sadas so
referenciadas como sendo vetores diferentes. O treinamento obtido atravs de
aplicao sucessiva de vetores na entrada enquanto se ajustam os pesos das
sinapses de acordo com o procedimento pr-estabelecido.
As principais formas de treinamento so: o treinamento supervisionado e o

treinamento no-supervisionado.
4.5.1 TREINAMENTO SUPERVISIONADO
Nesse mtodo de aprendizado, pares de entrada e sada so apresentados a

RNA, e, atravs dos pesos associados s diversas camadas, o valor de sada
calculado. Essa resposta comparada com o sinal de sada desejado, e caso sejam
diferentes, a RNA gera um sinal de erro que ser usado para calcular o ajuste que
deve ser feito nos pesos sinpticos da rede e o erro minimizado. Este processo se
repete at que a diferena entre a sada da rede e o valor desejado fique dentro de
uma margem de erro aceitvel.
Neste modelo, o algoritmo usado nos clculos para minimizao do erro

uma poderosa ferramenta matemtica derivada de tcnicas de otimizao. Outro
51
ponto importante o processo de modelagem dos sinais de entrada, que em sua

codificao determina o sucesso do treinamento nas RNA. Geralmente, os dados
apresentados s entradas so valores numricos, que so convertidos, em valores
quantificveis, a partir de estmulos oriundos do mundo real, o que extremamente
necessrio, para que os dados possam ser trabalhados pelas RNA.
4.5.2 TREINAMENTO NO-SUPERVISIONADO
Este tipo de aprendizado tambm conhecido como aprendizado auto-

supervisionado, e classifica os padres similares sem utilizar pares (entrada - sada),
isto , ao contrrio do aprendizado supervisionado, neste tipo no h uma sada
desejada. O treinamento realizado somente com um conjunto de vetores de
entrada. A rede trabalha essas entradas e se organiza de modo a classific-las
mediante algum critrio de semelhana. Esse tipo de rede utiliza os neurnios como
classificadores, e os dados de entrada como elementos de classificao.
4.6 REDE PERCEPTRON MULTICAMADA
O Perceptron a forma mais simples de RNA empregada na classificao de

padres linearmente separveis. composta basicamente de um nico neurnio
com pesos sinpticos ajustveis e uma polarizao (bias).
O algoritmo usado para ajustar os parmetros livres desta RNA foi

apresentado pela primeira vez no procedimento de aprendizagem desenvolvido por
Rosenblatt, onde ficou provado que se os padres (vetores) usados para treinar o
Perceptron so retirados de duas classes linearmente separveis, ento este
algoritmo converge e posiciona a superfcie de deciso na forma de um hiperplano
entre as duas classes. A prova de convergncia do algoritmo conhecida como
Teorema de Convergncia do Perceptron.
52
O Perceptron de um nico neurnio se limita classificar padres com apenas

duas classes. Aumentando-se a camada de sada do Perceptron para incluir mais do
que um neurnio, possvel classificar mais do que duas classes. Entretanto, as
classes tm que ser linearmente separveis para que o Perceptron tenha um
desempenho adequado.
O Perceptron com neurnio nico tambm forma a base de um filtro

adaptativo, um bloco funcional que bsico nas aplicaes concernentes a
processamento de sinais. Seu desenvolvimento aconteceu com o surgimento do
algoritmo Least-Mean-Square (LMS), tambm conhecido como a Regra Delta.
Uma generalizao do Perceptron de um nico neurnio so as redes

Perceptron Multicamadas (PMC). As PMC tm sido aplicadas com sucesso em uma
variedade de reas, desempenhando tarefas tais como:
Classificao de padres (reconhecimento);
Previso de sries temporais;
Aproximador universal de funes;
Identificao e controle.
Uma RNA do tipo PMC constituda por um conjunto de ns fonte, os quais

formam a camada de entrada da rede, uma ou mais camadas escondidas e uma
camada de sada. Com exceo da camada de entrada, todas as outras camadas
so constitudas por neurnios e, portanto, apresentam capacidade computacional.
As redes PMC possuem duas caractersticas muito importantes:
A rede PMC uma rede progressiva, ou seja, as sadas dos neurnios

em qualquer particular camada se conectam unicamente s entradas dos
neurnios da camada seguinte, sem a presena de laos de
realimentao. Assim, o sinal de entrada se propaga atravs da rede,
camada a camada, em um sentido progressivo.
53
A rede pode ser completamente conectada, ou seja, cada n em uma

camada conectado a todos os outros ns da camada adjacente. De
forma alternativa, uma rede PMC pode ser parcialmente conectada, caso
em que algumas sinapses podero estar faltando.
O nmero de ns na camada de entrada da rede determinado pela

dimensionalidade do espao de observao, que responsvel pela gerao dos
sinais de entrada. O nmero de neurnios na camada de sada determinado pela
dimensionalidade requerida da resposta desejada (CASTRO e CASTRO, 2001).
Assim, o projeto de uma rede PMC necessita de quatro especificaes bsicas:
A determinao do nmero de camadas escondidas;
A determinao do nmero de neurnios em cada uma das camadas

escondidas;
A especificao dos pesos sinpticos que interconectam os neurnios

nas diferentes camadas da rede;
A especificao das funes de ativao.
As duas primeiras especificaes determinam a complexidade do modelo de

RNA escolhido e no existem regras determinadas para tal especificao.
A funo das camadas escondidas em uma RNA a de influir na relao

entrada-sada da rede de uma forma ampla. Uma RNA com uma ou mais
camadas escondidas apta a extrair as estatsticas de ordem superior de
algum desconhecido processo aleatrio subjacente, responsvel pelo
"comportamento" dos dados de entrada, processo sobre o qual a rede est
tentando adquirir conhecimento. A RNA adquire uma perspectiva global do
processo aleatrio, apesar de sua conectividade local, em virtude do
conjunto adicional de pesos sinpticos e da dimenso adicional de
interaes neurais proporcionada pelas camadas escondidas (CASTRO e
CASTRO, 2001).
A terceira especificao envolve a utilizao de algoritmos de treinamento

supervisionados. As redes PMC tm sido aplicadas na soluo de diversos
54
problemas atravs da utilizao de tais algoritmos. O algoritmo de treinamento

usado na maioria das redes PMC o algoritmo Backpropagation.
4.7 ALGORITMO BACKPROPAGATION
O algoritmo Backpropagation, tambm conhecido como Regra Delta

Generalizada, possui o seguinte princpio de funcionamento: aps serem
apresentadas as variveis de entrada, o valor final ser gerado aps a propagao
das sadas por todas as camadas.
Esse valor comparado com o valor desejado (treinamento supervisionado) e

caso exista erro, estes so transmitidos para as camadas anteriores, fazendo um
movimento contrrio. Os pesos sinpticos so ajustados em todas as camadas e
isso ser feito de um modo recursivo at que a rede obtenha uma resposta
satisfatria.
Portanto, durante o treinamento com o algoritmo Backpropagation, a rede

opera em uma seqncia de duas etapas (ULSON, 2002):
Propagao: Um padro de treinamento apresentado camada de

entrada da rede. Realiza-se a computao, camada por camada, at que
a resposta seja produzida pela camada de sada.
Retropropagao: A sada obtida comparada sada desejada para

esse padro particular. Se essa no estiver correta, o erro calculado. O
erro ento retro-propagado a partir da camada de sada at a camada
de entrada, e os pesos das conexes das unidades das camadas
internas vo sendo modificados conforme o erro retro-propagado
(HAYKIN, 1999). Esse processo repetido para todos os vetores de
entrada da rede at que o erro quadrtico mdio das sadas alcance um
valor aceitvel.
55
A derivao do algoritmo Backpropagation, para redes Perceptron com uma

nica camada escondida realizada conforme a notao apresentada na Figura 4.6.
FIGURA 4.6 Diagrama esquemtico da rede PMC.
FONTE: Ulson, 2002.
A partir da Figura 4.6, adota-se a seguinte conveno:
N = nmero de variveis que constitui cada vetor de entrada;
N1 = quantidade de neurnios utilizados na camada neural escondida;
N2 = especifica o nmero de variveis que constitui cada vetor de sada,

e tambm indica a quantidade de neurnios utilizados na camada neural
de sada;
x = [x1, x2,..., xN]T = vetor de entrada da rede;
y = [y1, y2,..., yN]T = vetor de sada da rede;
w1ji = valor do peso sinptico conectando o j-simo neurnio da camada

(1) ao i-simo neurnio da camada (1-1);
56
I1j = valor correspondente entrada ponderada do j-simo neurnio da

camada (1), ou seja:
N
I1 j = w1
i=0
ji . x i ; j = 1,..., N 1 (4.2)
N
I2j = w2
i=0
ji . y1i ; j = 1,..., N 2 (4.3)
y1j = valor correspondente sada do j-simo neurnio da camada (l), ou

seja:
y1 j = g ( I 1 j ); j = 1,..., N 2 (4.4)
y 2 j = g ( I 2 j ); j = 1,..., N 2 (4.5)
As funes erro quadrtico E(k) e erro quadrtico mdio EM, as quais so

utilizadas como critrios de desempenho e parada do processo de treinamento, so
definidas por:
4.7.1 ERRO QUADRTICO
Fornece o valor instantneo da soma dos erros quadrticos (em relao ao k-

simo padro de treinamento) de todos os neurnios da camada de sada da rede,
ou seja:
1 N2 dj(k) = valor de sada desejado no

2 j =1
[
E (k ) = d j (k ) y 2 j (k ) ]2
neurnio j em relao ao k-simo (4.6)
padro de entrada
57
4.7.2 ERRO QUADRTICO MDIO
O erro quadrtico mdio ou energia mdia do erro quadrtico mdio obtido

a partir da soma dos erros quadrticos relativos a todos os padres de entrada
utilizados no conjunto de treinamento da rede, ou seja:
1 p p = nmero de padres de
EM =
p
E (k ) treinamento ou a quantidade de (4.7)
k =1 vetores de entrada
Para um dado conjunto de treinamento, EM representa a funo de custo

como uma medida de desempenho do aprendizado. Assim, o objetivo do processo
de aprendizagem, utilizando o algoritmo Backpropagation, consiste em ajustar as
matrizes de pesos w1 e w2 da rede a fim de minimizar a funo de custo EM
(ULSON, 2002).
O processo de ajuste dos pesos feito retropropangando-se os sinais de erro

atravs da rede. Para uma rede Perceptron com uma nica camada escondida, o
processo pode ser dividido em duas fases:
4.7.2.1 FASE 1: Ajuste dos pesos dos neurnios da camada de sada
O ajuste dos pesos dos neurnios da camada de sada feita a partir da

minimizao da funo erro quadrtico em relao aos pesos w2ji.
Utilizando a regra de diferenciao em cadeia, tem-se:
E E y 2 j I 2 j
E ( w 2 ji ) = = . . (4.8)
w 2 ji y 2 j I 2 j w 2 ji
onde:
I 2 j
= y1i (4.9)
w 2 ji
58
y 2 j g'(.) = derivada da funo de ativao

= g '(I 2 j ) (4.10)
I 2 j associada ao neurnio
E
= (d j y 2 j ) dj = resposta desejada para o neurnio j (4.11)
y 2 j
A derivada parcial E w2 ji representa um fator de sensibilidade,
determinando a direo de busca no espao de pesos, para o peso sinptico w2ji.
Substituindo as expresses (4.9), (4.10) e (4.11) em (4.8), obtm-se:
E
= (d j y 2 j ). g ' ( I 2 j ). y1i (4.12)
w 2 ji
O ajuste dever ser feito na direo oposta ao gradiente a fim de minimizar a

funo erro quadrtico, ou seja:
E = taxa de aprendizagem
w 2 ji = . = . 2 j . y1i (4.13)
w 2 ji 2 = gradiente local
Ou ainda:
w 2 ji (t + 1) = w 2 ji ( t ) + . 2 j . y1i (4.14)
A taxa de aprendizagem () uma constante que determina o tamanho do

passo em direo ao ponto de mnimo da funo erro quadrtico, no algoritmo
Backpropagation. O gradiente local (2j) aponta para as modificaes necessrias
nos pesos sinpticos, sendo definido por:
2 j = (d j y 2 j ). g ' ( I 2 j ) (4.15)
59
4.7.2.2 FASE 2: Ajuste dos pesos dos neurnios da camada intermediria
O ajuste dos pesos dos neurnios da camada intermediria (1 camada

neural) feito normalmente a partir da funo erro quadrtico em relao aos pesos
w1ji. Utilizando a regra de diferenciao em cadeia, tem-se:
E E y1 j I 1 j
E ( w1 ji ) = = . . (4.16)
w1 ji y1 j I 1 j w1 ji
onde:
I 1 j
= xi (4.17)
w1 ji
y1 j
= g ' (I1 j ) (4.18)
I 1 j
N2
E N2
E I 2 k N2
E

w 2 kj . y1 j
(4.19)
= . = . k =1
y1 j k =1 I 2 k y1 j k =1 I 2 k y1 j
Inserindo o resultado da multiplicao das expresses (4.10) e (4.11) na

expresso (4.19), tem-se:
N2
E
= 2 k .w 2 kj (4.20)
y1 j k =1
Substituindo as expresses (4.17), (4.18) e (4.20) em (4.16), tem-se:
E N2
= 2 k .w 2 kj . g ' ( I 1 j ). x i (4.21)
w1 j k =1
60
Como na Fase 1, o ajuste deve ser feito na direo oposta ao gradiente.

Dessa forma, a expresso (4.21) torna-se:
E
w1 ji = . = . 1 j . x i (4.22)
w1 ji
Ou ainda:
w1 ji ( t + 1) = w1 ji ( t ) + . 1 j . x i (4.23)
onde o gradiente local (1j) definido por:
N2

1 j = . g ' ( I 1 j ). 2 k .w 2 kj (4.24)
k =1
Portanto, aplicam-se as Fases 1 e 2 seqencialmente at que o erro

quadrtico mdio da rede atinja um valor aceitvel que estipulado em funo de
cada aplicao especfica.
4.7.3 ALGORITMO DE LEVENBERG-MARQUARDT
Como j visto, o algoritmo Backpropagation ajusta os valores das matrizes de

pesos w1 e w2 em relao direo oposta do gradiente da funo erro quadrtico.
Entretanto, na prtica, este algoritmo tende a convergir muito lentamente, exigindo
assim um elevado esforo computacional.
Para minimizar este problema, vrias tcnicas de otimizao tm sido

incorporadas ao algoritmo Backpropagation, onde se destaca o algoritmo de
Levenberg-Marquardt (HAGAN e MENHAJ, 1994).
61
Este algoritmo utiliza uma tcnica baseada no mtodo dos mnimos

quadrados para modelos no-lineares que pode ser incorporada ao algoritmo
Backpropagation a fim de aumentar a eficincia do processo de treinamento.
No algoritmo de Levenberg-Marquardt, as funes erro quadrtico e erro

quadrtico mdio, fornecidas respectivamente nas equaes (4.6) e (4.7) podem ser
expressas conjuntamente por:
p N2 p
1 1
V =
2p
[d
k =1 j =1
j (k ) y 2 j (k ) ]
2
=
2p
[d ( k ) y 2 ( k ) ] .[d ( k ) y 2 ( k ) ]
k =1
T
p
1
V =
2p
e
k =1
T
( k ).e ( k ) (4.25)
Onde o termo e(k) = d(k) y2(k) representa o vetor erro em relao ao k-

simo padro de treinamento. Para um padro k especfico o erro dado por:
1 T
V = e ( k ).e ( k ) (4.26)
2
Dessa forma, enquanto o algoritmo Backpropagation um mtodo de descida

no gradiente da funo erro quadrtico, o algoritmo de Levenberg-Marquardt uma
aproximao do Mtodo de Newton (ULSON, 2002).
Nesse mtodo a minimizao de uma funo V(z) em relao a um vetor

paramtrico z dada por:
[
z = 2 V(z) ]1
. V(z) (4.27)
Onde 2 V(z) representa a matriz Hessiana e V(z) a matriz Jacobiana de

V(z). Assumindo-se que V(z) uma funo que executa a soma de funes
quadrticas da forma:
62
N
V (z) = e
i =1
i
2
(z) (4.28)
Assim, a partir da equao (4.28), pode-se demonstrar que:
V(z) = J T (z) .e ( z ) (4.29)
2 V(z) = J T (z) .J(z) + S ( z ) (4.30)
Onde J(z) a matriz Jacobiana definida por:
e1 ( z ) e1 ( z ) e ( z )
z 1
z 2 z N
1
e 2 ( z ) e 2 ( z ) e 2 ( z )

J(z) = z1 z 2 z N (4.31)
M

e N ( z ) e N ( z ) e N ( z )
z1 z 2 z N

E S(z) uma funo dada por:
N
S ( z ) = ei ( z ) 2 ei ( z ) (4.32)
i =1
Inserindo-se as expresses (4.29) e (4.30) na expresso (4.27), obtm-se a

equao iterativa do mtodo de Newton:
[
z = J T (z) .J(z) + S ( z ) ]
1
.J T (z) .e ( z ) (4.33)
63
No algoritmo de Levenberg-Marquardt a equao (4.33) modificada da

seguinte forma:
I = matriz identidade
[ T
z = J (z) .J(z) + I ]
1 T
.J (z) .e ( z ) = parmetro de ajuste da taxa de (4.34)
convergncia do algoritmo de LM.
Portanto, este algoritmo tem como caracterstica principal a computao da

matriz Jacobiana. Assim, para o processo de treinamento das RNA do tipo PMC,
mostrada na Figura 4.6, a matriz Jacobiana (4.31) passa a ser re-escrita em funo
dos pesos sinpticos da rede, ou seja:
J(w) = [J(w1) | J(w2) ]( p ) x ( N . N 1+ N 1 . N 2 ) (4.35)
onde:
T
w11,1 K w11, N w12 ,1 K w12, N K w1 N 1,1 K w1 N 1, N
w = [w1 | w2 ] =
w21,1 K w2 1, N 1 w2 2 ,1 K w2 2, N 1 K w2 N 2,1 K w2 N 2, N 1 ( N . N 1+ N 1. N 2 ) x (1 (4.36)
e(1) e(1) e(1) e(1) e(1) e(1)

w1 K w1 K
w11,1 w11, N
K K
w1 N 1,1 w1 N 1, N
1,1 1, N

e ( 2 ) e ( 2) e(2) e(2) e(2) e(2)
K K K K
J(w1) = w11,1 w11, N w12,1 w12, N w1 N 1,1 w1 N 1, N (4.37)

M M M M
e ( p ) e( p) e( p) e( p) e( p) e( p)
K K K K
w11,1 w11, N w12,1 w12, N w1 N 1,1 w1 N 1, N
( p ) x ( N . N 1)
e(1) e(1) e(1) e(1) e(1) e(1)

w2 K K K K
w21, N w21,1 w21, N w2 N 2,1 w2 N 2, N1
1,1

e(2) K e(2) e(2)
K
e(2)
K
e(2)
K
e(2)
J(w2)= w21,1 w21, N w22,1 w22, N w2 N 2,1 w2 N 2, N1 (4.38)

e( p) M e( p) e( p)
M
e( p)
M
e( p)
M
e( p)
K K K K
w21,1 w21, N w22,1 w22, N w2 N 2,1 w2 N 2, N1 ( p) x( N1.N 2)
64
A partir da expresso (4.36), a equao iterativa do mtodo de Levenberg-

Marquardt, para o ajuste dos pesos da rede, passa a ser definida por:
[
z = J T (w) .J(w) + I ]1
.J T (w) .e(w) (4.39)
[ ]T
Onde e(w) = e1 ( w).e2 ( w)Ke p ( w) ( p ) x (1) o vetor erro (em relao matriz w)
referente aos p padres de treinamento.
Finalmente os elementos das matrizes J(w1) e J(w2) so obtidos

seqencialmente a partir das Fases 1 e 2 do algoritmo Backpropagation
anteriormente apresentado. Com essas modificaes comprova-se que o algoritmo
de Levenberg-Marquardt torna-se de 10 a 100 vezes mais rpido que o algoritmo
Backpropagation convencional (ULSON, 2002).
4.7.4 ALGORITMO DE LEVENBERG REGULARIZADO
Overfitting a denominao de um problema que pode ocorrer durante o

treinamento de redes PMC, e ele acontece quando o erro quadrtico mdio dos
padres de treinamento muito pequeno, mas quando novos padres so
apresentados a rede, o erro relativo torna-se muito grande. Isto ocorre porque a rede
memorizou apenas os padres de treinamento, mas no conseguiu generalizar
novas situaes (ULSON, 2002).
Na Figura 4.7 tem-se um exemplo do fenmeno. A curva representa o

mapeamento no linear de entrada-sada resultante da aprendizagem dos pontos
indicados como dados de treinamento. O ponto marcado como generalizao
visto como resultado da interpolao realizada pela rede.
65
FIGURA 4.7 (a) Dados ajustados adequadamente (boa generalizao); (b) Fenmeno do
overfitting (generalizao pobre).
FONTE: Ulson, 2002.
A generalizao influenciada por quatro fatores:
a disponibilidade de dados para treinamento da rede;
o nvel de representatividade do processo pelos dados de treinamento;
a arquitetura da rede neural;
a complexidade do problema em questo.
Observa-se que no se tem controle sobre o ltimo fator. Os outros trs

fatores so controlveis desse que se tenha acesso a aquisio dos dados e
concepo da rede neural.
O problema do overfitting geralmente acontece quando a disponibilidade de

dados no treinamento da rede pequena. Um dos mtodos para melhorar a
generalizao o algoritmo de Levenberg regularizado, que consiste em modificar a
funo erro quadrtico mdio da rede (ULSON, 2002).
66
A generalizao melhorada se incluir na expresso (4.25) o erro quadrtico

mdio dos pesos (Vpeso) que compe a rede. Ento a nova funo erro quadrtico
regularizado (VREG) definida por:
V REG = V + (1 )V peso = taxa de desempenho (4.40)
O termo Vpeso definido por:
1 wji = pesos sinpticos da rede

V peso =
q
w ji
q = quantidade de pesos sinpticos da rede
(4.41)
Portanto, a utilizao da equao (4.40) implica que os pesos da rede sero

menores, e essa caracterstica impe resposta da rede um comportamento mais
suave e menos propenso ao fenmeno do overfitting (ULSON, 2002).
67
5. MOTOR DE INDUO TRIFSICO OPERANDO COM

TENSES DESEQUILIBRADAS
5.1 INTRODUO
O MIT alimentado com tenses desequilibradas apresenta uma operao com

torque pulsante no seu eixo, conseqncia da existncia das tenses de seqncia
negativa. Outro aspecto degradante na sua operao o sobreaquecimento nos
enrolamentos do estator, em funo do desequilbrio entre as corrente circulantes
em cada fase do MIT. Como conseqncia direta desta elevao de temperatura,
tem-se a reduo da expectativa de vida til dos motores, visto que o material
isolante sofre uma deteriorao mais acentuada na presena de elevadas
temperaturas nos enrolamentos.
A avaliao do comportamento dinmico do MIT atravs de modelos

matemticos usualmente empregada e apresenta resultados satisfatrios quando
estes operam com tenses equilibradas, mas normalmente apresentam resultados
68
falhos quando lidam com o comportamento no-linear da operao com tenses

desequilibradas (GOEDTEL, 2003).
O modelamento do MIT com RNA uma alternativa muito promissora na

anlise das no-linearidades do MIT operando com tenses desequilibradas.
Assim, com o objetivo de analisar os resultados obtidos com o modelamento

clssico de um MIT e com o modelamento por meio de RNA, realizou-se uma srie
de levantamentos do comportamento de um MIT utilizando-se trs mtodos
diferentes:
Mtodo Computacional Clssico (Simulador): Neste mtodo,

utilizando-se o programa Matlab/Simulink, desenvolveu-se um ambiente
para simulaes dinmicas de um MIT operando com tenses
desequilibradas;
Mtodo Experimental (Real): Neste mtodo, em uma bancada de

testes, realizaram-se as medies das tenses, correntes, potncias e
velocidades do MIT. Os dados obtidos foram utilizados como referncia
para uma anlise comparativa com os outros mtodos;
Mtodo Computacional por meio de RNA (RNA): Neste mtodo,

desenvolveu-se uma RNA, treinada e validada com os dados obtidos no
mtodo experimental, capaz de determinar os valores das correntes em
cada fase do MIT a partir dos valores das tenses aplicadas no estator
(equilibradas ou desequilibradas) e da potncia medida na sada de uma
mquina CC atuando como carga.
As caractersticas do motor de induo usado em todos os mtodos so

mostradas Tabela 5.1 (GOEDTEL, 2007).
69
TABELA 5.1 Parmetros do MIT usado nos trs mtodos.
MODELO: Linha Standard IV Plos 60Hz 220/380V
PARMETRO REPRESENTAO VALOR
Potncia P 1CV
Resistncia do Enrolamento do Estator Rs 7,32
Resistncia do Enrolamento do Rotor Rr 2,78
Indutncia de Disperso do Enrolamento

Ls 8,95mH
do Estator
Indutncia de Disperso do Enrolamento

Lr 5,44mH
do Rotor
Indutncia de Magnetizao L 141mH
Momento de Inrcia J 2,71x10-3kgm2
Velocidade Sncrona s 188,49rad/s
Escorregamento Nominal s 3,8%
Torque Nominal T 4,1Nm
FONTE: Goedtel, 2007.
5.2 MTODO COMPUTACIONAL CLSSICO
Para uma anlise comparativa sobre o comportamento do MIT operando em

condies de desequilbrio de tenses, desenvolveu-se um ambiente para
simulaes dinmicas utilizando-se o programa Matlab/Simulink. A Figura 5.1
apresenta um diagrama do circuito implementado, com as respectivas medies
para cada fase das correntes, tenses, potncias e velocidade no eixo do MIT.
ir,is (A)
2.82 <R otor current ir_ a (A)>
Current Mea surement1 N rpm

<S tator c urrent is _ a (A)>
i 1729
+ Tm
-
Current Mea surement2 A N1 (rpm)

i m <R otor s peed (wm)>
+
- B -K -
Current Mea surement3 C rpm

T e1 (N.m)
i
+ <E lec tromagnetic torque Te (N*m)>
- 1 CV - 220 V
60 Hz - 1725 rpm
Pa (W)
Va (t) Vb(t) Vc(t)
+ In Mean
206.4
v
-
vA(t) Voltage Mea surement pA(t) = iA(t) X vA(t)
Mea n Value
Pb (W)
+ In Mean
206.5
v
-
vB (t) Voltage Mea surement pB (t) = iB (t) X vB (t)
Mean Value1
Pc (W)
+ In Mean
206.5
v
-
vC(t) Voltage Mea surement pC(t) = iC(t) X vC(t)
Mean Value2 Irms
signal1
Ia, Ib, Ic (Arms )
signal2
signal3
Ia (Arms)
In R MS
2.105
Dis crete,
Ts = 0.0001 s .
Ib (Arms)
Ia Discrete
pow ergui R MS 2.105
In R MS
Ib Discrete Ic (Arms)
R MS 2.105
In R MS
Ic Discrete
R MS
FIGURA 5.1 Circuito desenvolvido no programa Matlab/Simulink usado nas simulaes.

70
71
A estrutura bsica do circuito composta por trs fontes ideais de tenso

alternada ligadas em estrela, representando uma rede trifsica, alimentando um MIT
com carga constante. Os parmetros do MIT so apresentados na Tabela 5.1.
Para a obteno das grandezas do circuito, inseriram-se, em cada fase,

medidores de valor instantneo de corrente (Current Measurement Block) e de
tenso (Voltage Measurement Block).
Atravs do produto dos valores instantneos da corrente e tenso e

utilizando-se blocos multiplicadores, obteve-se a potncia instantnea em cada fase.
Ento, determinou-se a potncia mdia em cada fase atravs do valor mdio (Mean
Value Block) da potncia instantnea.
Com a aplicao dos valores instantneos das correntes e tenses aos blocos
que determinam o valor RMS (Discrete RMS Value Block), obtiveram-se os valores
eficazes das correntes e tenses em cada fase.
Para a anlise de algumas grandezas no domnio da freqncia (FFT Tools),

utilizou-se no circuito o bloco Powergui.
12
10
8
Corrente (Arms )
Ia
6 Ib
Ic
0
0 0.2 0.4 0.6 0. 8 1 1. 2 1.4 1.6 1.8 2
Tempo(s ) 4
x 10
FIGURA 5.2 Correntes eficazes do MIT operando com tenses equilibradas.

72
Nas Figuras 5.2, 5.3 e 5.4, so apresentados os comportamentos das

correntes eficazes, velocidade e torque eletromagntico, para um torque de carga
(TL) de 2,82Nm e tenses equilibradas de alimentao, onde Va = Vb = Vc = 127Vrms,
em 60Hz.
2000
1800
1600
1400
Velocidade no eixo (rpm)
1200
1000
800
600
400
200
-200
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Tempo (s) 4
x 10
FIGURA 5.3 Comportamento da velocidade no eixo do MIT com tenses equilibradas.
12
10
Torque eletromagnetico (Nm)
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Tempo (s) 4
x 10
FIGURA 5.4 Comportamento do torque eletromagntico do MIT com tenses equilibradas.

73
Na Figura 5.4 pode-se notar que o torque eletromagntico do MIT, em regime

permanente, entra em equilbrio com o torque de carga (TL), alcanando um valor
prximo de 2,82Nm.
A Tabela 5.2 apresenta os resultados da simulao com tenses equilibradas.

A potncia de sada foi estimada atravs do produto do torque de carga (TL) pela
velocidade no eixo. Este valor foi utilizado para o clculo do rendimento aproximado,
que a relao entre a potncia ativa de entrada e a potncia de sada.
TABELA 5.2 Valores obtidos na simulao do MIT com tenses equilibradas.
ROTAO
CORRENTE DE FASE POTNCIA DE ENTRADA FATOR DE RENDIMENTO
NO EIXO
(Arms) (W) POTNCIA (%)
(RPM)
IA IB IC PA PB PC FP N
2,65 2,65 2,65 228,6 228,6 228,6 0,6792 74,2 1723

Nota: VA = VB = VC = 127Vrms.
onde:
O fator de potncia determinado atravs de: FP = P / S;
A potncia aparente (S) = Irms.Vrms (VA);
O rendimento () = P / Psada;
Potncia de sada aproximada (Psada) = TL.eixo (W);
TL (Nm) o torque de carga;
eixo (rad/s) a velocidade angular do eixo.
As formas de ondas das correntes instantneas do rotor e do estator para

uma das fases, com tenses equilibradas so apresentadas na Figura 5.5.
74
20
15
10
Corrente no rotor (A)
-5
-10
-15
-20
0 0.5 1 1.5 2 2.5 3 3.5 4
Tempo (s) 4
x 10
20
15
10
Corrente no estator (A)
-5
-10
-15
-20
0 0.5 1 1.5 2 2.5 3 3.5 4
Tempo (s) 4
x 10
para a fase A, com o MIT operando com tenses equilibradas.
Na Figura 5.5, pode-se notar o transitrio de partida do MIT e que em regime

permanente, a freqncia da corrente no rotor bastante baixa. Uma investigao
sobre a freqncia da corrente no rotor pode ser realizada com a anlise de Fourier
desta corrente. Se considerarmos que atravs da simulao a velocidade no eixo
de 1723rpm, ento o escorregamento (s) ser:
s=
(1800 1723 ) = 0,042778 (5.1)
1800
75
Com uma freqncia no rotor de:
f r = 0,042778 .60 = 2,5667 Hz (5.2)
Na Figura 5.6, tm-se a anlise da corrente do rotor no domnio da

frequncia, por meio da ferramenta FFT Tools, do Powergui. Pode-se constatar a
obteno da frequncia fundamental calculada na expresso (5.2).
com tenses equilibradas.
Utilizando-se o mesmo circuito da Figura 5.1, repetiu-se a anlise do

comportamento das correntes eficazes, velocidade e torque eletromagntico para
um torque de carga TL= 2,82Nm, com tenses desequilibradas de alimentao, onde
Va = 111,51Vrms, Vb = 136,71Vrms e Vc = 125,13Vrms, em 60Hz.
76
12
10
8
Corrente (Arms )
6 Ia
Ib
Ic
0
0 0.2 0.4 0.6 0.8 1 1. 2 1.4 1.6 1.8 2
Tempo (s ) 4
x 10
FIGURA 5.7 Correntes eficazes do MIT operando com tenses desequilibradas.
2000
1800
1600
1400
1200
1000
800
600
400
200
-200
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Tempo (s) 4
x 10
FIGURA 5.8 Comportamento da velocidade no eixo do MIT operando com tenses

desequilibradas.
77
10
7
Torque eletromagnetico (Nm)
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Tempo (s) 4
x 10
FIGURA 5.9 Comportamento do torque eletromagntico do MIT operando com tenses

desequilibradas.
Na Figura 5.9 pode-se notar que o torque eletromagntico do MIT, em regime

permanente, oscila em torno do valor do Torque de Carga (TL = 2,82Nm). A anlise
de Fourier da regio de oscilao indica a existncia de uma componente de 120Hz
no torque eletromagntico conforme a Figura 5.10. Esta componente de 120Hz pode
ser atribuda existncia das componentes de sequncia inversa presentes nas
tenses desequilibradas de alimentao do MIT. (SERNI, 2006).
Na anlise FFT existe uma componente de valor mdio (DC component) igual
ao torque de carga (TL) de 2,82Nm.
A Tabela 5.3 apresenta os resultados da simulao com tenses

desequilibradas:
TABELA 5.3 Simulao do MIT com tenses desequilibradas.
CORRENTE DE FASE POTNCIA DE ENTRADA ROTAO NO

