Upload
sophia-guterres-pinto
View
218
Download
2
Embed Size (px)
Citation preview
Desenvolvimento de um Sistema de Manutenção Inteligente
Embarcado
Defesa de Tese de Doutorado
Doutorando: Luiz Fernando GonçalvesOrientador: Marcelo S. Lubaszewski
Porto Alegre, 20 de abril de 2011
UFRGS
2
SUMÁRIO Introdução Modelo do atuador
Estudo de caso Definição e solução do modelo Etapa de injeção de falhas
Ferramentas matemáticas Definição da ferramenta de processamento de sinais Detecção, classificação e predição de falhas Determinação do tempo de vida útil do atuador
Sistema embarcado Resultados de embarque
Conclusões
3
INTRODUÇÃO
4
NOÇÃO DE MANUTENÇÃO
As medidas técnicas realizadas para manter os equipamentos e/ou sistemas funcionando, corrigindo os danos (ABNT)
Manutenção
5
ESTRATÉGIAS DE MANUTENÇÃO Diversas são as estratégias e/ou classificações
encontradas na literatura sobre manutenção
Manutenção
Corretiva Preventiva Preditiva Proativa
Ações periódicas e curativas
Ações de análise e monitoração
Ações proativas
Ações paliativas e curativas
6
ESTADO DA ARTE DA MANUTENÇÃO Eletrônica digital Sistemas embarcados Processamento de sinais Inteligência artificial Filtragem adaptativa Métodos estatísticos Algoritmos de simulação
Novas abordagens aos sistemas de controle
industrial
Novos modelos de confiabilidade e
disponibilidade de sistemas
Sistemas de Manutenção Inteligentes (ou proativos)Embarcados
7
CONTEXTUALIZAÇÃO e OBJETIVOS A manutenção proativa e o desenvolvimento de
sistemas de manutenção inteligente vêm se tornando interessante para a indústria petrolífera
Objetivos: Quantificar a degradação do comportamento Antecipar danos e falhas inesperadas Realizar uma predição da vida útil do atuador Facilitar a desmontagem e reutilização de peças Promover uma maior sustentabilidade Reduzir custos e sinalizar o momento mais adequado para se realizar a manutenção
8
SISTEMA DE MANUTENÇÃO INTELIGENTE Este trabalho apresenta o desenvolvimento de um
sistema de manutenção inteligente embarcado
Modelamento Prototipagem
9
TÉCNICAS DE PROC. DE SINAIS As técnicas de processamento de sinais estão
presentes em várias áreas: Médica Entretenimento Comunicações Exploração espacial, entre outras
O método de transformadas é uma das técnicas amplamente utilizadas no process. de sinais: Transformadas de Fourier (TF) (LATHI, 1998) Transformada de Fourier com janelamento (TFJ) Transformada wavelet (TW) Transformada wavelet packet (TWP) (KAISER, 1994)
10
TRANSFORMADA WAVELET PACKET Visto que a TWP preserva a informação
temporal e espectral, esta é mais indicada para análise de sinais que variam ao longo do tempo (sinais não estacionários)
Possíveis aplicações: Tornos Prensas Atuadores
Além dos processos médicos: Eletrocardiogramas Análise de sinais de voz Tomografias, entre outros
Processos nãoperiódicos
11
INTELIGÊNCIA ARTIFICIAL Projetar e produzir sistemas que simulem uma atuação
cada vez mais próxima daquela efetuada pelo homem Elaborar o processo de raciocínio em programas de
modo que o computador possa compreender e assimilar conhecimento
Principais características: Aprender e de aplicar o conhecimento adquirido Reagir corretamente frente a uma nova situação Manipular e processar símbolos, sons e imagens Possuir certo grau de criatividade e/ou imaginação Resolver questões quando informações são perdidas
12
PRINCIPAIS TÉCNICAS DE IA Algoritmos genéticos Programação evolutiva Lógica nebulosa Cadeias de Markov Redes neurais artificiais
Mapas auto-organizáveis de Kohonen(mapas temporais de Kohonen) (KOHONEN, 1995)
É possível realizar uma detecção, classificação
e predição de falhas
13
FILTRAGEM ADAPTATIVA Filtro adaptativo é um dispositivo que ajusta sua própria
resposta ao impulso (algoritmos recursivos) (HAYKIN, 2001) Apresentam um bom desempenho em um ambiente
onde as características dos sinais não estão disponíveis Quando o processo é não estacionário e apresenta
