Use este identificador para citar ou linkar para este item: http://hdl.handle.net/11422/23217
Tipo: Dissertação
Título: Estratégia para detecão de falhas em equipamentos industriais com baixa repetibilidade de eventos usando redes neurais
Autor(es)/Inventor(es): Tomé, Jean Americo
Orientador: Calôba, Luiz Pereira
Resumo: Muita das técnicas utilizadas na área de manutenção preditiva buscam ensinar aos modelos pelo menos duas situações de operação: uma correspondente a períodos normais, em que não há indícios de falha, e outra cobrindo períodos anteriores a um evento de falha. Porém, em diversos tipos de equipamentos, a realidade é que a repetibilidade de eventos de falha é baixa. Nesse trabalho uma estratégia de modelagem que busca modelar o período normal de operação é apresentado. A utilização de dados de eventos de falha serve apenas para validação e ajuste de limiares de decisão. Essa estratégia constitui um framework, genérica o suficiente para ser aplicado a diferentes equipamentos, e foi utilizada em softwares de manutenção preditiva para diferentes famílias de equipamentos: válvula de controle, compressores alternativos e bombas. A construção da abordagem é feita no topo de uma arquitetura de Redes Neurais Artificiais, que se encarrega do aprendizado do padrão normal de operação e, posteriormente, é utilizada como um baseline comparativo para diagnóstico do equipamento, efetivamente implementando um gêmeo digital de sua resposta. Um estudo de caso é realizado em dados reais, coletados no período de 2015-2018, de sensores relacionados a uma das válvulas de controle de uma grande indústria química brasileira. Toda a etapa de pré-processamento, limpeza, construção do modelo e tomada de decisão é apresentada e discutida. A estratégia apresentada foi capaz de identificar tendências de degradação em 6 de 10 registros de falha que, em conjunto com a geração de alarmes baseado em limiares fixos, possibilitaria a geração de alarmes com até 20 dias de antecedência caso o modelo estivesse em operando em produção (online).
Resumo: Many of the techniques used in the area of predictive maintenance seek to teach the models at least two operating situations: one corresponding to normal periods, in which there is no evidence of failure, and another covering periods prior to a failure event. However, in several types of equipment, the reality is that the repeatability of failure events is low. In this work a modeling strategy that seeks to model the normal operating period is presented. The use of fault event data is only for validation and adjustment of decision thresholds. This strategy constitutes a framework, generic enough to be applied to different equipment, and has been used in predictive maintenance software for different equipment families: control valve, reciprocating compressors and pumps. The approach is built on top of an Artificial Neural Network architecture, which takes care of learning the normal operating pattern, and is subsequently used as a comparative baseline for diagnosing the equipment, effectively implementing a digital twin of its response. A case study is performed on real data, collected in the period 2015-2018, from sensors related to one of the control valves of a large Brazilian chemical industry. The whole step of preprocessing, cleaning, model building and decision making is presented and discussed. The strategy presented was able to identify degradation trends in 6 out of 10 fault records that, in conjunction with alarm generation based on fixed thresholds, would make it possible to generate alarms up to 20 days in advance if the model were operating in production (online).
Palavras-chave: Detecção de falhas
Redes neurais
Digital twin
Indústria.
Assunto CNPq: Engenharia Elétrica
Programa: Programa de Pós-Graduação em Engenharia Elétrica
Unidade produtora: Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
Editora: Universidade Federal do Rio de Janeiro
Data de publicação: Abr-2020
País de publicação: Brasil
Idioma da publicação: por
Tipo de acesso: Acesso Aberto
Aparece nas coleções:Engenharia Elétrica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
940662.pdf1.67 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.