(Arms) (W) EIXO (RPM)
IA IB IC PA PB PC N
1,951 3,178 2,939 163,6 349,9 187,1 1714

78
FIGURA 5.10 Anlise FFT do torque eletromagntico, com o MIT operando com tenses
desequilibradas.
Nestas condies haver um clculo de fator de potncia (FP) para cada fase,
conforme a Tabela 5.4, pois Va Vb Vc.
TABELA 5.4 FP do MIT com tenses desequilibradas.
RENDIMENTO
TENSO DE FASE(Vrms) FATOR DE POTNCIA
(%)
VA VB VC FPA FPB FPC
111,51 136,71 125,13 0,752 0,805 0,5087 72,25
As formas de ondas das correntes instantneas do rotor e do estator com

tenses desequilibradas so apresentadas na Figura 5.11.
79
20
15
10
Corrente no rotor (A)
-5
-10
-15
-20
0 0.5 1 1.5 2 2.5 3 3.5 4
Tempo (s) 4
x 10
20
15
10
Corrente no estator (A)
-5
-10
-15
-20
0 0.5 1 1.5 2 2.5 3 3.5 4
Tempo (s) 4
x 10
para a fase A, com o MIT operando com tenses desequilibradas.
Pode-se notar que em regime a freqncia da corrente no rotor bastante

baixa e apresenta uma oscilao em uma freqncia mais elevada. De forma
anloga, considerando-se que atravs da simulao a velocidade no eixo de
1714rpm, ento o escorregamento ser:
s=
(1800 1714 ) = 0,04778 (5.3)
1800
80
Com uma freqncia no rotor de:
f r = 0,04778 .60 = 2,8668 Hz (5.4)
Na Figura 5.12, tm-se a anlise da corrente do rotor no domnio da

frequncia, por meio da ferramenta FFT Tools, do Powergui. Pode-se constatar a
obteno da frequncia fundamental calculada na expresso (5.5).
com tenses desequilibradas.
Pode-se notar que alm da componente fundamental de baixa freqncia da

corrente no rotor, existe uma componente de aproximadamente 120Hz
caracterizando tambm a influncia das componentes de seqncia inversa das
tenses de alimentao do MIT.
81
5.3.1 ANLISE POR MEIO DO CIRCUITO ELTRICO EQUIVALENTE
Uma anlise em regime permanente do MIT pode ser realizada com base no
circuito eltrico equivalente (CEE) por fase, referido ao estator. O CEE de seqncia
direta apresentado na Figura 5.13.
Rs Ls Lr
Ir1
Vs1 Lm Rr / s
FIGURA 5.13 Circuito eltrico equivalente de sequncia direta por fase do MIT.
onde:
Vs1 (V) a tenso no estator de sequncia direta;
Rs ()) a resist
resistncia
ncia eltrica dos enrolamentos do estator;
Ls (H) a indutncia dos enrolamentos do estator;
Rr ()) a resist
resistncia
ncia eltrica dos enrolamentos do rotor;
Lr (H) a indutncia dos enrolamentos do rotor;
Lm (H) a indutncia de magnetizao;
Ir1 (A) a corrente de sequncia direta do rotor.
No caso do MIT alimentado com tenses equilibradas o torque

eletromagntico de seqncia direta pode ser determinado atravs de:
3 . I r21 .Rr Pg1 = potncia que atravessa o entreferro [W]

Pg 1 = (5.5)
s Rr = resistncia do rotor []
82
A potncia mecnica ser:
Pmec 1 = Pg 1 .(1 s ) Pmec1 = potncia mecnica [W] (5.6)
E o torque eletromagntico de sequncia direta:
Pmec 1 Pg 1 3 .I r21 .Rr Tmec1 = torque eletromagntico de

Tmec 1 = = = sequncia direta [Nm]
(5.7)
r s s. s
Sendo a tenso de alimentao do CEE (Vs1) igual a 127Vrms no caso de

alimentao com tenses equilibradas, tem-se Va = Vb = Vc = 127Vrms.
Caso o MIT venha a ser alimentado por tenses desequilibradas deve-se

levar em conta a existncia das componentes de seqncia inversa da tenso. A
estas componentes associa-se um campo girante de mesma freqncia, porm de
rotao inversa em relao quele de seqncia direta.
Se, por exemplo, a velocidade do rotor em regime permanente do MIT de 4

plos operando em 60Hz for de Nr = 1710 rpm, sendo s = 0,05 e Ns = 1800 rpm, o
escorregamento de seqncia inversa ser determinado atravs de:
s2 =
( N s N r ) = ( 1800 1710 ) = 1,95
(5.8)
Ns 1800
Ento, pode-se escrever que:
s2 = 2 s (5.9)
Ou seja, o rotor estar sujeito a um escorregamento de seqncia inversa de,

aproximadamente, igual a 2, dando origem a freqncias induzidas no rotor de,
83
aproximadamente, 120Hz,
120Hz, para um campo girante de seqncia direta de freqncia
igual a 60Hz.
Portanto, o torque eletromagntico associado s componentes de seqncia

inversa de frenagem em relao ao torque de seqncia direta.
Assim, o efeito da atuao

atuao das componentes de seqncia inversa uma
diminuio no torque eletromagntico de seqncia direta do MIT, sempre que o
mesmo receber uma alimentao com tenses desequilibradas.
Rs Ls Lr
Ir2
Vs2 Lm Rr / (2-s)
FIGURA 5.14 Circuito eltrico equivalente de sequncia inversa por fase do MIT.
onde:
Vs2 (V) a tenso no estator de sequncia inversa;
Ir2 (A) a corrente de sequncia inversa do rotor.
Este torque eletromagntico reverso (Tmec2) associado s componentes de

seqncia inversa pode ser determinado com o auxlio do circuito eltrico
equivalente mostrado na Figura 5.14 (ANDERSON, 1995).
3 .I r22 .Rr Tmec2 = torque eletromagntico de

Tmec 2 = (5.10)
(2 s ). s sequncia inversa [Nm]
84
A tenso de alimentao do CEE (Vs2) ser aquela determinada atravs do

clculo das componentes de seqncia inversa no caso de alimentao com
tenses desequilibradas.
Assim o torque eletromagntico resultante da operao do MIT com tenses

desequilibradas ser determinado atravs de:
3 .Rr I r21 I r22

Tmec = Tmec 1 Tmec 2 = . (5.11)
s s (2 s )
onde:
s = escorregamento de sequncia direta [Nm]

( s r ) s = velocidade angular sncrona de sequncia
s= direta [rad/s] (5.12)
s
r = velocidade angular do rotor de sequncia
direta [rad/s]
Para a determinao das tenses Vs1 e Vs2 dos circuitos eltricos equivalentes
utiliza-se o Teorema de Fortescue (KINDERMANN, 1997) aplicado ao sistema
trifsico desequilibrado de alimentao do MIT.
Assim, por exemplo, um sistema trifsico desequilibrado ou assimtrico, onde:

Va = 90Vrms, Vb = 110Vrms e Vc = 130Vrms, pode ser representado por trs sistemas
trifsico equilibrados denominados de seqncia direta, inversa e nula (ou zero),
onde:
1
3
(
V&s1 = . V&a + a& .V&b + a& 2 .V&c ) Vs1 = componente de sequncia direta (5.13)
1
3
(
V&s 2 = . V&a + a& 2 .V&b + a& .V&c ) Vs2 = componente de sequncia
inversa
(5.14)
1
3
(
V&s 0 = . V&a + V&b + V&c ) Vs0 = componente de sequncia nula
(ou zero)
(5.15)
85
Sendo o operador de deslocamento:
a& = 0,5 + j 0,866 (5.16)
Ento para as tenses desequilibradas Va = 90Vrms, Vb = 110Vrms e Vc =

130Vrms, tem-se:
V s1 = 110V rms ; V s 2 = 12V rms (5.17)
O comportamento do torque eletromagntico da equao (5.12) para o MIT de

1CV determinado atravs dos circuitos das Figuras 5.13 e 5.14, apresentado na
Figura 5.15, para um torque de carga (TL) constante, igual a 3,2Nm.
8
Curva B
7 TL
Curva A
5
Tmec (N.m)
0
0 200 400 600 800 1000 1200 1400 1600 1800
FIGURA 5.15 Torque eletromagntico em funo da velocidade no eixo do motor: Curva

A = CEE com tenso equilibrada (Vs1 = 127V); Curva B = CEE com tenses
desequilibradas (Vs1 = 110V e Vs2 = 12V).
86
A curva A reproduz a operao do motor alimentado com tenses

equilibradas sendo: Va = Vb = Vc = 127Vrms e a curva B representa a operao do
motor com tenses desequilibradas onde: Va = 90Vrms; Vb = 110Vrms e Vc = 130Vrms.
Na Figura 5.15 pode-se notar que para o mesmo torque de carga o MIT
alimentado com tenses desequilibradas (curva B) sofre uma reduo na velocidade.
Portanto interessante estabelecer-se um Fator de Reduo no torque de carga
quando um MIT operar com tenses desequilibradas.
5.4 MTODO EXPERIMENTAL
Para a validao e anlise dos resultados obtidos nos mtodos

computacionais, utilizou-se uma bancada de ensaios do MIT. Nesta bancada
instalou-se um MIT com as caractersticas mostradas na Tabela 5.1, um torqumetro
(Tr1) e uma mquina de corrente contnua (mquina CC) de 1,8kW ; todos acoplados
ao eixo do MIT. Nas Figuras 5.16 e 5.17 apresentada a bancada de ensaios.
MIT 1CV Torqumetro
Mquina CC funcionando
como carga
FIGURA 5.16 Bancada experimental utilizada nos ensaios.

87
Na bancada de ensaios, a mquina CC, opera como um gerador, atuando

como uma carga ajustvel no eixo do MIT.
Instrumentao
FIGURA 5.17 Bancada experimental com instrumentao ao fundo.
Na Figura 5.18 apresentado o diagrama eltrico correspondente

interligao dos equipamentos e instrumentos de medio utilizados nos ensaios
com o MIT.
FIGURA 5.18 Diagrama eltrico dos ensaios realizados com o MIT.