pequenas e lentas variações do comportamento, os FA são uma solução atrativa
Mínimos quadrados médio
14
OPERAÇÃO DO SISTEMA Treinamento: geração de dados do modelo, cálculo da
densidade espectral e treinamento da ferramenta de inteligência artificial ou de filtragem adaptativa
Teste: realização das etapas de detecção, classificação ou predição de falhas do atuador elétrico
(Treinamento) (Teste)
15
PRINCIPAIS CONTRIBUIÇÕES Desenvolvimento do modelo matemático do atuador Simulação das principais falhas do atuador (modelo) Ferramenta de processamento de sinais mais
adequada (Regressão Logística) Embarque e prototipação de um sistema de
detecção, classificação e predição de falhas através dos mapas auto-organizáveis (MAO) ou filtros adaptativos (FA)
Determinação da ferramenta (MAO ou FA) mais adequada para o embarque
16
MODELO DO ATUADOR
17
ESTUDO DE CASO Atuador, válvula e tubulação
Válvula gaveta
Atuador CSR25
Motorização de válvulas, dampers, comportas, e equipamentos similares
Controle do fluxo de água,esgoto, ou petróleo
18
MODELO DO ESTUDO DE CASO Dados (normais, de degradação e falha)
Ensaios (real) Simulações (modelo)
Modelagem computacional Definição do modelo
Solução do modelo
Validação do modelo
Nem todas as situações de falhas podem ser ensaiadas sem danos/quebras
Escolha adequada dos princípios físicos, considerações e simplificações tomadas na definição das variáveis e equações que descrevem o sistema
Geralmente atribuída aos métodos numéricos
O tempo e custo necessários para a realização dos ensaios são inviáveis
19
EQUAÇÕES DO MODELO Equações diferenciais
Equações algébricas Equações auxiliares
Escorregamento
Tensões internas
Posição
Velocidade
Forças e torques
Indutâncias
20
SOLUÇÃO DO MODELO Ferramenta que fosse aberta e que permitisse
incluir distintos modelos de válvulas e atuadores Apresentar certa flexibilidade na alteração da
estrutura e modelagem do sistema, permitindo a simulação de qualquer sistema e a análise de vários parâmetros, atuadores e válvulas, bem como de diversas situações
Assim, utilizou-se um simulador de dinâmica de sistemas não-lineares, adaptado de (GONÇALVES, 2004), para simular o modelo, desenvolvido no Matlab
21
SOLUÇÃO DO MODELO Após a definição do modelo e do simulador, foi
feita a inclusão das equações:
Procedimento de solução instantânea que inclui o uso de dois métodos numéricos: Solução das equações diferenciais (Método de Euler) Solução do sistema de equações (Newton-Raphson)
Sistema de equações diferenciais e
algébricas não-lineares
22
INJEÇÃO DE FALHAS É possível realizar simulações de comportamento
normal, de degradação e das principais falhas observadas no conjunto (por exemplo: aumento do atrito)
23
Tipos de simulações de injeção de falhas:
1. Kh - correspondem a falhas observadas no segundo sistema de redução cinemática ( quebra do sem-fim )
2. Km - corresponde à degradação da mola ( elasticidade )
3. Ca - aumento do atrito entre a haste e a gaxeta (por cristalização do fluido)
INJEÇÃO DE FALHAS
Simular uma situação dedegradação até a falha
24
INJEÇÃO DE FALHAS Os dados de simulação gerados a partir
do modelo podem foram divididos em três categorias de comportamento:1. Normal
2. Degradação
3. Falha
Th = 250Nm e a = 100%
Kh =11, Km=4.215 e Ca=16
250 ≤ Th ≤ 275Nm e a ≠ 100%
11 ≤ Kh ≤ 12, 4.215 ≤ Km ≤ 5.215 e 16 ≤Ca ≤ 21
Th = 275Nm e a ≠ 100%
Kh =12, Km=5.215 e Ca=21
25
RESULTADOS DE SIMULAÇÃO
Alteração do torque e posiçãoFalha do tipo 1 (Kh)
26
FERRAMENTAS MATEMÁTICAS
27
ANÁLISE DAS FERRAMENTAS Metodologia para o desenvolvimento de
sistemas de manutenção inteligentes Definição das ferramentas matemáticas
Estatísticas Processamento de sinais Detecção, classificação e predição de falhas
Mais apropriadas para o estudo de caso
28
PROCESSAMENTO DE SINAIS Freqüência do sinal Número de amostras Sinal é estacionário ou não
Ferramentas analisadas Transformada de Fourier (TF) