Detecção de Falha Aplicada Na Atualização de Probabilidade de Falha

Universidade Federal de Minas Gerais
Programa de P os-Gradua c ao em Engenharia El etrica

Deteco de Falha Aplicada na Atualizao
de Probabilidade de Falha.
Dissertao apresentada ao Programa de Ps-Graduao
em Engenharia Eltrica da Universidade Federal de Minas
Gerais como parte dos requisitos exigidos para obteno do
ttulo de Mestre em Engenharia Eltrica.
por
Renan Nominato Oliveira Souza
Engenheiro Eletricista (UFV)
Orientador: Prof. Dr. Reinaldo Martinez Palhares
Co-Orientador: Prof. Dr. Walmir Matos Caminhas
2013
Agradecimentos
Universidade Federal de Minas Gerais e ao Programa de Ps-Graduao em
Engenharia Eltrica (PPGEE), pela oportunidade de realizao do mestrado.
Ao Conselho Nacional de Desenvolvimento Cientco e Tecnolgico (CNPq), pela
concesso inicial da bolsa de estudos.
Ao professor Reinaldo Martinez Palhares, pela pacincia, orientao e conana.
Ao professor Walmir Matos Caminha pela coorientao.
Ao professor Marcos Flvio S. V. Dangelo pela ajuda e disponibilidade. Seu apoio
teve grande papel para a realizao deste trabalho.
professora Alessandra Carvalho e ao professor Andr PaimLemos pelas correes
e contribuies.
todos os amigos, professores e funcionrios do PPGEE/UFMG pela colaborao e
bons momentos de convivncia e amizade.
Aos professores e colegas do Laboratrio de Deteco de Falhas, Controle, Otimi-
zao e Modelagem (DFCOM) pelo local agradvel de trabalho.
Aos amigos que esto distantes, pela torcida.
minha famlia pelo apoio e ateno.
Mariana pelo amor, carinho e estimulo constantes.
todos aqueles que, de uma forma ou outra, tornaram este trabalho possvel e
concludo.
iii
Sumrio
Resumo vii
Abstract ix
Lista de Figuras xii
Lista de Tabelas xiii
Lista de Abreviaes xv
1 Introduo 1
1.1 Denio do Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Organizao do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Atualizao da Probabilidade de Falhas 9
2.2 Deteco de Falhas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 Abordagem fuzzy/Bayesiana: . . . . . . . . . . . . . . . . . . . . . . 10
2.2.2 Formulao do Algoritmo Metropolis-Hastings . . . . . . . . . . 11
2.3 Ajuste de modelo estatstico/atualizao de probabilidades . . . . . . . . 11
2.3.1 Curva da Banheira . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.2 Anlise de Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4 Teste de adrerncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.1 Kolmogorov-Smirnov . . . . . . . . . . . . . . . . . . . . . . . . . 16
v
vi
3 Atualizao de Probabilidade de Falhas Considerando Tipos de Falha Diferentes 17
3.2 Classicao de Falhas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3 Metodologia para determinao do tipo de falha . . . . . . . . . . . . . . 18
3.3.1 Classicador Neuro-Fuzzy . . . . . . . . . . . . . . . . . . . . . . . 20
3.4 Atualizao da Distribuio de Falha . . . . . . . . . . . . . . . . . . . . . 24
4 Sistemas para Estudos de Casos 25
4.1 Aplicao em Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2 Sistema de Tanques Interativos . . . . . . . . . . . . . . . . . . . . . . . . 25
4.3 Transformadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5 Resultados da Atualizao 29
5.1 Atualizao da Probabilidade de Falhas . . . . . . . . . . . . . . . . . . . 29
5.1.1 Aplicao em um Sistema de Tanques Interativos . . . . . . . . . 29
5.2 Atualizao de Taxa de Falhas Considerando Tipos de Falhas Diferentes 32
5.2.1 Aplicao em um Sistema de Tanques Interativos . . . . . . . . . 34
5.2.2 Aplicao em um Transformador . . . . . . . . . . . . . . . . . . . 35
6 Consideraes Finais 41
6.1 Concluses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
6.2 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Bibliograa 45
Resumo
Acoleta de dados de manuteno, a curto e longo prazo, tarefa de grande relevn-
cia num contexto que envolve questes relacionadas ao planejamento oramentrio da
indstria. Umconjunto de dados de falha convel possibilita a denio de estratgias
que geram reduo de custos, diminuio de incidentes, aumento da produtividade,
satisfao dos clientes e fazem com que ampliaes do sistema possam ser realizadas
considerando informaes importantes que podem ser visualizadas nos histricos de
falha.
O presente trabalho trata da aplicao de tcnicas de deteco de falhas com o
objetivo de atualizar, em tempo real, a vida til de componente. Para isso a vida til
dos componentes foi ajustada emsistemas comfalhas de umnico tipo, ou seja, a partir
de um nico modo de falha ajustou-se a taxa de falha do componente; e em sistemas
com falhas diferentes, onde alm da etapa de deteco, foi necessria uma etapa da
classicao da falha e posteriormente a atualizao da probabilidade de falha.
Para a deteco de falhas foi utilizado um algoritmo para deteco de pontos de
mudana. J para o ajuste do modelo de falhas foi utilizada a distribuio estatstica
de Weibull, que aplicada a problemas relacionados a vida til de componentes e
manuteno de maneira geral. O vetor de dados de falha, aps atualizao, foi testado
a partir de um teste de Kolmogorov-Smirnov para validar se a distribuio de Weibull
se ajustou aos dados de falhas. Emsistemas que ocorrerammais de umtipo de falha foi
utilizado um classicador NFC (Neuro Fuzzy Classier) com o objetivo de determinar o
tipo de falha. Aps a determinao do tipo de falha o problema foi tratado da mesma
maneira de quando ocorreu um nico tipo de falha. O classicador alcanou uma taxa
de acerto de 85,04%quando aplicado emclassicao de falhas emumtransformador e
88,88%quando aplicado emclassicao de falhas emSistemas de Tanques Interativos.
A partir dos resultados obtidos foi possvel observar que a metodologia aplicada
pode direcionar a poltica de manuteno a ser utilizada. Outro ponto importante foi
que os dados passarama ter maior conabilidade tanto para seremcoletados como para
serem classicados. Assim, percebe-se que os resultados da utilizao do sistema so
altamente bencos para armazenamento de dados em um ambiente de manuteno.
Palavras-Chave : Conabilidade, Deteco de Falha e Manuteno.
vii
Abstract
Maintenance data collection , short and long term, is a task of great importance in a
context that involves issues related to budget planning in industry. A reliable dataset
of failures enables the denition of strategies that generate cost savings, reduction of
incidents, increased productivity, customer satisfaction and make systemupgrades can
be performed considering important information that can be viewed in the history of
failures.
The present work deals with the application of techniques for fault detection in
systems subject to failures with the objective is update the life of component in real
time . For this, the life of the components was adjusted in systems with a single type
of failures, in others words, with only one failure mode the life of component was
adjusted. Moreover in systems whose two or more types failure could happen, thats
why was necessary another stage which occur the failure classication as well as then
the life of component was updated.
For fault detection was used Fuzzy / Bayesian algorithm. In order to failure mode-
ling was used statistical distribution of Weibull which generally is applied in problems
related to life time of the component. The dataset of fails after upgrade, was tested
from a Kolmogorov-Smirnov test to validate if the Weibull distribution t to the failure
data. In systems that occurred more than one type of failure was used a classier NFC
(Neuro Fuzzy Classier) for the purpose of to determine the type of failure. After
determining the type of failure the problem was treated in the same way when there
was only one type of failure. The classier achieve an accuracy rate of 85.04 % when
applied to the classication of faults in electrical transformers as well as 88.88 % when
applied in a interactive tank system.
From the results obtained it was observed that the methodology can direct the
maintenance policy to be used. Another important point was that the data now have
much greater reliability to be collected as well as be classied. Thus, it is clear that
the results of using the system are highly benecial for data storage in a maintenance
environment.
Keywords: Fault Detection, Reliability and Maintenance
ix
Lista de Figuras
1.1 Exemplo de Algoritmo de Criticidade. . . . . . . . . . . . . . . . . . . . . 3
1.2 Tipos de Falha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Conabilidade, Custo de Manuteno e Custo de Produo . . . . . . . . 7
2.1 Fluxograma de Atualizao . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Curva da Banheira . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Funo Weibull para dois parmetros baseada em [15] . . . . . . . . . . . 15
3.1 Esquema de deteco com um classicador adicionado. . . . . . . . . . . 17
3.2 Classicador Neuro-Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3 Diviso do Espao de Caractersticas . . . . . . . . . . . . . . . . . . . . . 23
4.1 Simulador de Tanques Interativos apresentado em [10] . . . . . . . . . . 27
5.1 Esquema de Janelas para Atualizao de Probabilidades . . . . . . . . . 30
5.2 Deteco de Falha para um dos Pontos . . . . . . . . . . . . . . . . . . . . 30
5.3 Funo de Densidade de Probabilidade para a falha de entupimento . . 32
5.4 Funo de Distribuio Acumulada para a falha de entupimento . . . . 33
5.5 Grco de Probabilidade Weibull . . . . . . . . . . . . . . . . . . . . . . . 33
5.6 PDF para a falha de entupimento TQ1-TQ3 e Agarramento FCV1 . . . . 35
5.7 CDF para a falha de entupimento TQ1-TQ3 e Agarramento FCV1 . . . . 36
5.8 Grco de Probabilidade de weibull - falha Entupimento e Agarramento FCV1 38
5.9 PDF para a falha no Enrolamento do Transformador . . . . . . . . . . . . 38
5.10 CDF para a falha no Enrolamento do Transformador . . . . . . . . . . . . 39
5.11 Grco de Probabilidade de Weibull para falha no enrolamento do Trafo. 39
xi
Lista de Tabelas
2.1 da Curva da Banheira e causas de falha. Adaptado de [5] . . . . . . . . 15
3.1 Mapeamento dos estados de falha de um Motor . . . . . . . . . . . . . . 19
5.1 Funo Densidade de probabilidade acumulada . . . . . . . . . . . . . . 32
5.2 Taxa de Falha em Funo do Tempo entre Falhas de Entupimento e Agarramento 36
5.3 Classicao de Falhas em Tanques e Transformadores utilizando NFC . 37
xiii
Lista de Abreviaes
CDF Cumulative Distribution Function;
CMMS Computerized Maintenance Management System;
DTM Down Time Monitor;
FDI Fault Detection and Isolation;
FMEA Failure Mode and Eects Analysis;
FTA Fault Tree Analysis;
Hh Homen-hora;
iid independentes e identicamente distribuidos;
K-S Kolmogorov-Smirnov;
MES Manufacturing Execution System;
NFC Neuro Fuzzy CLassier;
PDF Probability Density Function;
PdM Predictive Maintenance;
PIMS Plant Information Management System;
RAM Reliability, Availability and Maintainability;
RCA Root Cause Analysis;
RNA Redes Neurais Articiais;
SCADA Supervisory Control and Data Acquisition;
SMED Single-Minute Exchange of Die;
xv
Captulo 1
Introduo
Este captulo consiste na exposio preliminar do problema e na determinao da
poltica de manuteno utilizando atualizao de probabilidades. So apresentados os
tipos de manuteno usualmente utilizados na literatura e indstria, os cenrios em
que cada um deve ser utilizado, alm de conceitos de conabilidade. apresentada
ainda uma breve reviso de algoritmos de deteco de falhas e algumas metodologias
para classicao de falhas. Em seguida, dene-se o problema e so apresentados a
motivao e os objetivos deste trabalho.
1.1 Denio do Problema
O termo manuteno teve origem no segmento militar e tinha como principal obje-
tivo preservar, nas unidades de combate, os nveis tanto de materiais como tambm de
efetivo [22].
De acordo coma [1], manuteno a combinao de aes tcnicas, administrativas
e de superviso com o objetivo de manter ou recolocar um item em um estado no
qual possa desempenhar uma funo requerida, ou seja, fazer o que for preciso para
assegurar que um equipamento ou mquina opere dentro das condies mnimas de
requerimentos e especicaes.
A manuteno corretiva a maneira mais rudimentar de se executar o reparo de
equipamentos/componentes. Neste tipo de manuteno espera-se o problema ocorrer
para ser realizada alguma tratativa e quando no planejada pode se tornar a ma-
neira mais cara de recolocar os equipamentos em funcionamento. Uma das maiores
consequncias da manuteno corretiva a diminuio da disponibilidade fsica de
equipamentos e consequentemente da planta de uma maneira global.
Existem vrias maneiras de se calcular a disponibilida fsica de um equipamento,
mas emlinhas gerais ela determinada pelo percentual de tempo de umciclo emque o
equipamento est disponvel para operao considerando umciclo pr-denido. Desta
maneira, existe umcusto para alcanar a disponibilidade mxima dos equipamentos, o
que signica que aumentar a disponibilidade fsica, nem sempre minimizam os custos
2 1 Introduo
globais da. Assim, manter um nvel aceitvel de disponibilidade fsica interessante
em alguns cenrios [17]. Com isso, a manuteno corretiva pode se tornar vivel
em alguns casos. Uma ferramenta que gera bons resultados na manuteno corretiva
o SMED (Single-Minute Exchange of Die). O SMED uma metodologia na qual se
prepara ferramentas para realizao de reparos de maneira rpida, assim o tempo que
o equipamento ca indisponvel menor.
Outra metodologia de manuteno bastante utilizada a manuteno preventiva.
Normalmente, este tipo de manuteno ocorre baseada emestudos esttiscos de cona-
bilidade, informaes de vida til disponibilizadas por fabricantes e por conhecimentos
de operao e manuteno fornecidos por pessoas que conhecem o processo de ma-
nuteno. Como o nome j diz, uma medida preventiva e, desta forma, geralmente,
antes que o equipamento quebre realizado o reparo de maneira programada buscando
minimizar custos com atividades no planejadas, como por exemplo a aquisio no
planejada de um componente. A manuteno preventiva trs uma srie de vantagens
quando comparada coma corretiva, pois devido a ummaior planejamento consegue-se
ter um maior controle de quando o problema ir ocorrer e assim, o nmero e tempo de
intervenes sem planejamento so menores quando comparadado com uma poltica
corretiva. Outro ponto bastante importante que os recursos podem ser utilizados
quando posssuem seus melhores custos. Por exemplo, ao invs de realizar uma manu-
teno no programada em um perodo noturno em que normalmente no se dispe
de todo o efetivo de trabalho de uma planta, executa-se a tarefa em um horrio diurno
no qual toda a equipe de trabalho est disponvel e pode ser mobilizada da melhor
maneira possvel para atender a interveno.Um grande entrave da manuteno pre-
ventiva que nem sempre se consegue acompanhar o equipamento na situao real
de operao. Muitos dos fatores como m substituio de um componente, desgastes
prematuros de componentes e outros fatores que no podem ser previstos em modelos
estatsticos, costumam interferir retirando um pouco da assertividade da metodolgia
de manuteno.
Desta maneira, surge uma metodologia que se torna complementar e muitas das ve-
zes pode fornecer ao gerenciador um maior nmero de informaes. Esta metodologia
alternativa denominada manuteno baseada na condio ou manuteno preditiva.
Este tipo de manuteno utiliza monitoramento de sinais de equipamentos para prever
a evoluo de uma falha.
Sinais como vibrao (medido normalemente comacelermetro), temperatura (me-
dido com infra-vermelho e termograa), particulado em leo (tcnicas de tribologia)
e penetrao de liquidos so algumas das ferramentas utilizadas para monitorar as
falhas. Estes sinais fazem com que a manuteno preditiva se torne bastante interes-
sante, pois se tem conhecimento do status do equipamento em intervalos desejados.
Isso faz comque no se desperdice recursos nanceiros comcomponentes e paradas de
manuteno por meio da antecipao ou postegao das tratativas de manuteno. Um
ponto que precisa ser trabalhado quando se fala em manuteno baseada na condio
1.1 Denio do Problema 3
so os nmeros de inspees realizadas (frequncia) emcada equipamento, isto porque
muitas das vezes pode-se subdimensionar ou superdimensionar o nmero de recur-
sos neste tipo de metodologia. O superdimensionamento pode gerar sobre custo com
Homen-hora (Hh) em campo. J o subdimensionamento pode trazer as caractersticas
da manuteno baseada na condio prximas das de manuteno corretiva, em que
uma quebra no prevista eventualmente ocorre.
Existem outros fatores que podem inuenciar na execuo de uma manuteno
preditiva, como por exemplo equipamentos que podem gerar riscos ambientais ou
riscos para a vida das pessoas. Assim, muito comum existir uma denio de
algoritmo de criticidade dos ativos, em que se separa os ativos crticos dos no crticos
utilizando fatores que nem sempre geram retornos nanceiros diretos. A Figura 1.1
apresenta um exemplo de algoritmo de criticidade de uma empresa de minerao:
Figura 1.1: Exemplo de Algoritmo de Criticidade.
Atualmente, no contexto em que a competio industrial se torna cada vez mais
acirrada, buscando aumento de disponibilidade dos equipamentos, diminuio de
custos de operao, diminuio do nmero de incidentes com pessoas e diminuio
dos efeitos gerados ao meio ambiente, surge o conceito de manuteno de excelncia.
A manuteno de excelncia utiliza-se de todas as metodologias de manuteno e
baseia-se principalmente no gerenciamento de ativos.
4 1 Introduo
O Gerenciamento de ativos consiste na aplicao de tcnicas quantitativas para
tomada de deciso [15] e precisa de um longo processo para ser implantado e desen-
volvido dentro de qualquer indstria. Inicialmente, se faz a etapa de conscientizao
da liderana em que gestores necessitam querer implantar a metodologia e denirem
uma estratgia para isso. O segundo passo o aumento dos controles relacionados as
tticas de manuteno, planejamento e controle e gerenciamento de materiais.
Nesta escalada em busca da excelncia da manuteno, um dos grandes problemas
a coleta de dados. A coleta de dados geralmente deciente e feita de maneira
manual e semintegrao comos sistemas especialistas SCADA(Supervisory Control and
Data Acquisition) ou softwares CMMS (Computerized Maintenance Management System).
As falhas so as grandes ameaas aos equipamentos e esto normalmente relaciona-
das a qualidade da manuteno que realizada. De acordo com a [1] as falhas podem
ser denidas como a nalizao da capacidade requerida de um item.
Em[11] as falhas foramclassicadas emdois tipos. Aprimeira seria a falha abrupta,
que resulta em grandes desvios nas condies normais de operao, ou em variveis
do processo, e acontece em um curto espao de tempo. Esta falha de mais fcil
deteco, pois normalmente retira a mquina de operao ou gera condies que so
perceptveis em uma inspeo. A segunda a falha incipiente, que afeta gradualmente
o funcionamento normal do processo e por isso, pode requerer um esforo maior para
ser detectada. AFigura 1.2 apresenta o comportamento de uma falha abrupta e de uma
falha incipiente.
As falhas abruptas, na maior parte das vezes, tem que ser combatidas com a manu-
tenocorretiva. J as falhas incipientes podemser monitoradas utilizandomanuteno
baseada na condio ou ainda a manuteno preventiva.
Como um exemplo prtico, pode-se utilizar um transformador trifsico com tenso
no primrio de 13,8 kV e tenso no secundrio de 220 V. Um tipo de falha incipiente
que pode ocorrer o curto-circuito entre bobinas do primrio. Neste tipo de falha,
ao longo do tempo, a tenso do primrio ser cada vez menor, resultando em uma
tenso de secundrio tambm menor. Esta falha na maior parte das vezes uma falha
de lenta deteco. J uma falha abrupta para este tipo de equipamento poderia ser
um curto-circuito entre duas fases em decorrncia de baixa isolao entre o meio fsico
dos condutores de cada fase. Este um tipo de falha que deve ser automaticamente
detectado, fazendo com que o sistema de proteo seja acionado. Caso o sistema de
proteo no atue, o transformador pode ser destruido pela falha em um intervalo de
tempo muito curto.
Uma alternativa para amenizar as consequncias geradas pelas falhas o processo
de detecode falhas. Normalmente, denomina-se este sistema de supervisoaplicados
emdeteco de falhas como FDI (Fault Detection and Isolatation). De acordo com [11] um
sistema FDI reconhece umcomportamento anormal dos componentes de umprocesso.
Esta situao anormal pode ser observada a partir da anlise de variveis.
Em geral, os sistemas FDI podem ser divididos em duas classes, sendo a primeira
Figura 1.2: Tipos de Falha
uma abordagem baseada em modelos qualitativos e a segunda em modelos quan-
titativos. Uma reviso das tcnicas de deteco de falhas tanto qualitativas como
quantitativas pode ser encontrada em [11].
As abordagens quantitativas baseiam-se em modelos matemticos como os obser-
vadores, ltro de Kalman e relaes de paridade. J as abordagens qualitativas tem
como base os padres que so fornecidos pelo histrico de funcionamento dos equipa-
mentos. Como exemplos de tcnicas pode-se citar as redes neurais, os sistemas fuzzy e
a anlise qualitativa de tendncias. Os mtodos quantitativos geralmente so aplicados
emsistemas nos quais so necessrios alto grau de preciso e conabilidade do sistema
de deteco, como exemplo a industria aeronutica. J os sistemas qualitativos podem
ser aplicados em casos que a complexidade do modelo elevada, e no to interes-
sante ter toda esta complexidade modelada. Como exemplo, o sistema de ciclonagem
dentro do processo de minerao. Este sistema possui ummodelo complexo que pode-
ria ter suas falhas detectadas a partir de um FDI qualitativo. O FDI atua aumentando a
robustez do sistema de coleta de dados de falha, pois indica o momento real em que a
falha ocorreu alimentando de maneira direta o banco de dados de um CMMS. Existem
generalizaes dos algoritmos FDI que podem ser associados a manuteno preditiva,
pois os mesmos podem detectar mais de um ponto de mudana. Um exemplo em que
mais de um ponto de mudana detectado pode ser encontrado em [20].
Outra ferramenta importante no processo de armazenamento de dados de falha que
pode dar suporte aos operadores durante um evento de falha so os classicadores.
Existe uma innidade de classicadores que usada para determinar padres. Como
exemplos de classicadores podemos citar os bayesianos, as redes neurais, os sistemas
baseados em redes fuzzy e os modelos ocultos de markov.
No caso das falhas, os padres so tipos de falhas diferentes que podem gerar
distrbios ao sistema. Quando existem vrios tipos de falhas que podem afetar um
6 1 Introduo
sistema necessrio que se determine a causa raiz da ocorrncia, ou chegue o mais
prximo disto. O objetivo em se determinar a causa raiz alimentar o banco de dados
gerando uma cadeia de dados de falha pertinente, entretanto, muitas das vezes as
falhas tem sinais e comportamentos bastante similares, mas essencialmente a causa
que gerou a falha pode ser totalmente diferente uma de outra. Quando isto ocorre o
impacto de classicar a falha erroneamente grande, pois grande parte dos esforos
so direcionados para combater um tipo de problema e na verdade o que afeta o
sistema um outro tipo de pertubao. Desta maneira, como os sintomas de falha so
altamente parecidos, o classicador se torna uma ferramente de apoio ao operador na
hora de determinar a causa ou tipo de falha que ocorreu. Assim, efeitos como falsos
positivos durante a classicao de uma falha so minimizados tornando o banco de
dados de falha mais convel e podendo gerar resultados promissores em anlises de
conabilidade.
A conabilidade, de acordo com a [1], a capacidade de um item desempenhar a
funo requerida, sob condies de operao estabelecidas, por um perodo de tempo
pr-determinado. Ela pode ser aplicada tanto na etapa de projeto do produto, como na
etapa de operao/manuteno dos itens. Quanto mais bem trabalhada for a conabi-
lidade durante a etapa de projeto do produto, melhor ser seu desempenho durante a
etapa de operao/manuteno. Outros pontos que podem ser denidos com a utiliza-
o de tcnicas de conabilidade de produto so a garantia e capacidade produtiva de
um sistema, que pode ser determinada por meio de uma anlise RAM(Reliability, Avai-
lability and Maintainability). Algumas das vezes as especicaes de desempenho de-
nidas emfase de projeto no so alcanadas durante a fase de operao e desta maneira
necessrio um reprojeto. Outras vezes, os parmetros que foram denidos na fase
de projeto do produto so subdimensionados e, com dados de operao/manuteno
do sistema, pode-se aumentar o desempenho do sistema utilizando alguns indicado-
res como intervalo entre manutenes, disponibilidade de equipamentos e parmetros
que melhorem o desempenho global do sistema. A gura 1.3 apresenta relaes entre
Conabilidade, Produo e Custos de Manuteno.
Uma ferramenta bastante utilizada na anlise de conabilidade e anlise de riscos,
e que d suporte na tomada de deciso, a rvore de falhas - do termo em ingls Fault
Tree Analysis (FTA). Esta ferramenta pode calcular riscos de processo, ser aplicada em
anlises nanceiras e, ainda, no clculo de vida til de equipamentos. Alm disso,
uma tcnica amplamente aplicada em aes corretivas, facilitando a identicao da
causa raiz - do termo em ingls Root Cause Analysis (RCA). Estas rvores podem ser
desenhadas a partir de um estudo de FMEA (Failure Mode and Eects Analysis), uma
metodologia que de forma analtica identica as principais partes do equipamento, os
tipos de falhas que podem ocorrer e as aes que podem ser tomadas para combater
estes tipos de falha. Geralmente estas rvores so desenhadas por umgrupo de pessoas
que temumbomconhecimento do processo, tanto de maneira operacional, como na vi-
so da manuteno. Assim, utilizando os clculos de conabilidade, as probabilidades
80%
85%
90%
95%
100%