88
A fonte de tenso alternada trifsica utilizada nos ensaios foi a rede de

energia eltrica da concessionria, aplicada entrada de trs variacs monofsicos
(Vr1, Vr2 e Vr3), ligados em estrela. Utilizou-se, ento, a tenso ajustvel de sada
dos variacs para a alimentao do MIT. Na interligao dos variacs com o motor
instalou-se os seguintes instrumentos de medio: trs ampermetros CA (A1, A2 e
A3), para medir a corrente em cada fase; trs voltmetros CA (V1, V2 e V3), para
medir a tenso por fase e trs wattmetros (W1, W2 e W3).
Para a configurao da mquina CC como gerador, utilizou-se uma fonte de

tenso CC varivel (Vcc) para a alimentao do enrolamento de campo da mquina,
um ampermetro (A5) e um voltmetro (V5) para o controle da tenso e da corrente.
Na armadura da mquina CC conectou-se um banco resistivo (RL) para atuar como
carga para o gerador, alm de um ampermetro (A4) e um voltmetro (V4) para o
controle da tenso e da corrente na carga.
Na Figura 5.19 so apresentados os Variacs, os ampermetros,

ampermetros, os voltmetros
e os wattmetros utilizados nos ensaios.
FIGURA 5.19 Instrumentao utilizada nos ensaios do MIT.

89
Uma descrio detalhada de todos os elementos utilizados nos ensaios

mostrada no Apndice B.
Convm observar-se que o torqumetro no apresentou uma resposta

dinmica adequada, portanto, optou-se por ensaios utilizando-se a potncia de sada
da mquina CC, operando como gerador e elemento de avaliao da carga no eixo
do MIT.
Para a realizao dos ensaios gerou-se aleatoriamente, 100 combinaes de

tenses de fase, com valores entre 111Vrms a 143Vrms. Escolheu-se esta faixa de
valores, considerando-se a variao das tenses de sada dos Variacs utilizados nos
ensaios.
Para a obteno destes valores aleatrios de tenses desequilibradas,

utilizou-se a funo do Matlab: RAND (uniformly distributed pseudorandom
numbers). Esta funo gera nmeros pseudo-aleatrios uniformemente distribudos,
dentro de uma faixa determinada, seguido a seguinte sintaxe:
a = valor mnimo da faixa de valores

b = valor mximo da faixa de valores
r = a + (b a ). * rand (c , d ); (5.18)
c = quantidade de linhas da matriz
d = quantidade de colunas da matriz
Para a obteno dos valores para os ensaios, utilizou-se:
r = 111 + (143 111 ). * rand (100 ,3 ); (5.19)
Para cada dez combinaes de desequilbrio, foi introduzida uma combinao

com tenso equilibrada, chegando a um total de 110 combinaes de tenses.
Assim, os procedimentos adotados para os ensaios foram os seguintes:

90
As 110 combinaes (vetores de treinamento) foram divididas em 10

grupos tambm de forma aleatria;
Para cada grupo, a mquina CC foi ajustada com uma potncia de sada
diferente, variando-se da operao em vazio a uma potncia de sada
de 500W. Assim, cada valor de potncia de sada da mquina CC
correspondeu a um torque de carga aplicado ao MIT ensaiado;
Para cada vetor de treinamento, ajustavam-se, atravs dos Variacs, os

respectivos valores das tenses Va, Vb e Vc e a potncia na mquina CC
era ajustada de acordo com seu respectivo grupo de valores;
Aps os ajustes, realizavam-se as leituras das correntes por fase, da

potncia consumida pelo MIT e do valor da rotao no seu eixo.
Ento, registravam-se todos os parmetros ajustados e medidos em uma

planilha para uma posterior utilizao.
5.4.1 AVALIAO DA TEMPERATURA DOS ENROLAMENTOS DO ESTATOR
Durante os ensaios, realizou-se uma avaliao da temperatura dos

enrolamentos do estator do motor. Esta avaliao considerou apenas duas situaes
distintas de alimentao do MIT:
(I) com tenses equilibradas, sendo Va = Vb = Vc = 127Vrms;
(II) com tenses desequilibradas, onde Va = 138Vrms, Vb = 141Vrms e Vc =

113Vrms.
Nas duas situaes a mquina CC trabalhou com uma potncia de sada

constante (PCC) de 512,5W.
91
Na situao (I), com o MIT alimentado com tenses equilibradas, inicialmente

anotou-se a temperatura ambiente e os valores das resistncias do estator para
cada fase, ento, obteve-se os seguintes valores:
Temperatura inicial do ambiente: t1 = 22,6C
Resistncia do enrolamento do estator: Rt1 = 7,83 (valor mdio entre as

fases).
Aps estas leituras, o MIT foi energizado com tenses equilibradas de fase,
sendo Va = Vb = Vc = 127Vrms.
Depois de 20 minutos de funcionamento, o MIT foi desligado, e efetuou-se

nova medio na resistncia do enrolamento do estator, obtendo-se:
Resistncia do enrolamento do estator aps 20 minutos de

funcionamento: Rt2 = 8,427 (valor mdio entre as fases).
Com o auxlio da equao (5.20), que considera linear a variao da

resistncia eltrica de um metal puro com a temperatura na faixa entre 0 e 100C
(GRAY, 1964), tem-se:
Resistncia ()
Rt2
Rt1
-T0 0 t1 t2 100 Temperatura (C)
FIGURA 5.20 Variao da resistncia eltrica de um metal puro em funo da

temperatura.
92
-T0 = temperatura cuja resistncia do metal

nula (cobre = -234,5C)
Rt 2 T0 + t 2 Rt1 = resistncia eltrica do cobre na
= (5.20)
Rt1 T0 + t1 temperatura t1[]
Rt2 = resistncia eltrica do cobre na
temperatura t2[]
Assim:
8, 427 234 ,5 + t 2
= t 2 = 42 , 2 (5.21)
7 ,83 234 ,5 + 22 ,6
Nestas condies obteve-se: t2 = 42,2C, ou seja, houve uma elevao de:
t = t 2 t1 = 42 , 2 22 ,6 = 19 ,6 (5.22)
Portanto, em 20 minutos de operao do MIT com tenses equilibradas os

enrolamentos do estator sofreram uma elevao de temperatura de quase 20C.
Agora, na situao (II), tem-se:
Temperatura inicial do ambiente: t1 = 22,6C
Resistncia do enrolamento do estator: Rt1 = 7,837 (valor mdio entre

as fases).
Ento o MIT foi energizado com tenses desequilibradas de fase, sendo onde
Va = 138Vrms, Vb = 141Vrms e Vc = 113Vrms.
Depois de 20 minutos de funcionamento, o MIT foi desligado, e efetuou-se

nova medio na resistncia do enrolamento do estator, obtendo-se:
Resistncia do enrolamento do estator aps 20 minutos de

funcionamento: Rt2 = 9,67 (valor mdio entre as fases).
93
Assim, tem-se:
9,67 234 ,5 + t 2
= t 2 = 82 ,73 (5.23)
7 ,837 234 ,5 + 22 ,6
Nestas condies obteve-se: t2 = 82,73C, ou seja, houve uma elevao de:
t = t 2 t1 = 82 ,73 22 ,6 = 60 ,13 (5.24)
Em 20 minutos de operao do MIT com tenses desequilibradas os

enrolamentos do estator sofreram uma elevao de temperatura de 60C.
Portanto, em funo da grande elevao de temperatura, ficou evidente, toda

a degradao da isolao e reduo da vida til a que est sujeito o MIT quando da
operao com tenses desequilibradas.
5.4.2 COMPARAO DOS RESULTADOS
Uma comparao entre valores obtidos pela simulao e na bancada

experimental so apresentados na Tabela 5.5 para um torque de carga de 2,82Nm.
TABELA 5.5 Comparativo entre os valores de correntes experimentais e os

obtidos na simulao.
CORRENTE DE FASE ROTAO

TENSO DE FASE (Vrms)
(Arms) (RPM)
VA VB VC IA IB IC N
Simulao 111,5 136,7 125,1 1,95 3,18 2,94 1755
Experimental 111,5 136,7 125,1 1,80 3,75 2,90 1757
Nota: carga constante de 2,82Nm.

94
Na Tabela 5.6 so apresentados valores da potncia de entrada e de sada. A

potncia de sada foi obtida na mquina de CC operando como gerador.
TABELA 5.6 Comparativo entre os valores da potncia de entrada pelo

modo experimental e pela simulao.
POTNCIA DE ENTRADA ROTAO

TENSO DE FASE (Vrms)
(W) (RPM)
VA VB VC PA PB PC N
Simulao 111,5 136,7 125,1 163,6 349,9 187,1 1755
Experimental 111,5 136,7 125,1 175,0 393,8 125,0 1757
Nota: a potncia de sada na mquina CC (PCC) de 437W.
Atravs destes resultados preliminares, significativas diferenas entre os

resultados das simulaes e os valores das correntes e das potncias de entrada
obtidas na bancada experimental (Tabelas 5.5 e 5.6) podem ser observadas.
Na Tabela 5.7 tm-se a comparao das correntes reais, com aquelas obtidas
na simulao do modelo dinmico do MIT, de 22 vetores de treinamento. Tais
vetores fazem parte do conjunto de validao da RNA, a ser utilizado
posteriormente.
A Tabela completa, com todos os valores medidos e calculados, de todos os

vetores de treinamento, apresentada no Apndice A.
95
TABELA 5.7 Comparativo entre as correntes obtidas experimentalmente e

as obtidas na simulao do MIT.
CORRENTE REAL CORRENTE DA ERRO RELATIVO

PCC (A) SIMULAO (A) (%)
V.V.
(W)
IA IB IC IA IB IC E(IA) E(IB) E(IC)
1 0 2,12 2,45 1,30 2,71 2,18 2,09 27,83 11,02 60,77

2 0 2,00 3,40 1,60 2,04 2,66 1,90 2,00 21,76 18,75
3 0 2,28 1,98 2,34 1,79 3,05 2,19 21,49 54,04 6,41
4 0 1,55 1,92 2,36 2,21 2,21 2,21 42,58 15,10 6,36
5 0 2,98 1,72 2,12 2,04 1,84 2,51 31,54 6,98 18,40
6 500 3,15 2,35 3,10 2,90 3,31 2,31 7,94 40,85 25,48
7 50 2,15 2,15 2,00 2,69 2,54 3,22 25,12 18,14 61,00
8 50 1,75 2,30 3,00 2,82 2,31 1,74 61,14 0,43 42,00
9 50 1,80 1,80 1,70 2,10 2,09 2,97 16,67 16,11 74,71
10 50 2,30 2,05 1,95 2,74 2,36 1,72 19,13 15,12 11,79
11 240 2,35 3,45 1,70 3,15 1,69 2,57 34,04 51,01 51,18
12 240 1,55 3,15 2,55 2,80 1,65 2,63 80,65 47,62 3,14
13 375 2,35 2,70 2,75 2,23 2,24 2,35 5,11 17,04 14,55
14 375 2,50 3,35 1,95 2,42 2,38 2,76 3,20 28,96 41,54
15 140 1,75 2,95 2,35 2,25 2,25 2,25 28,57 23,73 4,26
16 140 1,75 2,05 2,25 1,97 2,43 2,62 12,57 18,54 16,44
17 140 3,15 2,15 1,85 2,86 2,33 1,84 9,21 8,37 0,54
18 437 1,75 3,60 3,00 2,01 3,06 2,97 14,86 15,00 1,00
19 190 1,90 2,40 2,70 2,13 2,22 2,68 12,11 7,50 0,74
20 190 1,80 2,90 1,85 1,74 2,64 2,27 3,33 8,97 22,70
21 304 2,00 3,05 2,90 2,13 2,62 2,82 6,50 14,10 2,76
22 304 2,65 2,40 1,90 2,50 2,43 2,06 5,66 1,25 8,42
ERRO RELATIVO MDIO (%) 21,38 20,08 22,40
Nota: V.V. a sigla de Vetores de Validao.

