BÖLGESEL POLİTİKALARA BAĞLI BİR DEĞİŞİM

novos equipamentos, em uma atitude de melhoria contínua.

C.1.7

Manutenção Detectiva

É a manutenção efetuada em sistemas de proteção ou comandos (intertravamentos) buscando detectar falhas ocultas ou não perceptíveis ao pessoal de operação e manuten- ção. Um exemplo clássico é o circuito que comanda a entrada de um gerador em um hospital. Se houver falta de energia e o circuito tiver uma falha, o gerador não entrará em operação. Pode-se citar, também, testes em circuitos sonoros de alarmes.

A medida em que aumenta a utilização de instrumentação de comando, controle e automação nas indústrias, aumenta-se também a necessidade da manutenção detectiva para garantir a confiabilidade dos sistemas e da planta como um todo [de Siqueira 2005].

C.2 Métodos de Diagnóstico Automático de Falhas

Ao longo das últimas décadas, o tema envolvendo o problema de detecção e classifi- cação de falhas recebeu grande evidência, principalmente pela disponibilidade crescente e o progresso da informática, em aplicações com larga variedade de métodos em tempo real, objetivando as melhores práticas de manutenção preditiva, conforme demostrado na Seção C.1.4. Muitos métodos foram desenvolvidos a fim de atender diferentes áreas da engenharia, aliados a técnicas como: identifcação e estimação de sistemas, processamento de sinais e inteligência artificial (AI) [Venkatasubramanian et al. 2003a].

Em consequência disto, os métodos diferem com respeito ao princípio em que são baseados e como é desenvolvido o diagnóstico do sistema sob falha. Entende-se por falha em um sistema qualquer alteração nas características operacionais que produza redução de sua eficiência [Isermann 2006]. Quando se detecta uma falha, habitualmente um sinal de alarme é acionado e, então, investiga-se a falha, buscando identifcar a causa do baixo rendimento ou parada do sistema. É importante observar que a eficiência dos métodos de detecção de falhas é diretamente correlacionado com o grande conhecimento sobre a dinâmica do sistema em análise.

Para classifcar os métodos de diagnóstico de falhas é necessário observar dois com- ponentes principais: o tipo de conhecimento do sistema e a estratégia de identificação e diagnóstico da falha.

A estratégia de identificação e classificação da falha é, frequentemente, função do tipo de representação do conhecimento em que é disponível no momento do desenvol- vimento do método. Por esta influência, a mais importante característica dos métodos de diagnóstico de falhas é o conhecimento do sistema (equipamento ou processo). Se- gundo Venkatasubramanian et al. [2003a], os métodos de diagnóstico de falhas podem ser divididos nas categorias apresentadas na Figura C.2.

Pode-se dizer que a base do conhecimento necessária para o diagnóstico de falhas é o conjunto de falhas e os relacionamentos entre os sintomas e as falhas. Assim, o método de diagnóstico deve ter este conjunto explícito ou inferido de uma fonte de conhecimento dominada sobre o sistema analisado. Esta fonte de conhecimento deve ser desenvolvida

C.2. MÉTODOS DE DIAGNÓSTICO AUTOMÁTICO DE FALHAS 137

por um especialista do processo, através de experiência adquirida, estimação ou identifi- cação. De maneira geral, os métodos são divididos em: baseados em modelos (Model- Based Fault Detection- MBFD) e baseados em conhecimento (Knowledged-Based Fault Detection- KBFD).

Em geral, os métodos baseados em modelos são classificados em qualitativos e quan- titativos. O modelo é baseado em características físicas do processo. Estes modelos são expressos em termos matemáticos (modelos matemáticos) em função da relação entre as entradas e as saídas da planta (processo), descrevendo o comportamento dos sistemas dinâmicos. Estes modelos são importantes para um melhor conhecimento do sistema, fornecendo dados qualitativos e quantitativos a respeito do seu comportamento dinâmico. Através da observação do comportamento dinâmico, pode-se avaliar as conseqüências de possíveis mudanças no seu comportamento [Eduardo 2003].

Ao contrário dos métodos baseados em modelos, nos métodos baseados no conhe- cimento (ou baseados no histórico do processo) é assumido uma grande quantidade de dados históricos para o seu desenvolvimento. Existem diferentes formas de proceder a extração de características a partir destes dados e transformá-las em conhecimento para utilização do método de diagnóstico.

C.2.1

Classificação dos Métodos

As seguir, serão descritas as classificações dos métodos de detecção de falhas con- forme apresentado na Figura C.1.

C.2.2 MBFD - Model-Based Fault Detection

Nesta seção será descrita algumas das técnicas mais difundidas na área de detecção e diagnóstico de falhas baseados em modelos segundo Venkatasubramanian et al. [2003a] e Venkatasubramanian et al. [2003b].

Observadores de Estado

Esta abordagem foca o uso de um observador (modelo matemático dinâmico) do sis- tema real que gera sinais de resposta baseado nas entradas aplicadas, que são comparados com os sinais de resposta medidos no sistema real. A comparação através de uma opera- ção de diferença resulta em um valor chamado de resíduo, que deve ser idealmente zero, caso não haja falha no sistema [Aguirre 2007].

Quando o resíduo difere do valor esperado alguma alteração não prevista no sistema real ocorreu e pode significar uma falha no processo ou em sua instrumentação.

Sabe-se que os modelos matemáticos não são exatamente perfeitos, são limitados, pois possuem suposições simplificadoras, ocasionando diferenças de comportamento di- nâmico entre o modelo e o sistema real. Outro fator relevante é a existência de ruídos inerentes nas medições. Estes fatores, entre outros, podem gerar um resíduo não nulo que ocasionará em uma falha falsa, ou seja, o método pode diagnosticar uma falha que nunca ocorreu.

Identificação e Estimação de Parâmetros

Há sistemas em que a modelagem de forma determinística se torna uma atividade complexa, principalmente em se tratando de modelos estocásticos. Visando o desenvolvi- mento de métodos de diagnósticos mais preciso sobre a causa do problema, procurou-se o desenvolvimento de algoritmos de estimação de parâmetros em tempo real, para moni- torar o sistema de uma forma mais completa. Os parâmetros estimados podem estar dire- tamente relacionados aos parâmetros físicos do sistema (parâmetros construtivos), como por exemplo: rigidez, amortecimento e massa; ou indiretamente relacionados (parâmetros característicos), como por exemplo: freqüências naturais e modos de vibrar.

Inicialmente o modelo é ajustado ao sistema sem defeito e seus parâmetros (parâ- metros característicos) são continuamente estimados. Através de um modelo matemá- tico, busca-se correlacionar as variações dos parâmetros estimados com diferentes ti- pos de falhas. Como esta relação nem sempre é direta, é necessário construir uma re- lação heurística (causa e efeito) para os diversos tipos de falhas, identificando qual ou quais parâmetros do modelo matemático são mais sensíveis a variações físicas do sistema [Aguirre 2007].

C.2.3 KBFD - Knowledge-Based Fault Detection

Nesta seção serão descritas algumas das técnicas mais difundidas na área de detecção e classificação de falhas baseadas no conhecimento segundo Venkatasubramanian et al. [2003b] e Venkatasubramanian et al. [2003c].

Redes Neurais

As Redes Neurais Artificiais (RNA) são sistemas computacionais estruturados numa aproximação à computação baseada em ligações. Composta por nós simples, conhecidos como neurônios, que são interligados para formar uma rede, sendo sua inspiração original as estruturas do cérebro, em particular os neurônios. Este método é baseado em técnicas computacionais que apresentam um modelo inspirado na estrutura neural de organimos inteligentes e que adquirem conhecimento através da experiência. Como características principais, as RNA’s têm [Haykin 2001]:

• A capacidade de aprender através de uma fase chamada fase de aprendizagem; • Auto-organização, criando sua própria representação da informação;

• Tolerância a falhas, armazenando informações de forma redundante e continuando a responder de uma forma aceitável, mesmo que esteja parcialmente danificada.

Lógica Difusa ou Nebulosa

O mundo real é um sistema analógico e altamente não-linear. Diversos processos ne- cessitam mais que uma simples resposta de certo ou errado, como expresso por Aristóte- les em sua lógica clássica, necessitam um conjunto maior de possibilidades, partindo para uma multivalência de valores. Assim, a lógica nebulosa (Fuzzy Logic) está baseada em