Confiabilidade x Custo de Produo
Confiabilidade x Custo de Manuteno
Figura 1.3: Conabilidade, Custo de Manuteno e Custo de Produo
de falhas das rvores de falhas iro depender do tempo e das condies de operao.
Existe uma grande variedade de distribuies que so usadas para modelar dados de
conabilidade. Como exemplo, pode-se citar a distribuio exponencial, a log-normal,
a normal e a Weibull. Em [18] encontra-se uma reviso sobre estes modelos.
Utilizando a rvore de Falha de Conabilidade aliada aos sistemas de detec-
o/classicao de falha possvel gerar ganhos no armazenamento de dados, pois
desta forma a coleta realizada de maneira automatizada e emtempo real. Isto garante
que a informao do tempo em que a falha ocorreu seja registrada com bastante acur-
cia. Outro ponto importante que os alarmes falsos so minimizados com a utilizao
do sistema de deteco.
As informaes armazenadas pelo sistema podem ser utilizadas para vericar por
qual distribuio de probabilidade a falha regida, bem como qual o percentual de
chances do sistema falhar em intervalos pr-determinados de tempo, combatendo um
dos principais problemas quando se trata de excelncia da manuteno, que a coleta
de dados [19].
A coleta de dados passa a ser realizada de maneira automatizada usando o algo-
ritmo de deteco de falhas que ir garantir o armazenamento do tempo emque a falha
ocorreu e com um classicador de falha que ir dar suporte ao usurio para classicar
a falha ocorrida. Assim, o banco de dados ir ser armazenado de maneira padroni-
zada seguindo regras pr-denidas e o aprendizado de funcionamento do sistema ser
melhorado.
8 1 Introduo
1.2 Objetivos
Dentro do contexto apresentado acima, o presente trabalho teve o objetivo de, no
primeiro momento, coletar os dados de maneira segura utilizando um sistema de
deteco e classicao de falhas. Desta forma, ca garantido o armazenamento do
tempo em que a falha ocorreu e do tipo de falha que ocorreu.
Num segundo momento, os dados obtidos foram trabalhados a partir da cona-
bilidade com o objetivo de atualizar os modelos e taxas de falhas de equipamentos.
Uma ferramenta que auxiliou nesta atualizao foram os classicadores que ajudaram
a determinar o tipo de falha que perturbou um sistema. Desta forma, com um novo
modelo ajustado pode-se, por meio dos parmetros de conabilidade, direcionar qual
poltica de manuteno poder minimizar os custos.
1.3 Organizao do Trabalho
No Captulo 2 desta dissertao, apresentada a metodologia para atualizao de
probabilidade de um sistema em que ocorre apenas uma falha. O Captulo 3 aborda
o mesmo problema com a adio de um maior nmero de falhas e um classicador
com objetivo de determinar a falha automaticamente. O Captulo 4 aplica em sistemas
os metdos apresentados nos Captulos 2 e 3. O Captulo 5 apresenta os resultados
obtidos e, por m, o Captulo 6 trar as concluses.
Captulo 2
Atualizao da Probabilidade de Falhas
Na execuo deste trabalho foi utilizada uma Abordagem fuzzy/Bayesiana para a
detecco de falhas. Em seguida, foi realizada uma avaliao da distribuio de falha
atual vericando se os dados disponveis se ajustaram a ela. Quando sim, foi realizada
a atualizao dos parmetros e das probabilidades de falhas de um componente pr-
denido. A gura 2.1 representa as etapas que foram realizadas neste trabalho.
Figura 2.1: Fluxograma de Atualizao
10 2 Atualizao da Probabilidade de Falhas
2.2 Deteco de Falhas
2.2.1 Abordagem fuzzy/Bayesiana:
De acordo com [12], a primeira etapa na deteco do ponto de mudana a trans-
formao de uma srie temporal qualquer, y(t), em uma outra srie com propriedades
particulares. Para isto, utiliza-se tcnicas de conjuntos fuzzy. A srie transformada
passa a ser regida por uma distribuio beta.
Considerou-se a srie temporal y(t) dada. Deniu-se o conjunto:
C =
_
C
i
| min {y(t)} C
i
max {y(t)} ,
para i = 1,2, . . . ,k
_
O conjunto C = C
i
, i = 1,2, . . . ,k que satisfaz:
min
k
i=1
y(t)C
i
|y(t) C
i
|
2
(2.1)
denominado centro do cluster da srie temporal y(t). A relao na qual se determina
o grau de pertinncia fuzzy , isto , a relao fuzzy y(t) C
i
denida por:
i
(t)
_
_
k
j=1
|y(t) C
i
|
2
|y(t) C
j
|
2
_
_
1
(2.2)
Veja que dado um conjunto C de centro de clusters, pode-se medir o afastamento
de cada ponto da srie temporal y(t) em relao a cada centro C
i
. Para a determinao
dos centros dos clusters pode-se usar tcnicas como K-means, C-means e as redes de
Kohonen.
A partir de [12] conclui-se que
i
(t) segue uma famlia de distribuies beta com
diferentes parmetros, e para t m obtm-se uma distribuio beta(a,b), ou ento uma
distribuio beta(c,d) se t > m.
Com isso, observa-se que
i
(t) tem como caracterstica uma distribuio xa e
portanto a formulao Bayesiana tem como entrada sempre o mesmo modelo para
a deteco de ponto de mudana na srie temporal. Ento independentemente das
propriedades estatsticas da srie temporal original y(t), obtm-se sempre o mesmo
padro probabilstico para a fase Bayesiana. A ideia desse tipo de abordagem tratar
a ocorrncia de ponto de mudana em uma srie temporal como uma ocorrncia de
falha, portanto detectando-a.
2.3 Ajuste de modelo estatstico/atualizao de probabilidades 11
2.2.2 Formulao do Algoritmo Metropolis-Hastings
Em [12] aplica-se o Algoritmo Metropolis-Hastings a m de construir uma cadeia
de Markov com uma distribuio de equilibrio .
Supondo uma cadeia que esteja no estado x e que um valor x
gerado de uma
distribuio proposta q(. |x) (candidata a ser aceita), nota-se que a distribuio proposta
pode depender do estado atual da cadeia. Como exemplo, considere que q(. |x) uma
distribuio normal centrada em x. O novo valor x
aceito com probabilidade da

forma:
(x,x
) = min
_
1,
(x
)q(x,x
)
(x)q(x
,x)
_
Assim, pode-se sumarizar o algoritmo da seguinte maneira:
1. Inicializar o contador de iteraes em t = 0 e especicar um valor inicial x
0
=
(a
0
,b
0
,c
0
,d
0
,m
0
);
2. Gerar um valor de referncia x
usando uma distribuio de referncia dada por