96
Nas Figuras 5.21, 5.22 e 5.23, pode-se comparar os valores de corrente, em

cada fase, obtidos pelo mtodo experimental e pelo mtodo computacional,
utilizando-se o modelamento clssico. Pode-se perceber o erro mdio acima de
20%, entre os valores reais e os obtidos com o modelamento.
Ia - Real Ia - Simulador
3,5
3
2,5
2
1,5
1
0,5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Vetores de Validao
FIGURA 5.21 Comparativo entre os valores de corrente da fase A: Real x Simulador.
Ib - Real Ib - Simulador
4
3,5
3
2,5
2
1,5
1
0,5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Vetores de Validao
FIGURA 5.22 Comparativo entre os valores de corrente da fase B: Real x Simulador.

97
Ic - Real Ic - Simulador
3,5
3
2,5
1,5
0,5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Vetores de Validao
FIGURA 5.23 Comparativo entre os valores de corrente da fase C: Real x Simulador.
5.5 MTODO COMPUTACIONAL POR REDES NEURAIS
De acordo com o desenvolvimento apresentado no item 1.4, no mtodo

experimental realizaram-se os ensaios com o MIT de 1CV operando com 110
combinaes de tenses de fase, numa faixa de valores entre 111 Vrms e 143 Vrms.
Para cada uma das combinaes, realizaram-se medies: das correntes de cada
fase, da potncia consumida pelo motor e da rotao
rotao no eixo do motor.
As 110 combinaes de tenso, com suas respectivas medies, foram

separadas, de forma aleatria, em dois grupos:
80% (88 vetores) - formaram os vetores de treinamento, necessrios

para o treinamento da RNA que ser usada para modelar o
comportamento do MIT sob quaisquer condies de tenso;
98
20% (22 vetores) - formaram os vetores de validao da RNA, utilizados

para confirmar se a rede convergiu.
A configurao da RNA utilizada para modelar as relaes entre as tenses e

as correntes do motor, foi uma RNA do tipo Perceptron Multicamadas (PMC) com as
caractersticas especificadas na Tabela 5.8.
TABELA 5.8 Arquitetura da RNA e suas caractersticas.
PARMETRO CARACTERSTICA
Nmero de redes 01
Nmero de entradas 04 (Va, Vb, Vc e PCC)
Nmero de sadas 03 (Ia, Ib e Ic)
Camadas escondidas 01
Nmero de neurnios 11
Funo de ativao da camada escondida Tangente hiperblica
Funo de ativao da camada de sada Linear
Algoritmo de treinamento Levenberg e Marquardt
Erro quadrtico mdio desejado 1x10-4
Nota: as tenses e correntes so representadas por valores eficazes.
O critrio de parada utilizado foi o do menor erro quadrtico mdio da

validao ao longo do treinamento. A evoluo do treinamento e da validao da
RNA e mostrada na Figura 5.24.
99
1
10
Treinamento
Validao
0
10
E rro quadrtico mdio
-1
10
-2
10
-3
10
0 2 4 6 8 10 12 14 16 18 20 22
pocas
FIGURA 5.24 Evoluo do treinamento e validao da RNA.
Na Tabela 5.9 as correntes obtidas pelo mtodo experimental (correntes

reais) em cada uma das fases foram comparadas com aquelas obtidas na
modelagem por meio de redes neurais artificiais.
Nas Figuras 5.25, 5.26 e 5.27, pode-se comparar os valores das correntes por
fase, obtidos pelo mtodo experimental e pelo mtodo computacional utilizando o
modelamento por RNA.
Pode-se verificar que os resultados obtidos com a RNA se aproximam muito

dos valores reais. Isto se deve ao erro mdio absoluto menor que 3%, mostrado na
Tabela 5.9.
100
TABELA 5.9 Comparativo entre correntes obtidas experimentalmente e as

obtidas pela RNA.
CORRENTE REAL CORRENTE - RNA ERRO RELATIVO

PCC (A) (A) (%)
V.V.
(W)
IA IB IC IA IB IC E(IA) E(IB) E(IC)
1 0 2,12 2,45 1,30 2,10 2,53 1,39 1,09 3,15 6,90

2 0 2,00 3,40 1,60 2,03 3,17 1,45 1,38 6,80 9,52
3 0 2,28 1,98 2,34 2,32 2,02 2,40 1,57 2,19 2,42
4 0 1,55 1,92 2,36 1,54 1,83 2,35 0,48 4,50 0,24
5 0 2,98 1,72 2,12 3,07 1,79 2,11 3,16 3,99 0,51
6 500 3,15 2,35 3,10 2,97 2,40 3,01 5,77 2,11 2,92
7 50 2,15 2,15 2,00 2,09 2,13 1,99 2,56 1,04 0,45
8 50 1,75 2,30 3,00 1,62 2,34 3,06 7,55 1,54 1,99
9 50 1,80 1,80 1,70 1,81 1,96 1,70 0,38 8,71 0,00
10 50 2,30 2,05 1,95 2,26 2,04 1,96 1,64 0,58 0,31
11 240 2,35 3,45 1,70 2,40 3,40 1,66 2,10 1,48 2,53
12 240 1,55 3,15 2,55 1,50 3,08 2,50 2,95 2,10 1,79
13 375 2,35 2,70 2,75 2,46 2,77 2,74 4,70 2,58 0,53
14 375 2,50 3,35 1,95 2,55 3,36 1,99 2,17 0,35 1,92
15 140 1,75 2,95 2,35 1,75 2,92 2,37 0,21 1,14 0,84
16 140 1,75 2,05 2,25 1,79 2,09 2,20 2,48 1,91 2,35
17 140 3,15 2,15 1,85 3,22 2,13 1,82 2,23 1,10 1,70
18 437 1,75 3,60 3,00 1,79 3,65 2,94 2,44 1,34 1,99
19 190 1,90 2,40 2,70 1,91 2,53 2,72 0,31 5,25 0,92
20 190 1,80 2,90 1,85 1,84 2,93 1,96 2,12 0,92 5,96
21 304 2,00 3,05 2,90 2,11 2,99 2,90 5,65 2,03 0,03
22 304 2,65 2,40 1,90 2,74 2,49 2,02 3,31 3,87 6,42
ERRO RELATIVO MDIO (%) 2,56 2,67 2,37
Nota: V.V. a sigla de Vetores de Validao.

101
Ia - Real Ia - RNA
3,5
3
2,5
1,5
0,5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Vetores de Validao
FIGURA 5.25 Comparativo entre os valores de corrente da fase A: Real x RNA.
Ib - Real Ib - RNA
4
3,5
3
2,5
2
1,5
1
0,5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Vetores de Validao
FIGURA 5.26 Comparativo entre os valores de corrente da fase B: Real x RNA.

102
Ic - Real Ic - RNA
3,5
3
2,5
1,5
0,5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Vetores de Validao
FIGURA 5.27 Comparativo entre os valores de corrente da fase C: Real x RNA.
Na Figura 5.28, tm-se o comportamento da corrente em cada fase do MIT,

em funo da tenso e da potncia da mquina CC, obtidos atravs do
modelamento com RNA. Nesta figura, pode-se verificar o comportamento no linear
carga no eixo (potncia de sada na
da corrente com a variao de tenso e carga
mquina CC).
Pcc (W) Pcc (W) Pcc (W)
FIGURA 5.28 Correlaes entre corrente, tenso e potncia, obtidas atravs da RNA.
103
Para uma melhor anlise, na Figura 5.29, tm-se os resultados obtidos na

fase B, com alguns pontos em destaque.
2
Corrente na fase B (Arms)
Potncia Mq-CC (W) Tenso da fase B (Vrms)
FIGURA 5.29 Comportamento da corrente, da fase B, em funo da tenso e da potncia

na mquina CC.
O ponto 1 na Figura 5.29, corresponde ao vetor de validao 06 da Tabela

5.9, onde se tm:
PCC = 500 W valor mximo da potncia aplicada na mquina CC, o

que corresponde carga mxima aplicada no eixo do MIT, durante os
ensaios.
Vb = 114,7 Vrms 10% abaixo da tenso nominal do MIT (prximo do

valor mnimo da tenso aplicada nos ensaios).
Ib = 2,4 Arms 21% abaixo da corrente nominal do MIT.
O ponto 2 corresponde ao vetor de validao 02, onde se tm:
PCC = 0 W valor mnimo de potncia na mquina CC, o que nos

ensaios corresponde ao MIT operando vazio.
104
Vb = 142 Vrms 12% acima da tenso nominal do MIT (prximo do valor

mximo da tenso aplicada nos ensaios).
Ib = 3,2 Arms prximo da corrente nominal do MIT.
O ponto 3 corresponde ao vetor de validao 08, onde se tm:
PCC = 50 W 10% da potncia mxima na mquina CC, aplicada nos

ensaios.
Vb = 134,5 Vrms 6% acima da tenso nominal do MIT.
Ib = 2,34 Arms 23% abaixo da corrente nominal do MIT.
Com estes trs pontos em destaque, tm-se um exemplo do comportamento

no linear do MIT, quando alimentado com tenses desequilibradas, conforme as
caractersticas apresentadas na Figura 5.29. Portanto, pode-se concluir que no h
uma correspondncia linear entre a variao destas trs grandezas: potncia de
operao da mquina CC, tenso de fase e corrente de fase.
5.6 ANLISE DOS RESULTADOS
Nas simulaes, utilizando-se o modelo dinmico, quando o MIT foi

alimentado com tenses equilibradas, obteve-se, em regime permanente, uma
corrente no rotor com frequncia (fr) de 2,6Hz. Com tenses desequilibradas, esta
frequncia passou para 2,9Hz.
Nas simulaes, utilizando-se o modelo dinmico, quando o MIT foi

alimentado com tenses desequilibradas, obteve-se para o torque eletromagntico
105
uma pulsao em regime permanente (Figura 5.9). Tal pulsao oscila em torno do
valor do torque de carga.
Em outra anlise, contatou-se que a oscilao do torque eletromagntico tem

uma freqncia de 120Hz, determinada pelas componentes de seqncia inversa
presentes nas tenses desequilibradas do estator (Figura 5.10).
Na anlise do MIT em regime permanente com base no circuito eltrico

equivalente, o comportamento do torque eletromagntico (Tmec), apresentado na
Figura 5.15, possibilita uma informao preliminar do comportamento do motor
quando alimentado atravs de tenses desequilibradas. A curva B demonstra que o
torque de carga vencido, porm com uma diminuio na velocidade do eixo
(aproximadamente 1660 rpm), comparativamente com a operao com tenso
equilibrada obtida na curva A (1710 rpm). Este comportamento tambm foi
reproduzido nos resultados experimentais.
Uma preocupante constatao relativa ao comportamento da temperatura dos