q(. ,x);
3. Calcular a probabilidade de aceitao em a(x,x
) e gerar u U(0,1);
4. Se u ento aceitar o novo valor e fazer x
t+1
= x
, caso contrrio rejeitar e fazer

x
t+1
= x
t
;
5. Incrementar o contador t para (t +1) e voltar ao passo 2 at o nmero de iteraes
especicadas.
OalgoritmoMetropolis-Hastings estima os valores de a, b, c e d e opontode mudana
m. O ponto de mudana detectado como sendo a maior massa do histograma de m,
com exceo das bordas.
2.3 Ajuste de modelo estatstico/atualizao de probabi-
lidades
2.3.1 Curva da Banheira
A curva da banheira uma tradicional representao do comportamento de falha
emvrios itens como componentes mecnicos, eletrnicos, materiais de vrios tipos de
formao e at mesmo seres humanos. Esta representao grca ocorre emvirtude da
vida til se alterar ao longo do tempo. Conforme a Figura 2.2 possvel observar os
trs comportamentos distintos.
Quebra prematura ou mortalidade infantil;
Quebra durante a vida til;
Quebra durante o envelhecimento.
Figura 2.2: Curva da Banheira
A quebra prematura geralmente ocorre em elementos com baixo padro de quali-
dade no projeto, instalao, ou aplicao. Desta maneira, o itemdeixa de desempenhar
seu papel de uma maneira precoce. Um ponto que pode diminuir a taxa de quebra
prematura a aplicao de uma anlise FMEA na etapa de projeto/produto. Com
esta anlise muitos dos pontos falhos durante a implantao podem ser mitigados
eliminando a causa raiz.
Em [21], foi apresentado estudo mostrando que quanto mais cedo descobre-se e
corrige-se um erro, menor ser seu custo nas etapas subsequentes de um projeto. Um
caso clssico de falha em produto, de uma empresa produtora de discos rgidos para
armazenamento de informaes em micro-computadores. Os discos rgidos vinham
sofrendo travamento de maneira recorrente e tendo diversos problemas de garantia
com os clientes nais. Aps uma anlise RCA foi possvel perceber que o mecanismo
de giro travava em virtude do aparecimento de formigas e que o chamariz para as
formigas era o lubricante do elemento rotativo. Assim, o lubricante foi substitudo
por um outro que no gerava atrao nas formigas e o modo de falha foi adicionado
ao FMEA do disco rgido passando a ser considerado tambm na produo de novos
modelos de discos rgidos.
A quebra durante a vida til pode ocorrer em qualquer momento e nesta etapa
as caractersticas da curva da banheira se tornam parecidas com uma distribuio
exponencial, a qual possui um carter aleatrio na ocorrncia de falha. Componentes
eletrnicos geralmente so regidos por distribuies exponenciais, sendo considerado
que as falhas ocorrem aleatoriamente, o que na verdade deixa de ser verdade quando
se analisa profundamente o comportamento da falha nestes componentes. A curva
destes componetes a mesma curva da banheira sendo que a fase de quebra prematura
e a fase de quebra durante o envelhecimento so encurtadas e a quebra em vida til
alongada.
J a quebra no mda vida til ocorre devido ao desgaste de longo tempo de utiliza-
o de um componente e se relaciona com equipamentos de caractersticas mecnicas
como rolamentos e mancais. O ideal que se alcane uma maior utilizao do compo-
nente alongando ao mximo a etapa de m da vida til. Assim quando se realiza uma
manuteno, a vida til alongada e a etapa de envelhecimento deslocada no tempo.
Umfato bastante importante que quando se repara umcomponente no se pode con-
siderar que ele ir assumir caractersticas de como se fosse um componente novo, ou
as good as new como mostra estudo apresentado em [19]. Assim devem existir estudos
mais complexos para o clculo do tempo timo para substituio de um componente
quando se trata de sistemas que possuem interferncias entre mltiplos componentes,
ou seja, que os dados de falhas em diversos componentes no so independentes e
identicamente distribuidos (iid).
Um outro fator que afeta bastante a deteco de um modelo que seja pertinente
que no ambiente de manuteno industrial faltam dados para anlises estatsticas. Isto
de fato de se esperar j que a funo da manuteno fazer que as falhas se tornem
eventos raros, entretanto, quando a falha no ocorre, muitas da vezes, intervenes
so realizadas por questes de segurana ou outros motivos que podem comprometer
planta e resultados. Existe uma classe de dados denominada dados censurados e,
neste tipo de classe, as intervenes preventivas ocorrem em momento anterior a falha
e podem ser utilizadas como dados para clculo de conabilidade, mas nem sempre
trazem o comportamento limite para interveno tima em um sistema. Uma maneira
alternativa para se combater os problemas de dados a combinao de dados de
sistemas similares. Isto feito a partir da combinao de dados de componentes de
sistemas parecidos, os quais fazem parte do mesmo processo. Pode-se citar como
exemplo umsistema de bombeamento de uidos no qual existe umelevado nmero de
bombas operando em paralelo. Caractersticas importantes para que os equipamentos
tenham dados compartilhados seguem abaixo:
Projeto Similar
Parte Fsica similar (Exemplo: Forma construtiva do motor, nmero de polos,
grau de proteo)
Funo Similar (Exemplo: Bombeamento de gua bruta)
Instalao Similar
Mesmo time de execuo de manuteno e operao de equipamentos
Ambiente e localizao similares
Desta forma, muitas infomaes podem ser correlacionadas e calculadas para de-
terminar o tempo timo de substituio de um componente. Existem alguns grupos
empresariais eme fazem estudos avanados, utilizam a anlise RAM para implantao
de novos projetos utilizando informaes de outras plantas similares do mesmo grupo
que j operam. Outra prtica bastante comum quando o grupo no possui dados de
falhas, comprar no mercado dados similares ao projeto que est sendo implantado.
ATabela 2.1 sumariza os principais causadores de falha durante cada etapa da curva
da banheira.
2.3.2 Anlise de Weibull
Quando se menciona a Anlise de Conabilidade, um dos modelos mais aplicados
em manuteno o da distribuio de Weibull. Alguns exemplos de aplicao desta
distribuio so as medies de tempo entre falhas de equipamentos eletrnicos e me-
cnicos. A funo de Weibull consegue representar trechos similares aos apresentados
para a curva da banheira e seu caso mais geral possui trs parmetros. A funo com
trs parmetros representada a seguir e na Figura 2.3:
f (t) =
_
_
t
_
1
e
_
t
, p/ t >
0, p/ t
Os trs parmetros da distribuio de Weibull so: o parmetro de forma ; o
parmetro de escala da distribuio e o parmetro de posio . Os parmetros e
so maiores que 0. J o parmetro , que relacionado com a vida inicial do item,
grande parte das vezes, desprezado em anlises relacionadas a manuteno.
A gura 2.3 apresenta o comportamento da funo Weibull quando se mantm o
valor de constante e varia-se o valor de . Observando o grco verica-se os vrios
comportamentos que a distribuio pode assumir. Correlacionando os valores de
com a curva da banheira pode-se chegar na sumarizao abaixo:
0 < < 1 - Perodo de Mortalidade Infantil
Tabela 2.1: da Curva da Banheira e causas de falha. Adaptado de [5]
Quebra Prematura Quebra em Vida til Quebra por envelheci-
mento
Processos de Fabricao
decientes
Cargas Aleatrias Maiores
que as esperadas
Envelhecimento
Baixo controle de quali-
dade
Acompanhamento inecaz
da manuteno baseada na
condio
Desgaste/abraso
Mo de Obra no quali-
cada
Erros humanos durante o
uso
Degradao de resistncia
No aplicao de Tcnicas
de Conabilidade de Pro-
jeto
Aplicao indevida Fadiga
Materiais fora da Especi-
cao
Sobrecarga Corroso
Falhas devido a transporte
inadequado e questes de
acondicionamento
Falhas no detectveis pe-
los equipamentos de ma-
nuteno baseados na con-
dio
Deteriorao mecnica,
eltrica, qumica ou
hidrulica
Erro Humano Causas inexplicveis
(Ocultas)
Manuteno preven-
tiva/preditiva insuciente
ou deciente
Sobrecarga nos testes de
comissionamento
Fenmenos Naturais Im-
previsveis
Vida de projeto muito curta
t
f
(
t
)
=5
=3.44
=2.5
=1
=0.5
Figura 2.3: Funo Weibull para dois parmetros baseada em [15]
= 1 - Perodo de Vida til
> 1 - Perodo de Desgaste
Desta forma, a partir dos parmetros anteriormente citados consegue-se determinar
as chances de um item falhar dado um intervalo de tempo de funcionamento. Assim,
possvel assumir, ou no riscos de uma falha neste intervalo. Um exemplo seria
um sistema que precisa operar 24 horas ininterruptas e caso este sistema quebre neste
intervalo de tempo pode gerar perdas nanceiras em unidades de moeda no valor
de x; entretanto, sabe-se que para trocar o componente que est com sua vida til
quase no m custar um valor monetrio y. A partir dos dados de falhas possvel
determinar o quo grande ser o risco caso se decida operar e quanto ser perdido em
uma troca antecipada. Com isso vivel direcionar as aes a serem tomadas. Uma
outra nalidade da modelagem de conabilidade refere-se a determinao do lucro
cessante. Nele se pode quanticar quanto a hora parada de umequipamento ir custar
em rentabilidade para o negcio e, assim, pode-se comparar com os valores de novos
investimentos e aquisio de novos equipamentos para um projeto.
Um outro exemplo seria a compra de um equipamento sabendo-se que ser neces-
srio a operao contnua durante X dias. Desta forma, se o equipamento no operar
em um dos dias destes X dias a empresa compradora perder, em lucro cessante, um
valor Y em moeda. Assim acerta com a empresa vendedora que durante o perodo de
garantia dever utilizar o equipamento durante X dias comuma taxa de conabilidade
de 100% e caso no alcance este percentual a empresa vendedora ser multada em um
VALOR=W Y Z para ressarcimento de prejuzos, sendo W(peso multiplicativo sobre
o valor total<1) e Z (nmero de dias parados).
2.4 Teste de adrerncia
2.4.1 Kolmogorov-Smirnov
Para vericar se a distribuio se ajusta ao conjunto de dados coletados foi utilizado
o teste de Kolmogorov-Smirnov, teste (K-S). Este teste pode ser utilizado tanto em
conjunto de dados pequenos, como em conjuntos maiores. O teste verica a hiptese
da funo de distribuio acumulada F
o
(t) ser igual a F(t). Se existem grandes desvios
de uma amostra de distribuio acumulada

F(t) em relao a F(t) ento a hiptese
rejeitada, seno a hiptese aceita e a distribuio pode ser usada para o clculo dos
valores da vida til dos componentes.
Captulo 3
Atualizao de Probabilidade de Falhas
Considerando Tipos de Falha
Diferentes
Sabe-se que um ponto importante na operao de sistemas a deteco de falhas,
entretanto, muitas vezes osistema pode estar sujeitoa umelevadonmerode falhas que
no so regidas pela mesma distribuio de probabilidade, ou seja, o comportamento
das falhas afeta o sistema com caractersticas diferentes. Desta maneira, para que a
atualizao da probabilidade de cada falha ou componente seja regida pela distribuio
correta, necessrio que a classicao das falhas ocorra em um momento anterior ao
da atualizao das probabilidades. A Figura 3.1 apresenta o esquema de atualizao
de probabilidades com o acrescimo de um classicador.
Figura 3.1: Esquema de deteco com um classicador adicionado.
18 3 Atualizao de Probabilidade de Falhas Considerando Tipos de Falha Diferentes
3.2 Classicao de Falhas
Na indstria a classicao realizada de diversas maneiras, sendo a mais usual
a utilizao do conhecimento dos operadores/mantenedores. Esta uma tarefa que
demanda grande esforo das equipes de campo (operao/manuteno) e nem sempre
geram os resultados desejados, pois os dados nem sempre so devidamente coletados,
armazenados e classicados. Algumas vezes, a equipe de avaliao de campo tem um
parecer polarizado, o que pode prejudicar anlises futuras quando da necessidade de
utilizao dos dados.
Atualmente, algumas empresas de consultoria realizam diagnstico e criam estra-
tgias de manuteno em empresas de diversos segmentos. Outras empresas utilizam
ferramentas com suporte para armazenamento de dados em tempo real, como por
exemplo o MES (Manufacturing Execution System) que pode ser visto como um sistema
de planejamento e controle de produo, controle de estoques, histrico das vari-
veis de processo PIMS (Plant Information Management System) e controle de paradas de
equipamentos DTM (Down Time Monitor).
O DTM mdulo do MES que faz o gerenciamento de paradas da planta, tem o obje-
tivo de registrar os eventos de perda de produtividade, seja por causas operacionais, de
manuteno ou de fora maior. Com isto possvel gerar uma priorizao nos eventos
de maiores perdas focando em estratgias que diminuam as paradas no planejadas a
m de aumentar a disponibilidade da planta e tambm sua utilizao. Esta ferramenta
vem se disseminando nos ltimos anos para a coleta de dados de paradas, entretanto,
sua classicao de falhas utiliza-se de dados binrios para classicao e muitas das
vezes no leva a ser desvendada a causa raiz de uma falha. A Tabela 3.1 apresenta um
esquema de falhas para um equipamento ( esquema similar ao usado no DTM), estas
so falhas que podem ser detectadas em um motor de uma planta genrica. Nesta
tabela percebe-se o monitoramento de 2 bytes (16 estados), os estados so dividos em
falha, equipamento ligado e equipamento pronto para operar. Como as falhas so bi-
nrias e se baseiamemsinais eltricos/eletrnicos sua anlise ca bastante limitada no
abordando problemas operacionais e algumas vezes problemas mecnicos do equipa-
mento. Outro ponto importante e que pode ser considerado falho a denio de uma
regra geral para caso exista a ocorrncia de duas falhas de maneira simultnea, ou seja,
caso ocorram duas falhas o usurio ir denir qual falha tem prioridade. Desta forma,
quando se fala em estudos de conabilidade, grande parte do tempo consumido pelas
empresas ainda no diagnstico e na converso dos dados coletados pelas equipes de
campo em dados classicavis.
3.3 Metodologia para determinao do tipo de falha
Uma outra opo seria a utilizao de tcnicas de soft-computing e aprendizado de
mquina [26], na qual existe um conjunto de dados com padres denidos, e que so
3.3 Metodologia para determinao do tipo de falha 19
Tabela 3.1: Mapeamento dos estados de falha de um Motor
Bit de Memria Estado do Equi-
pamento
Diagnsticos Prioridade Intertravamentos
0 Pronto para
Operar
Aguardando
comando para
incio de opera-
o
1 Ligado (Sem fa-
lha)
Em operao
2 Falhas Ocultas Falhas Eltricas
ou outra de
qualquer tipo
2
3 Falha Falha por Inter-
travamento
Vlvula Sole-
noide Fechada
travamento
Gaveta do Mo-
tor extrada na
subestao por
equipe de ma-
nuteno
5 Falha Sobrecorrente 3
6 Falha Sobretemperatura4
travamento
6 Problemas no
Inversor de
Frequncia
8 Falha Sobrecarga 5
9 Falha Emergncia
Acionada em
Campo
1
10 reserva
11 reserva
12 reserva
13 reserva
14 reserva
15 bypass ativo Motor sofrer
bypass para
no parar o
processo.
utilizados para treinar uma estrutura que ser responsvel por classicar os dados a
partir disto. Esta estrutura ser capaz de realizar a classicao de padres de novos
dados de falha que tenham caractersticas similares. Desta forma, o sistema ganha em
agilidade na coleta, classicao e armazenamento de falhas sendo o nico entrave para
utlizao do mesmo a coleta de informao dos instrumentos/sensores de processo e
o desenvolvimento da ferramenta computacional que ser responsvel pelo processo
de classicao. Outro ponto que esta ferramenta pode combinar um conjunto de
sinais com o objetivo de denir uma falha, diferentemente da estrutura do DTM que
se baseia em sinais binrios e diretos. O problema de priorizao ainda continua, mas
de maneira mais atenuada, pois o banco de dados pode ser alimentado com novas
informaes rotuladas e assim o classicador ser treinado favorecendo a classicao
de outras falhas que ocorrerem de maneira simultnea.
Os classicadores de aprendizado supervisionado, no qual as amostras de treina-
mento normalmente so rotuladas, so ferramentas de grande utilidade emvrios tipos
de processo produtivo e em problemas do mundo real, em que o principal objetivo ao
se utilizar um classicador a determinao de um padro a partir de suas caracte-
rsticas identicadoras. Por exemplo, deseja-se vericar se um determinado tipo de
fruta uma ma ou uma laranja sem utilizar nenhuma interveno humana. Para
isto, utiliza-se alguns parmetros como peso da fruta, tamanho e dureza. Aps uma
etapa de treinamento com um grande banco de dados de informaes sobre laranjas
e mas e amostras de teste rotuladas, coloca-se a prova a capacidade de classicao
do sistema utilizando-se dos parmetros descritos anteriormente. Os classicadores
podem ser utilizados em uma grande variedade de aplicaes para determinao de
um padro desejado. Bancos de dados em reas de sade, tecnologia, industria e di-
versas outras aplicaes podemser encontrados emUCI Machine Learning Repository
(www.ics.uci.edu/mlearn/).
3.3.1 Classicador Neuro-Fuzzy
Na literatura existe uma grande variedade de classicadores que podemser utiliza-
dos para determinao de padres. Quando se fala em aprendizado supervisionado,
alguns dos mais aplicados pela literatura so as Redes Neurais articiais [23]; o SVM
(Support Vector Machine) [3] e o Classicador Bayesiano.
As Redes Neurais Articiais (RNA) so estruturas matemticas com forte apelo
em aplicaes de reconhecimento de padres [11]. Outra estrutura similar as redes
neurais so os Sistemas Fuzzy, onde os classicadores Fuzzy so dependentes de regras
lingusticas que normalmente so transmitidas por meio de conhecimento de pessoas
especialistas ou por regras. As regras normalmente so extradas de um conjunto
de dados. Quando este conjunto de regras extrado utilizando as redes neurais na
fase de treinamento este sistema passa a ser chamado de sistema neuro-Fuzzy [7].
Umclassicador que recorrentemente empregado emreconhecimento de padres o
NFC(Neuro Fuzzy Classier), que combina tcnicas de inferncia fuzzycoma capacidade
de aprendizado das RNAs. O NFC realiza a classicao particionando o espao de
caractersticas em classes Fuzzy [25], assim so denidas as distribuies das classes e
as relaes entre entrada e sada. Como as redes neurais, o aprendizado do NFC feito
utilizando exemplos onde comun encontrar algoritmos com gradiente de primeira
ordem sendo utilizado no treinamento. Outros exemplos de algoritmo de otimizao
que agilizam a etapa de treinamento de um NFC podem ser encontrados em [9] e [7].
Uma outra tcnica bastante importante quandose fala emcomplexidade doconjunto
de dados a extrao de caractersticas. Aextrao de caractersticas diminui o nmero
de caractersticas irrelevantes para o reconhecimento do padro e desta forma torna o
classicador mais robusto. Um exemplo de diminuio da complexidade utilizando
extrao de caractersticas pode ser encontrado em [8].
O NFC formado pelas seguintes camadas: camada de entrada, camada de per-
tinncia, camada de fuzzicao, camada de defuzzicao, camada de normalizao
e camada de sada. Este classicador possui vrias entradas, as quais denominamos
como caractersticas e vrias sadas que podemos considerar como os rtulos ou clas-
ses. Os pesos na camada de defuzzicao afetamas regras e aumentama exibilidade
na classicao. O mtodo de clusterizao k-means usado para obter os parmetros
iniciais e as regras se-ento [25].
A regra de classicao fuzzy que descreve a relao do espao das caractersticas
entrada e classes, pode ser denida conforme segue abaixo [25]:
Se X
1
A e X
2

B ento Z C
Em que X
1
e X
2
so caractersticas da varivel de entrada. A e B so termos
lingusticos caracterizados pela funo de pertinncia apropriada a qual descreve as
caractersticas de um objeto C.
Na Figura 3.2 apresentado um NFC com caractersticas similares ao apresentado
em [25] e [9]. O espao de caractersticas apresentado possui duas caractristicas de
entrada, j a sada pode ser classicada em trs diferentes tipos de padres.
Uma representao dos espao de caractersticas apresentada na Figura 3.3. Cada
caracterstica possui trs termos lingusticos denidos e como resultado existem nove
regras fuzzy. Em outros trabalhos como [8] existe um pr-processamento com o
objetivo de diminuir a complexidade das caractersticas de entrada.
Na primeira camada calcula-se o graude pertinncia comque as entradas satisfazem
os termos lingusticos associados aos ns, isto determina o grau de pertinencia da
funo em forma de normal, dada por:
A
(X
i
) =
1
1+[((
x
i
c
i
a
i
)
2
)]
b
i
Emque X
i
uma das variveis de entrada, A umdos termos lingusticos associado
neste n da funo e [a
i
,b
i
,c
i
] o conjunto de parmetros. Inicialmente so denidos
Figura 3.2: Classicador Neuro-Fuzzy
Figura 3.3: Diviso do Espao de Caractersticas
valores com o objetivo de satisfazer as duas condies que caracterizam uma funo
de pertinncia Fuzzy:
Normalidade
A
= 1. pelo menos em um ponto
Convexidade
A
(x
)
A
(x
1
)
A
(x
2
), onde
A
(x) [0,1] e x
[x
1
,x
2
]
Aps a denio inicial, os parmetros so ajustados utilizando mtodo baseado no
gradiente descendente.
Na segunda camada cada n gera um sinal correspondente uma combinao
conjuntiva e assim verica-se os graus individuais de correspondncia [25]. O sinal
de sada corresponde ao grau de cumprimento de uma regra Fuzzy com relao a um
objeto a ser categorizado. Na maior parte dos processos de classicao de padres o
operador conjuntivo realiza um papel importante e sua interpretao muda de acordo
com o contexto. Desta maneira, no existe um operador que pode ser aplicado em
qualquer tipo de problema. Um exemplo de norma que pode ser utilizada a norma
de Hamacher, que dada por:
T
H
(x
1
,x
2
,) =
x
1
x
2
+(1)(x
1
+x
2
x
1
x
2
)
,
Onde x
i
s so os operadores e um parmetro no negativo.
importante notar que podemexistir diferentes operadores matemticos para cada
n da segunda camada, sendo que dependendo do compartamento dos operadores ma-
temticos alguns tero alcance local e outros tero abrangncia global.Os parmentros
combinacionais tambm so ajustados por meio da utilizao do gradiente.
Na terceira camada realizada a combinao linear dos resultados dos operadores
matemticos e na quarta camada feita uma normalizao por meio de uma funo
sigmoide ou de outro tipo parecido. Assim calcula-se se o padro pode fazer parte
daquele tipo de classe ou no.
3.4 Atualizao da Distribuio de Falha
Para atualizao das probabilidades de falha foi usado o mesmo procedimento
apresentado no cpitulo 2, porm o vetor de dados de falha s foi atualizado aps a
classicao da falha.
Captulo 4
Sistemas para Estudos de Casos
4.1 Aplicao em Sistemas
As abordagens de deteco de falhas e a atualizao de probabilidades de falha
propostas anteriormente, podem ser aplicadas em diversos tipos de sistemas. Exem-
plos de casos interessantes para aplicaes seriam sistemas de transmisso de energia,
sistemas de gerao de energia, sistemas de transporte e sistemas de bombeamento de
uidos.
4.2 Sistema de Tanques Interativos
Para este trabalho um dos sistemas utilizados o de Tanques Interativos, um tipo
de sistema de bombeamento de uidos onde o raciocnio aplicado seria o mesmo que
em outros tipos de sistemas.
O sistema de tanques que foi apresentado em [4] e citado em [13] um modelo
matemtico obtido a partir do balano de massa entre os tanques TQ-2 e TQ-3 e utiliza
a lei de Bernoulli conforme apresentado em [6]. Considerando que x
1
= h
2
,x
2
= h
3
,y
1
=
h
3
,y
2
= q
o
e y
3
= q
i
, o modelo do sistema representado pelas equaes abaixo:
x
1
=
1
A
[q
1
(R
1
,U
1
,P
1
) q
23
(x
1
,x
2
)]
x
2
=
1
A
[q
23
(x
1
,x
2
) q
o
(R
2
,U
2
,P
2
)]
y
1
= x
2
y
2
= q
o
(R
2
,U
2
,P
2
)
q
i
(R
1
,U
1
,P
1
) = Q
i
max{R
1
,U
1
,P
1
}
q
o
(R
2
,U
2
,P
2
) = Q
o
max{R
2
,U
2
,P
2
}
q
23
(x
1
,x
2
) =
x
1
x
2
R
h
26 4 Sistemas para Estudos de Casos
A expresso para o clculo de q
f
dada conforme abaixo:
q
f
(R
i
,u
i
,p
i
) =
1
_
1 +
_
_
1
R
2(u
i
1)
i
1
_
_
p
i
Alm disso:
q
o
(R
2
,U
2
,P
2
): a vazo de sada do tanque TQ-3, em m
3
/s;
q
i
(R
1
,U
1
,P
1
): a vazo de entrada do tanque TQ-2, em m
3
/s;
q
23
(X
1
,X
2
): a vazo entre os tanques TQ-2 e TQ-3, em m
3
/s;
q
f
(R
i
,u
i
,p
i
): a vazo fracionria da vlvula "i";
Q
i
max: vazo mxima de entrada do tanque TQ-2, em m
3
/s;
Q
o
max: vazo mxima de sada do tanque TQ-3, em m
3
/s;
A: rea da base dos Tanques TQ-2 e TQ-3;
R
1
: Representa o alcance da vlvula FCV-1;
R
2
: Representa o alcance da vlvula FCV-2;
1
: razo entre a queda de presso mnima e mxima da vlvula FCV-1;
2
: razo entre a queda de presso mnima e mxima da vlvula FCV-2;
R
h
: resistncia hidrulica no duto entre os tanques;
u
1
: sinal de controle fracionrio da vlvula FCV-1;
u
2
: sinal de controle fracionrio da vlvula FCV-2.
Uma grande variedade de falhas pode ser simulada em um sistema semelhante
ao descrito acima como, por exemplo, falhas de atuadores, falhas nos sistemas de
medio, entupimento nos dutos de comunicao entre os tanques e perda de presso
na tubulao entre tanques devido a umfuro. Umextenso trabalho abordando a maior
parte destas falhas pode ser encontrado em [6].
Para o presente trabalho, o simulador utilizado para vericar o comportamento de
deteco e atualizao de probabilidades de uma falha de entupimento entre Tanque
1 (TQ1) e Tanque (TQ3). O Simulador de Tanques Interativos apresentado na Figura
4.1.
Em um segundo momento sero utilizadas as tcnicas apresentadas no captulo 3
para classicao de falhas. As caractersticas de entrada para deo do padro sero
as seguintes:
4.3 Transformadores 27
nvel do tanque TQ-3
q
o
vazo de sada do tanque TQ-3
q
i
vazo de entrada do tanque TQ-2
Figura 4.1: Simulador de Tanques Interativos apresentado em [10]
4.3 Transformadores
O outro sistema que ser utilizado neste trabalho para testes de reconhecimento
de padres utilizando o NFC so os transformadores. Transformadores so elementos
bastante importantes emredes de distribuio e esto sujeitos a diversos tipos de falha,
como por exemplo descargas parciais, descargas de baixa e alta dissipao de energia
e falhas trmicas. Em transformadores que utilizam leo como isolante, possvel
vericar a sade do equipamento a partir dos gases liberados, para isto utiliza-se de
28 4 Sistemas para Estudos de Casos
tcnicas baseadas emanlise cromatogrca. Aseveridade do evento de falha tambm
pode ser determinada pela quantidade de gs liberado. Atualmente, j existemsistemas
que fazemmonitoramentoon-line dofuncionamentodotransformador, oque emalguns
casos faz comque a vida til doequipamentoaumente e que os blackouts, devidoa falhas
do transfarmador, sejam raros. Este fato aumenta consideravelmente a importncia de
se conhecer o comportamento de falhas em funo da alterao da composio dos
gases do sistema de isolamento.
Para subsidiar este trabalho, utilizou-se os dados disponibilizados em [14]. Este
banco de dados composto por 150 dados de falhas e as caractersticas de entrada so
baseadas em taxas de gases C
2
H
2
/C
2
H
4
, CH
4
/H
2
e C
2
H
4
/C
2
H
6
. Os tipos de falha que
podem ser encontradas neste banco de dados so as seguintes:
1. Descargas Parciais
2. Descargas com baixa dissipao de Energia
3. Descargas com alta dissipao de Energia
4. Falhas trmicas abaixo de 300
C
5. Falhas trmicas acima de 700
C
Um outro estudo com o mesmo banco de dados pode ser encontrado em [2].
Captulo 5
Resultados da Atualizao
Neste captulo so apresentados os resultados obtidos comtodos os modelos de atu-
alizaes de probabilidades descritos nos captulos anteriores. Inicialmente aplicou-se
o que foi descrito no captulo 2 para detectar falhas e atualizar as probabilidades de fa-
lha de umnico modo de falha. Emumsegundo momento detecta-se a falha, coletando
os dados identicadores e aplicando-os em um classicador NFC para determinao
do tipo de falha.
5.1 Atualizao da Probabilidade de Falhas
5.1.1 Aplicao em um Sistema de Tanques Interativos
Foi montado umvetor de dados a partir de janelas de deteco de falhas. Aprimeira
janela foi identicada como marco zero dos dados, (conforme Figura 5.1), e a partir
deste marco foram ajustadas todas as probabilidades de falhas em funo do tempo
utilizando a distribuio de Weibull. Com o vetor de dados alterado foi realizado o
teste K-S para vericar se o modelo ajustado seria vlido para aquele conjunto de dados
de falha.
Os parmetros do sistema foram denidos para um ambiente com elevado grau de
severidade, no qual as falhas so aceleradas emfuno das caractersticas de exposio
a intempries climticas, qumicas e partculas emsuspenso no ar. Estas caractersticas
foram escolhidas por comodidade, para acelerao do momento da falha. As janelas
foram denidas em intervalos de 20000 segundos e o conjunto de dados de falhas foi
composto por 9 amostras.
Sabe-se de antemo que as falhas criadas respeitam a distribuio de Weibull. A
falha simulada foi o entupimento do duto que interliga o Tanque 1 e o Tanque 3. Para
este trabalho esta falha foi considerada uma falha abrupta. Os tempos emque as falhas
ocorreram em minutos so os seguintes 366, 788, 1136, 1342, 1739, 2227, 2728, 3145 e
30 5 Resultados da Atualizao
3244. A gura 5.2 apresenta um grco do momento em que a falha detectada para
t = 2227 minutos ou 133.620 segundos.
Figura 5.1: Esquema de Janelas para Atualizao de Probabilidades
Figura 5.2: Deteco de Falha para um dos Pontos
Desta forma, aps as duas primeiras medidas, foi possvel ajustar os parmetros
em uma distribuio de Weibull. Os dados foram testados a partir de um teste K-
S, a um nvel de 10% de signicncia, e em nenhum momento a hiptese nula foi
rejeitada A hiptese nula foi denida como sendo aquela cujo os dados se ajustam a
uma distribuio de Weibull.
As Figuras 5.3 e 5.4 respectivamente, apresentama Funode Densidade de Probabi-
lidade - do termo emingls Probability Density Function (PDF) - e Funo de Distribuio
Acumulada - do termo em ingls Cumulative Distribution Function (CDF).
Na Tabela 5.1 so apresentados os parmetros ajustados aps cada ponto de falha
que foi acrescentado no conjunto de dados. A Figura 5.5 apresenta a curva de Weibull
obtida aps a coleta das 9 amostras, onde o eixo das abcissas representa o tempo de
5.1 Atualizao da Probabilidade de Falhas 31
operao do componente e o eixo das ordenadas a probabilidade da falha ocorrer dado
aquele intervalo de tempo.
Decises importantes podem ser tomadas com os dados obtidos a partir de um
modelo de deteco/atualizao/estimao como este. Caso queira-se, por exemplo,
determinar qual o tempo em que se deseja que uma tubulao como esta opere
sem entupimento pode-se escolher um percentual de conabilidade que seja relevante
para o processo e o seu intervalo de conana para o tempo desejado. Para ilustrar
a situao, considere que a tubulao deve funcionar por 200 minutos ininterruptos
para que o processo em batelada seja executado. Sabe-se que este tipo de tubulao
transporta uido perigoso que pode gerar complicaes em caso de vazamento. Desta
maneira, a partir da distribuio obtida chega-se que para t = 200 minutos tem-se a
conabilidade de 83,21% do equipamento ainda estar operando. Para um nvel de
signicncia de 5% chega-se a um limite inferior do intervalo de conana com 59,38%
e o limite superior no pode ser determinado. Assim, pode-se adotar medidas como
a insero de uma nova tubulao by-pass que possa substituir a primeira caso ocorra
entupimento, aumentado assim a disponibilidade do sistema. Outro fato importante
que a partir deste tempo pode-se prever qual ser o instante que o custo-benecio da
manuteno ter os melhores valores e ainda pode-se dimensionar o quadro de mo
de obra, visando atingir as metas de indicadores de desempenho especicadas para
sistemas, equipamentos e componentes.
Um fato importante para avaliar a poltica de manuteno a ser utilizada o par-
metro . Neste caso como ele maior que 1, as caractersticas de desgaste j so percep-
tveis, o que favorece a utilizao das polticas de manuteno preventiva/preditiva.
Tabela 5.1: Funo Densidade de probabilidade acumulada
t F(t) -
60 0,12% 3,52 400,15
120 1,43% 3,52 400,15
180 5,82% 3,52 400,15
240 15,22% 3,52 400,15
300 30,40% 3,52 400,15
360 49,79% 3,52 400,15
420 69,46% 3,52 400,15
480 85,02% 3,52 400,15
540 94,36% 3,52 400,15
600 98,45% 3,52 400,15
0 100 200 300 400 500 600
0
0.5
1
1.5
2
2.5
3
3.5
x 10
3
Tempo
F
u
n
o