enrolamentos do estator foi verificada quando da operao com tenses
desequilibradas. Em 20 minutos de operao do MIT com tenses equilibradas, com
uma carga constante (PCC = 512,5W), obteve-se um aumento de temperatura no
motor de aproximadamente 20C. No mesmo intervalo de tempo e com a mesma
carga constante, o aumento de temperatura foi de aproximadamente 60C. Assim,
pode-se concluir que com tenses desequilibradas, o aumento de temperatura no
motor foi trs vezes maior comparado a operao com tenses equilibradas.
Nos ensaios optou-se por uma anlise, decorridos apenas 20 minutos, com o
objetivo de preservar os enrolamentos do motor.
Devido ao comportamento da temperatura dos enrolamentos do estator,

quando operando com tenses desequilibradas, numa situao como esta
fundamental a atuao do dispositivo de proteo para o desligamento da
alimentao do motor ou de sondas trmicas localizadas prximas aos enrolamentos
do estator.
106
Uma das grandes dificuldades enfrentadas nas modelagens, quando o MIT

opera com tenses desequilibradas, est relacionada com a obteno das correntes
de cada fase nas simulaes, o que pode ser constatado atravs dos resultados
apresentados na Tabela 5.5.
Operando com tenses desequilibradas, o modelamento matemtico do MIT

com RNA obteve um resultado muito prximo dos valores reais (Tabela 5.9). O
mesmo no ocorreu com o modelamento clssico, que divergiu muito dos valores
reais (Tabela 5.7).
Uma ltima anlise pode ser realizada com os resultados obtidos no

modelamento com RNA. Pode-se verificar nas Figuras 5.29 e 5.30, o comportamento
no linear das correntes no MIT em funo dos valores de tenso e carga no motor,
quando operando com tenses desequilibradas.
107
6. CONCLUSES
Em virtude da importncia dos MIT nos ambientes industriais, dos efeitos

nocivos que o desequilbrio de tenso provoca no seu funcionamento, e da
impreciso dos resultados do modelamento clssico na operao com desequilbrio
de tenso, este trabalho prope a utilizao de uma RNA no modelamento do MIT,
para estimar os valores das correntes no motor, por fase, operando em condies de
desequilbrio de tenso.
Nas simulaes do MIT utilizando-se o modelo dinmico obteve-se para o

torque eletromagntico uma pulsao em regime permanente como pode ser
observado na Figura 5.9, sempre que o motor foi alimentado com tenses
desequilibradas. Em outras anlises constatou-se que esta oscilao do torque tem
uma freqncia de 120 Hz, determinada pelas componentes de seqncia inversa
presentes nas tenses desequilibradas do estator (Figura 5.10).
108
Na anlise do MIT em regime permanente, operando com tenses

desequilibradas, com base no circuito eltrico equivalente, o torque de carga
vencido pelo torque eletromagntico, com uma diminuio na velocidade do eixo,
comparado com a operao com tenso equilibrada (Figura 5.15).
Na anlise do comportamento da temperatura dos enrolamentos do estator foi

verificado que, com tenses desequilibradas, o aumento de temperatura no motor foi
trs vezes maior comparado a operao com tenses equilibradas. Assim, numa
situao de desequilbrio de tenso, fundamental a atuao do dispositivo de
proteo para o desligamento da alimentao do motor ou de inserir sondas
trmicas prximas aos enrolamentos do estator.
A modelagem matemtica do MIT, operando com tenses desequilibradas,

utilizando RNA, obteve um resultado com erro menor para as correntes das fases
comparado com o obtido atravs do modelo dinmico, conforme os resultados
apresentados nas Tabelas 5.7 e 5.9, o que motivou o investimento nesta ferramenta.
A possibilidade de mapeamento das correntes em funo da potncia de

sada da mquina de corrente contnua entre outros resultados, ampliam as
possibilidades da explorao das RNA.
Com o conjunto de dados experimentais obtidos na bancada testes, outras

anlises, como do rendimento e do fator de potncia do motor, tambm foram
possveis com o modelo dinmico e com o modelamento por meio de RNA,
aumentando as possibilidades de aplicao desta ferramenta, principalmente devido
sua grande importncia na implementao de sistemas de controle por meio de
microprocessadores.
109
6.1 FUTURAS LINHAS DE PESQUISAS
Seguindo as anlises e concluses obtidas neste trabalho, as sugestes para

trabalhos futuros so as seguintes:
Aprimoramento do modelamento clssico do MIT de modo a que o

mesmo contemple a simulao do comportamento no linear em uma
operao com tenses desequilibradas;
Desenvolvimento de um modelo matemtico para o comportamento

trmico do MIT alimentado com tenses desequilibradas;
Estudo do incremento da aplicao da RNA na modelagem do MIT, para

outros parmetros de entrada e de sada da rede, operando com tenses
diferentes da nominal equilibradas ou no, e
Desenvolvimento da aplicao da RNA na modelagem do MIT para

outros valores de potncia nominal, operando com tenses equilibradas
ou no.
110
7. REFERNCIAS BIBLIOGRFICAS
ANDERSON, P. M., Analysis of faulted power systems, IEEE Press, 1995.
ASSEF, L. V., Neurolab: um ambiente de desenvolvimento e aplicao de redes

neurais, UFRJ, Rio de Janeiro, 1999.
AZEVEDO, F. M., BRASIL, L. M., OLIVEIRA, R. C. L., Redes Neurais com Aplicao
em Controle e em Sistemas Especialistas, Editora Visual Books, 2 ed.,
Florianpolis, 2000.
BARBI, I., Teoria Fundamental do Motor de Induo, Editora da UFSC, 1985.
BERNDT, M. M. e SHMITZ, N. L., Derating of polyphase induction motors operated

with unbalanced line voltages, AIEE Trans., p. 680-683, 1963.
111
BULGARELLI, R., Proteo Trmica de Motores de Induo Trifsicos Industriais.

Dissertao, Escola Politcnica de So Paulo, So Paulo, 2006.
CAD, M. M., Estratgias de Modelagem Dinmica e Simulao Computacional do

Motor de Induo Trifsico, Dissertao, EESC, USP, So Carlos, 2000.
CASTRO, F. C. C., CASTRO, M. C. F., Multilayer Perceptron, In: Redes Neurais

Artificiais, cap. 4, Apostila do curso de Mestrado em Engenharia Eltrica,
PUCRS/FENG/DEE, 2001.
CLARKE, E., Circuit Analysis of A-C Power System, vol. 1 e 2, John Wiley and Sons,
New York, 1943.
DUARTE, S. X., Proposta de Indicador de Qualidade de Tenso a Partir do Impacto

de Distores Harmnicas e Desequilbrios sobre Motores de Induo, Tese, Escola
Politcnica de So Paulo, So Paulo, 2006.
DUGAN, R. C., et al., Electrical Power Systems Quality, 2 ed., McGraw-Hill, 2003.
DYMOND, J. H. e STRANGES, N., Operation on unbalanced voltage: one motors

experience and more, IEEE, Paper n PCIC-2005-35, 2005.
EGUILUZ, L. I., et al., Performance analysis of a three-phase induction motor under

nom-sinusoidal and unbalance conditions, IEEE International Symp. on Diagnostic
for Electrical Machines, Power Electronics and Drives, Spain, September, 1999.
ELETROBRAS, Programa Nacional de Conservao de Energia Eltrica. Disponvel

em <http://www.eletrobras.com/elb/procel/main.asp?TeamID={FBFB8D50-65B6-
4135-9477-B0B2711D7AD8>. Acesso em 10 dez.2010.
FAIZ, J., EBRAHIMOUR, H., Precise Derating of Three Phase Induction Motors with
Unbalance Voltages, Energy Conversion and Management, 48, 2579-2586, 2007.
112
FITZGERALD, A. E., KINGSLEY Jr., C. e UMANS, S. D., Mquinas Eltricas, 6 ed.,

Bookman Companhia Editora, 2006.
FORTESCUE, C. L., Method of Symmetrical Co-ordinates Applied to the Solution of

Polyphase Networks, AIEE Trans., vol. 37, p. 1027-1115, 1918.
GAFFORD, B. N., DUESTERHOEFT, W. C. e MOSHER III, C. C., Heating of

induction motors on unbalanced voltages, AIEE Trans., p. 282-286, 1959.
GOEDTEL, A., Estimador Neural de Velocidade para Motores de Induo Trifsicos,

Tese, EESC/USP, So Carlos, 2007.
GOEDTEL, A., Estimativa de Conjugado de Carga Aplicado em Eixos de Motores de

Induo Trifsicos Atravs de Redes Neurais Artificiais, Dissertao, UNESP, Bauru,
2003.
GRAY, A., WALLACE, G. A., Eletrotcnica: Princpios e Aplicaes, Editora ao Livro

Tcnico, Rio de Janeiro, 1964.
HAGAN, M. T., MENHAJ, M. B., Training Feedforward Networks with the Marquardt
Algorithm, IEEE Transactions on Neural Networks, vol. 5, n. 6, p. 989-993, November
1994.
HAYKIN, S., Redes Neurais: Princpios e Prticas, Traduo de Paulo Martins Engel,
Editora Bookman, 2 ed., 2001, Original: 1999.
KINDERMANN, G., Curto-Circuito, 2 ed., Editora Sagra Luzzatto, 1997.
KOVACS, Z. L., Redes Neurais Artificiais: Fundamentos e Aplicaes, Coilegium

Cognitio, 2 ed., So Paulo, 1996.
KRAUSE, P. C., WASYNCZUK, O. e SUDHOFF, S. D., Analysis of Electric

Machinery, IEEE Press, 1995.
113
KRON, G., Equivalent Circuits of Electric Machinery, John Wiley and Sons, New
York, 1951.
LEE, C. Y., et al., Effects of various unbalance voltages on the operation

performance of an induction motor under the same voltages unbalanced factor
condition, IEEE Industrial and Commercial Power System Technical Conference, p.
51-59, Edmonton, Canada, 1997.
LEE, C. Y., Effects of Unbalance Voltage on the Operation Performance of a Three-

Phase Induction Motor, IEEE Transactions on Energy Conversion, vol. 14, n. 2, 1999.
LOURENO, V. H. M., Anlise Qualitativa da Poltica de Manutenes dos Sistemas

de um PWR Tpico por Redes Neurais Artificiais, Dissertao, PPGIEN/CNEN, Rio
de Janeiro, 2010.
MACHADO, K. C., Impacto de Tenses Desequilibradas em Motores de Induo

Trifsicos, Projeto de Graduao, Centro Tecnolgico da Universidade Federal do
Esprito Santo, Vitria-ES, 2008.
MINOTTI, C., Estimador Fuzzy de Velocidade para Motores de Induo Trifsicos

Usando Abordagem Sensorless, Dissertao, EESC, USP, So Carlos, 2008.
OLESKOVICZ, M., Qualidade da Energia Eltrica, EESC, USP, So Carlos, 2007,