d
e

D
e
n
s
i
d
a
d
e

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e

(
P
D
F
)

PDF ajustada
PDF Dados Originais
Figura 5.3: Funo de Densidade de Probabilidade para a falha de entupimento
5.2 Atualizao de Taxa de Falhas Considerando Tipos de
Falhas Diferentes
A partir do item anterior possvel perceber a importncia de se conhecer a taxa
de falha de um sistema. Assim, quando mais de uma falha comea a ocorrer de
maneira simultnea em qualquer tipo de sistema ca difcil de determinar quais so
os reais motivos da falha. Para tornar o processo mais fcil, considera-se que os
100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo

F
u
n
o

d
e

D
i
s
t
r
i
b
u
i
o

A
c
u
m
u
l
a
d
a
Dados de Entupimento TQ1TQ3
CDF ajustada para dados de Entupimento
Intervalo de Confiana para Dados de Entupimento
Figura 5.4: Funo de Distribuio Acumulada para a falha de entupimento
10
2
0.05
0.1
0.25
0.5
0.75
0.9
0.95
Tempo

P
r
o
b
a
b
i
l
i
d
a
d
e

d
e

F
a
l
h
a
Dados de Falha de Entupimento
Weibull Ajustada Entupimento TQ1TQ3
Figura 5.5: Grco de Probabilidade Weibull
sistemas possuemeventos de falhas independentes e identicamente distribudos.Desta
forma, quando existe substituio do item como se ocorresse a recuperao total do
componente (as good as new).
Para testar o classicador apresentado no captulo 3 utilizou-se dois conjuntos de
dados. Oprimeiro deles umconjunto de dados articiais emque simulou-se diversas
falhas no sistema de tanques interativos. Em um segundo momento foram utilizados
os dados reais de falhas apresentado em [14].
5.2.1 Aplicao em um Sistema de Tanques Interativos
Para aplicao no sistemas de Tanques Interativos foram simulados 200 tipos de
eventos. Dentro destes eventos podem ser vericadas falhas de agarramento em vl-
vulas, falhas de entupimento e tambm casos que o sistema opera de maneira normal.
O estado normal pode ser ainda uma vericao para um falso positivo, ou seja, uma
falha detectada que no ocorreu e, assim, o sistema de classicao pode conrmar o
que avaliado pelo sistema de deteco de falha.
Nos testes com trs tipos de eventos (agarramento da vlvula FCV1, agarramento
da vlvula FCV2 e estado normal; ou agarramento da vlvula FCV1; entupimento Tan-
que TQ1 e estado normal) foram utilizados 150 padres para treinamento e validao.
J para quatro tipos de eventos (agarramento da vlvula (FCV1), agarramento da vl-
vula (FCV1), entupimento (TQ1-TQ3) e estado normal) foram utilizadas 200 amostras.
Elaborou-se umsoftware para simulao que variava os dados de treinamento do NFC
entre 10% e 90% com umpasso de 10%. Para cada estrutura de dados de treinamento o
algoritmo foi repetido por 20 iteraes. As amostras foramaleatorizadas como objetivo
de retirar qualquer possibilidade de polarizao dos dados, ou seja, eliminar quaisquer
possves tendncias que poderiam prejudicar a generalizao do classicador. Os me-
lhores resultados obtidos ocorreram utlizando 70% das amostras para treinamento.
Conforme pode ser visualizado na Tabela 5.2 os valores para validao, dados que
no fazem parte do conjunto de treinamento, alcanaram um percentual de acerto de
88,88% com trs estados diferentes e 70% com quatro estados diferentes.
Aps a etapa inicial de classicao foi realizado o processo de atualizao das
probabilidades de falha com o objetivo de determinar a poltica de manuteno. Neste
caso foramapresentados anlises estatscas de dois tipos de modo de falha que tiveram
seus dados de falha gerados de maneira articial. Considerando-se que os eventos so
iid chega-se nos grcos de PDF, CDF e Weibull apresentados nas Figuras 5.6, 5.7 e 5.8
para os modos de falha, consideradas falhas abruptas para este trabalho, entupimento
do Tanque (TQ1-TQ3) e agarramento da vlula (FCV1).
Os dados para oentupimentodotanque soos mesmos apresentados anteriormente,
j para o agarramento de vlvula temos a seguinte sequncia simulada articialmente:
396, 876, 1204, 1629, 2096, 2435, 2814 e 3186. A tabela 5.2 apresenta o aumento da
taxa de falha em funo dos tempos para as duas falhas. Percebe-se que a falha de
agarramento comea com uma taxa de falha maior que a de entupimento e a medida
que o tempo vai correndo ela superada pelo outro modo de falha. Pode-se perceber
que o fator de escala da falha de agarramento um pouco menor do que da falha de
entupimento e o mesmo ocorre para o fator de forma. De toda maneira, para este valor
de forma ainda se recomenda a adoo de uma manuteno preventiva/preditiva, mas
de toda forma a idade de envelhecimento, no modo de falha agarramento, um pouco
mais lenta quando comparada com o entupimento.
0 100 200 300 400 500 600
0
0.5
1
1.5
2
2.5
3
3.5
x 10
3
Data
D
e
n
s
i
t
y

PDF Entupimento TQ1TQ3
PDF Agarramento FCV1
Dados Entupimento TQ1TQ3
Dados Agarramento FCV1
Figura 5.6: PDF para a falha de entupimento TQ1-TQ3 e Agarramento FCV1
5.2.2 Aplicao em um Transformador
No transformador foram realizados procedimentos parecidos ao Tanque Interativo
. Para isto foram utilizados dados de falha em transformadores em servio, que foram
obtidos por meio da base de dados de [14].
Em virtude do nmero de amostras para realizar a classicao das falhas, 142
amostras, as classes foram concentradas em trs tipos de falha (Falhas por Descargas;
Falhas Trmicas e o Estado Normal). As falhas por descargas aglomeramas falhas com
alta e baixa descarga de energia, j as falhas trmicas englobam falhas abaixo de 300
C
e acima de 700
C. O treinamento novamente contou com 20 iteraes e as amostras

tambm foram aleatorizadas.
Aps a etapa de treinamento chegou-se a uma taxa de acerto de validao de
86.04%. Assim, percebe-se que o classicador pode ser usado com bastante encia
nos problemas de classicao de falhas em transformadores.
Apartir disto, foi utlizado o histrico de falhas de transformadores comas seguintes
caractersticas que foram obtidos em [16]:
Tabela 5.2: Taxa de Falha em Funo do Tempo entre Falhas de Entupimento e Agarramento
t F(t) : 3,52 - : 400,15 F(t) : 2,03 - : 363,17
60 0,12% 2,56%
120 1,43% 10,05%
180 5,82% 21,41%
240 15,22% 35,06%
300 30,40% 49,28%
360 49,79% 62,56%
420 69,46% 73,89%
480 85,02% 82,80%
540 94,36% 89,30%
600 98,45% 93,72%
100 150 200 250 300 350 400 450 500
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo

F
u
n
o

d
e

D
i
s
t
r
i
b
u
i
o

A
c
u
m
u
l
a
d
a
Dados Agarramento Vlvula FCV1
CDF Agarramento Vlvula FCV1
Intervalo de Confiana FCV1
Dados Entupimento TQ1 TQ3
CDF Entupimento TQ1 TQ3
Intervalo de Confiana Entupimento TQ1TQ3
Figura 5.7: CDF para a falha de entupimento TQ1-TQ3 e Agarramento FCV1
Tabela 5.3: Classicao de Falhas em Tanques e Transformadores utilizando NFC
SISTEMA TESTE AMOSTRAS AMOS-
TRAS
PARA
TREINA-
MENTO
ACERTO
TREINA-
MENTO
ACERTO VA-
LIDAO
TRAFO 3 Tipos de Es-
tado:(DESCARGAS,
TRMICAS e ES-
TADO NORMAL)
142 7%0 85,86% 86,04%
TANQUES 3 Tipos de Es-
tado: (AGARRA-
MENTO FCV1,
AGARRAMENTO
FCV2 e ESTADO
NORMAL)
150 70% 90,48% 88,88%
tado: (AGARRA-
MENTO FCV1,
ENTUPIMENTO
TQ1 e ESTADO
NORMAL)
150 70% 85,71% 88,88%
tado: (AGARRA-
MENTO FCV1,
AGARRAMENTO
FCV2, ENTUPI-
MENTO TQ1 e
NORMAL)
200 70% 67,14% 70%
Nveis de Tenso de 50/10kV
Nveis de Tenso de 50/6 kV
Com o objetivo de adequar o histrico de falhas ao classicador anteriormente
apresentado, analisou-se a atualizaao de probabilidade de falha apenas para o curto-
circuito dos enrolamentos. Desta forma, o histrico de falhas foi composto pelas
seguintes falhas: falha 1=26,5 anos, falha 2=33,3 anos, falha 3=39,5 anos, falha 4=43,5
anos e falha 5=45,5 anos. Com isso chegou-se aos grcos de PDF, CDF e Funo de
Weibull ajustada apresentados nas guras 5.9, 5.10 e 5.11. Os parmetros obtidos aps a
anlise de Weibull so = 6,8 - =40,49, como > 1 as caractersticas que predominam
no tipo de manuteno a ser realizada preventiva/preditiva.
10
2
0.005
0.01
0.05
0.1
0.25
0.5
0.75
0.9
0.95
Tempo

P
r
o
b
a
b
i
l
i
d
a
d
e

d
e

F
a
l
h
a
Dados de Falha Entupimento TQ1TQ3
Funo Weibull ajustada para Entupimento
Dados de Falha para Agarramento FCV1
Funo de Weibull ajustada para Agarramento
Figura 5.8: Grco de Probabilidade de weibull - falha Entupimento e Agarramento FCV1
20 25 30 35 40 45 50 55 60
0
0.01
0.02
0.03
0.04
0.05
0.06
Tempo

F
u
n
o

D
e
n
s
i
d
a
d
e

d
e

P
r
o
b
a
b
i
l
i
d
a
d
e
Dados de Falha no Enrolamento
PDF de Falha no Enrolamento do Transformador
Figura 5.9: PDF para a falha no Enrolamento do Transformador
28 30 32 34 36 38 40 42 44
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Tempo

F
u
n
o

d
e

D
i
s
t
r
i
b
u
i
o

A
c
u
m
u
l
a
d
a
Dados de Falha
CDF Acumulada para falha nos Enrolamento do Trafo
Intervalo de Confiana
Figura 5.10: CDF para a falha no Enrolamento do Transformador
10
1.5
10
1.6
0.05
0.1
0.25
0.5
0.75
0.9
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e

Dados de Falha
Funo de Weibull Ajustada
Figura 5.11: Grco de Probabilidade de Weibull para falha no enrolamento do Trafo.
Captulo 6
Consideraes Finais
6.1 Concluses
Neste trabalho foi proposta uma metodologia para atualizar um modelo de con-
abilidade utilizando um algoritmo de deteco de falhas proposto recentemente na
literatura. Este tipo de metodologia mostra-se interessante, conforme apresentado
em [24], para prever alternativas de manuteno bem como o planejamento de inves-
timento em processos que demandem um longo tempo de funcionamento. Um outro
problema bastante curioso que gera diversas discusses na industria a coleta de dados
de falha, coma classicao de falhas correta. Desta forma, o classicador se torna uma
ferramenta de suporte e de otimizao de tempo quando se fala em coleta de dados de
falhas. Modelos comdistribuies de probabilidades diferentes podemser atualizados
a partir de dados coletados utilizado o algoritmo de deteco e classicados utilizando
os classicadores de falha. Assim, a idia de se misturar falhas diferentes e indentica-
ls um processo que trs bastante robustez ao sistema dando mais fora ao sistema
com coleta de dados de falha de maneira automatizada.
6.2 Trabalhos Futuros
Uma ideia para trabalhos futuros consiste em adicionar dados censurados. Os
dados censurados so aqueles que a manuteno realizada antes do componente
falhar. Estes dados so adicionados em conjunto com os dados de falha, o que faz com
que as previses de tempo timo para manuteno melhoreme faz comque consiga-se
atuar de maneira preventiva em componentes, equipamentos ou sistemas. Esta ao
combate um problema real quando se fala em manuteno, que a falta de dados de
falha de equipamento. Assim, mesmo que o sistema no falhe, ele ainda alimentado
cominformaes que direcionamna composio de umtempo timo para manuteno
do sistema.
Outro tipo de abordagem que pode ser explorada a utilizao do algoritmo apre-
sentado em [20] para atualizao, de maneira on-line, da probabilidade de falhas
em sistemas que utilizam a manuteno baseada na condio como sua estratgia de
42 6 Consideraes Finais
manuteno. Um sistema que poderia facilmente ter esta tcnica aplicada um sis-
tema de distribuio de energia que conta como principal elemento os transformadores
elevadores e abaixadores. Caso sejam transformadores extremamente crticos para o
processo, eles podem ser monitorados em tempo real a partir dos gases de isolamento
e resfriamento que esto imersos em sua cmara de lubricantes.
Referncias Bibliogrcas
[1] ABNT. NBR 5462 -Conabilidade e Manutenabilidade. Associao Brasileira de
Normas Tcnicas - ABNT, 2004.
[2] A.Venkatasami, Dr.P.Latha, and K.Kasirajan. Diagnosis of transformer faults ba-
sed on adaptive neuro-fuzzy inference system. International Journal of Scientic
Engineering Research, 3(2):14, 2012.
[3] A. Basu, C. Watters, and M. Shepherd. Support vector machines for text categori-
zation. International Conference on System Sciences - IEEE, 2002.
[4] Ansio Rogrio Braga. Implementao de Estratgias de Controle Multimalha e Multi-
varivel. Master thesis, Universidade Federal de Minas Gerais, Brasil, 1994.
[5] Carolina Leite Barbosa Cajazeira. Estudo dos Fatores RAM na Fase de Operao e
Manuteno de Aerogeradores. Phd thesis, Universidade do Moinho, Portugal, 2012.
[6] Walmir Matos Caminhas. Estratgias de Deteco e Diagnstico de Falhas em Sistemas
Dinmicos. Phd thesis, Universidade Estadual de Campinas - UNICAMP 1997,
Brasil, 1997.
[7] BayramCetisli. Development of an adaptive reuro-fuzzy classier using linguistic
hedges: Part 1. Expert Systems with Applications, (37):60936101, 2010.
[8] Bayram Cetisli. The eect of linguistic hedges on feature selection: Part 2. Expert
Systems with Applications, (37):61026108, 2010.
[9] Bayram Cetisli and Atalay Barkana. Speeding up the scaled conjugate gradi-
ent algorithm and its application in neuro-fuzzy classier training. Soft Comput,
(14):365378, March 2010.
[10] Marcos F. S. V. DAngelo. Iterative tanks system by fault simulation.
www.dcc.unimontes.br/dangelo/benchmark.rar, 2011.
[11] Marcos F. S. V. DAngelo, Reinaldo M. Palhares, Walmir M. Caminhas, Ricardo
H. C. Takahashi, Renato D. Maia, Andr P. Lemos, and Maurlio J. Incio. Deteco
44 REFERNCIAS BIBLIOGRFICAS
de falhas: uma reviso com aplicaes. Anais do Congresso Brasileiro de AUtomtica
2010, mar 2010. Tutoriais do CBA. Bonito, MS.
[12] Marcos F. S. V. DAngelo, Reinaldo M. Palhares, Ricardo H.C. Takahashi, and
Rosangela H. Loschi. Fuzzy/Baysian change point detection approach to incipient
fault detection. IET - Control Theory & Applications, 5(4):539551, 2011.
[13] Marcos F. S. V. DAngelo, Douglas H. Fonseca Silva, Reinaldo M. Palhares, Wal-
mir M. Caminhas, Fabiano S. Moreira, and Andr P. Lemos. Deteco de falhas em
tanques interativos utilizando uma abordagem neural/fuzzy/Bayesiana para de-
teco de ponto de mudana. Anais do Congresso Brasileiro de Inteligncia Computaci-
onal 2011, Novembro 2011. X Congresso Brasileiro de Inteligncia Computacional.
Fortaleza, CE.
[14] Michel Duval andAlfonso dePablo. Interpretation of gas-in-oil analysis using new
iec publication 60599 and iec tc 10 databases. IEEE Electrical Insulation Magazine,
17(2):3141, 2001.
[15] Andrew K.S. Jardine and Albert H. C. Tsang. Maintenance, Replacement and Relia-
bility. Taylor & Francis Group, 2006.
[16] Rogier Jongen, E. Gulski, P. Morshuis, J. Smit, and A. Janssen. Statistical analysis
of power transformer component life time data. In Power Engineering Conference,
2007. IPEC 2007. International, pages 12731277, 2007.
[17] AllanKardec andJulio Nascif. MANUTENO- FUNOESTRATEGICA. QUA-
LITYMARK, 1999.
[18] Lawrence M. Leemis. Probabilistic Models and Statistical Methods. Prentice Hall,
Inc., Englewood Clis, New Jersey, 1995.
[19] D.M. Louit, R. Pascual, and A.K.S. Jardine. A practical procedure for the selection
of time-to-failure models based on the assessment of trends in maintenance data.
Reliability Engineering and System Safety, (94):16181628, 2009.
[20] Fabiano S. Moreira. Deteco de Pontos de Mudana em Sries Temporais Utilizando
Uma Formulao Neural/Fuzzy/Bayesiana: Aplicao na Deteco de Falhas. Phd thesis,
Universidade Federal de Minas Gerais, Brasil, 2011.
[21] Glenford J. Myers, Tom Badgett, Todd M. Thomas, and Corey Sandler. The art of
software testing. John Wiley Sons, 2004.
[22] Robson Quinello and Jose Roberto Nicoletti. Inteligncia competitiva nos depar-
tamentos de manuteno industrial no brasil. Journal of Information System and
Technology Management, 2(1):2137, 2005.
REFERNCIAS BIBLIOGRFICAS 45
[23] Renan N. O. Souza, Alexandre S. Brando, Matheus N. Faria, Andr G. Torres, and
Tarcisio A. Pizziolo. Acionamento de cargas via comando de voz utilizando tcni-
cas de redes neurais articiais. Anais do Congresso Induscon 2006, 2006. Conferncia
Internacional de Aplicaes Industriais, 2006, Recife - PE. IEEE - VII INDUSCON.
[24] Renan N. O. Souza, Reinaldo M. Palhares, Marcos F. S. V. DAngelo, andWalmir M.
Caminhas. Atualizao de distribuies de probabilidade e taxas de conabilidade
utilizando tcnicas de deteco de falhas. Anais do Congresso Brasileiro de AUto-
mtica 2012, Setembro 2012. XIX Congresso Brasileiro de Automtica. Campina
Grande, Paraba.
[25] Chuen-Tsai Sun and Jyh-Shing Jang. A neuro-fuzzy classier and its applications.
Proceedings of IEEE International Conference on fuzzy systems, pages 9498, 1993. San
Francisco.
[26] Lofti A. Zadeh. Fuzzylogic, neural networks andsoft computing. IEEETransactions
on Systems, Man, and Cybernetic, (3):7784, March 1994.

Detecção de Falha Aplicada Na Atualização de Probabilidade de Falha

Caricato da

Informazioni sul documento

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

Detecção de Falha Aplicada Na Atualização de Probabilidade de Falha

Caricato da

Copyright:

Formati disponibili

Universidade Federal de Minas Gerais

Programa de P os-Gradua c ao em Engenharia El etrica

aceito com probabilidade da

usando uma distribuio de referncia dada por

, caso contrrio rejeitar e fazer

C. O treinamento novamente contou com 20 iteraes e as amostras

Potrebbero piacerti anche