Apostila da disciplina Qualidade de Energia Eltrica, do curso de Mestrado em
Engenharia Eltrica, UNESP/FEB, Bauru.
ONG, C. M., Dynamic of Electric Machinery Using Matlab/Simulink, Editora

Prentice Hall, USA, 1997.
OSRIO, F. S., BITTENCOURT, J. R., Sistemas Inteligentes baseados em Redes

Neurais Artificiais Aplicados ao Processamento de Imagens, I Workshop de
Inteligncia Artificial, UNISC, Rio Grande do Sul, 2000.
114
PARK, R. H., Two-Reaction Theory of Synchronous Machines, AIEE Trans., vol. 48,
p. 716-727, July 1929.
REED, H. R. e KOOPMAN, R. J., Induction motors on unbalanced voltages, AIEE

Trans., p. 1206-1213, November 1936.
SERNI, P. J. A., et al., Unbalanced Voltage Effects on Three Phase Industrial Loads,
In: VII Conferncia Internacional de Aplicaes Industriais INDUSCON, Recife,
2006.
SIDDIQUE, A., YADAVA, G. S., SINGH, B., Effects of Voltage Unbalance on

Induction Motors, Conference Record of the 2004, IEEE International Symposium on
Electrical Insulation, 19-22, September 2004.
SILVA, S. F., Identificao de Torque de Carga em Motores de Induo usando

Abordagem Baseada em Sistemas Fuzzy, Dissertao, EESC/USP, So Carlos,
2007.
STANLEY, H. C., An Analysis of the Induction Motor, AIEE Trans., vol. 57, p. 751-
755, 1938.
SUETAKE, M., Implementao de Sistema Inteligente em Processadores Digitais

para Controle de Mquinas Eltricas Rotativas, Dissertao, EESC/USP, So
Carlos, 2008.
ULSON, J. A. C., Desenvolvimento de um Sistema de Controle Inteligente para a

Aplicao de Fertilizantes Lquidos em Taxas Variveis, Tese, Faculdade de
Cincias Agronmicas de Botucatu, UNESP, Botucatu, 2002.
WILLIAMS, J. E., Operation of 3-Phase Induction Motors on Unbalanced Voltages,

AIEE, p. 125-133, April 1954.
115
WOLL, R. F., Effect of Unbalanced Voltages on the Operation of Polyphase Induction

Motors, IEEE Transactions on Industry Applications, vol. IA-11, n. 1,
January/February 1975.
116
8. APNDICE A
Neste apndice mostrada a planilha obtida nos ensaios com a bancada de

testes, com os 110 vetores (treinamento e validao), e todas as grandezas
envolvidas nos testes.
117
118
119
120
121
9. APNDICE B
Relao dos equipamentos utilizados na etapa experimental, mostrada no

Captulo 5, com suas respectivas especificaes tcnicas:
VARIAC TRANSFORMADOR VARIADOR DE TENSO
Especificaes
Marca: SP
Modelo: ATV-215-M - Monofsico
Tenso de entrada: 220Vrms
Tenso de sada: 0 a 240Vrms
Frequncia: 60Hz
Corrente mxima: 6,3Arms
Potncia mxima: 1,5kVA

122
MOTOR DE INDUO TRIFSICO
Especificaes
Marca: WEG
Modelo: W21 3~80
Rotor: Gaiola de esquilo
Potncia: 1CV
Nmero de Polos: 04
Tenso Nominal: 220 / 380Vrms
Corrente Nominal: 3,02 / 1,75Arms
Corrente de Partida: 21,7 / 12,6Arms
Rotao Nominal: 1720RPM
Frequncia: 60Hz
Categoria: N
Grau de proteo: IP55
Fator de Servio: 1,15
Fator de Potncia: 0,82
Rendimento: 79,5%
TORQUMETRO
Especificaes
Marca: Sodmex
Modelo: MT-103
Faixa de medio 0 a 50Nm
Sensibilidade: 2,090mV/V
123
MQUINA C.C.
Especificaes
Motor CC:
o Marca: Varimot
o Modelo: BN 100L
o Excitao Independente
o Potncia: 1,8kW
o Rotao: 1800RPM
o Momento de Inrcia: 0,0083kgm2
Excitao (MIT):
o Marca: Eberle
o Modelo: B63A2
o Potncia: 1/3CV
o Rotao: 3360RPM
BANCO RESISTIVO
Especificaes
Nmero de resistncias usadas: 04
Potncia individual: 400W
Tenso individual: 127V
Resistncia individual: 40,32
Interligao: Cada par ligado em

srie; os pares ligados em paralelo
124
MULTMETRO DIGITAL
Especificaes
Marca: Agilent
Modelo: U1252A
Display duplo com resoluo de 50000

contagens
Medidas True RMS (CA, CA+CC)
Data Logging manual e automtico
Preciso CC: 0,025%
Tenso mxima: 1000Vrms
Corrente mxima: 10Arms
Frequncia: 1MHz
Resistncia mxima: 500M
AMPERMETRO/VOLTMETRO ANALGICO
Especificaes
Marca: YEW Yokogawa Electric Works
Modelo: 2014 Alternado
Faixa de Tenso CA: 30 a 750Vrms
Faixa de Corrente CA: 0,15 a 30Arms
Frequncia: 60Hz
125
WATTMETRO ANALGICO
Especificaes
Marca: Ferrari Strum. Eletr.
Modelo: WC15-5 - Monofsico
Faixa de Potncia: 1,25 a 6000W
Corrente mxima: 10Arms
Tenso mxima: 600Vrms
TACMETRO PTICO DIGITAL
Especificaes
Marca: Instrutherm
Modelo: TD-705
Display LCD 5 dgitos 10mm
Escala de teste: 5 a 100000RPM
Resoluo: 0,1RPM (0,5 a 999,9RPM);

1RPM (acima de 1000RPM)
Preciso: (0,5 + 1dgito)

Oliveira Jea Me Bauru PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Oliveira Jea Me Bauru PDF

Caricato da

Copyright:

Formati disponibili

unesp UNIVERSIDADE ESTADUAL PAULISTA

MODELAGEM DE UM MOTOR DE INDUO TRIFSICO

JOS EDUARDO ALVES DE OLIVEIRA

unesp UNIVERSIDADE ESTADUAL PAULISTA

MODELAGEM DE UM MOTOR DE INDUO TRIFSICO

JOS EDUARDO ALVES DE OLIVEIRA

Orientador: Prof. Dr. Paulo Jos Amaral Serni

Dissertao apresentada Faculdade de

minha esposa, Raquel,

Ao Professor Doutor Jos Alfredo Covolan Ulson, pelo seu apoio e

Ao Professor Doutor Alessandro Goedtel, pelas sugestes e apoio na

Ao Professor Doutor Paulo R. de Aguiar, pelo emprstimo da banca de ensaio

A todos os professores do Programa de Mestrado em Engenharia Eltrica da

Aos tcnicos de laboratrio da FEB-UNESP, pelo apoio na realizao da

Ao Sr. Mrio Eduardo Cazo, diretor da escola SENAI, da cidade de Lenis

Aos colegas de trabalho da escola SENAI, da cidade de Lenis Paulista,

1.1 MOTIVAO E RELEVNCIA DO TRABALHO........................................................1

1.2 PROPOSTA E JUSTIFICATIVA DA DISSERTAO................................................7

1.3 TRABALHOS PUBLICADOS EM EVENTOS CIENTFICOS...................................10

2. REVISO BIBLIOGRFICA E ESTADO DA ARTE..........................................11

2.1 MOTOR DE INDUO OPERANDO COM TENSES DESEQUILIBRADAS........11

2.2 MODELAMENTO MATEMTICO DO MOTOR DE INDUO...............................18

2.3 REDES NEURAIS ARTIFICIAIS..............................................................................19

3. MODELAMENTO MATEMTICO DO MOTOR DE INDUO TRIFSICO.....22

3.2 TRANSFORMAO 0.........................................................................................29

3.3 TRANSFORMAO qd0.........................................................................................31

3.4 EQUAES DE TRANSFORMAO DO ROTOR................................................35

4. REDES NEURAIS ARTIFICIAIS........................................................................40

4.2 NEURNIO BIOLGICO........................................................................................42

4.3 NEURNIO ARTIFICIAL.........................................................................................43

4.4 TOPOLOGIAS DAS REDES NEURAIS ARTIFICIAIS..............................................47

4.5 APRENDIZADO DE REDES NEURAIS ARTIFICIAIS..............................................50

4.6 REDE PERCEPTRON MULTICAMADA...................................................................51

4.7 ALGORITMO BACKPROPAGATION.......................................................................54

5. MOTOR DE INDUO TRIFSICO OPERANDO COM TENSES

5.2 MTODO COMPUTACIONAL CLSSICO...............................................................69

5.4 MTODO EXPERIMENTAL.....................................................................................86

5.5 MTODO COMPUTACIONAL POR REDES NEURAIS...........................................97

5.6 ANLISE DOS RESULTADOS...............................................................................104

6.1 FUTURAS LINHAS DE PESQUISAS.....................................................................109

FIGURA 2.1 Comportamento do aquecimento e das perdas no motor em funo do

FIGURA 2.2 Comportamento do aumento da temperatura no motor, em vrios pontos, em

FIGURA 4.1 Representao de um neurnio natural. ....................................................... 43

FIGURA 4.2 Representao de um neurnio artificial. ...................................................... 44

FIGURA 4.3 RNA no-recursiva com Camada nica. ...................................................... 47

FIGURA 4.4 RNA Progressiva com Mltiplas Camadas. .................................................. 48

FIGURA 4.5 RNA com retropropagao - Backpropagation.............................................. 49

FIGURA 4.6 Diagrama esquemtico da rede PMC. .......................................................... 55

FIGURA 5.1 Circuito desenvolvido no programa Matlab/Simulink usado nas simulaes. 70

FIGURA 5.4 Comportamento do torque eletromagntico do MIT com tenses equilibradas.

FIGURA 5.8 Comportamento da velocidade no eixo do MIT operando com tenses

FIGURA 5.9 Comportamento do torque eletromagntico do MIT operando com tenses

FIGURA 5.15 Torque eletromagntico em funo da velocidade no eixo do motor: Curva

FIGURA 5.16 Bancada experimental utilizada nos ensaios. ............................................. 86

FIGURA 5.17 Bancada experimental com instrumentao ao fundo................................. 87

FIGURA 5.19 Instrumentao utilizada nos ensaios do MIT. ............................................ 88

FIGURA 5.20 Variao da resistncia eltrica de um metal puro em funo da

FIGURA 5.21 Comparativo entre os valores de corrente da fase A: Real x Simulador...... 96

FIGURA 5.22 Comparativo entre os valores de corrente da fase B: Real x Simulador...... 96

FIGURA 5.24 Evoluo do treinamento e validao da RNA. ........................................... 99

FIGURA 5.29 Comportamento da corrente, da fase B, em funo da tenso e da potncia

TABELA 4.1 Funes de Ativao para RNA.................................................................... 46

TABELA 5.1 Parmetros do MIT usado nos trs mtodos. ............................................... 69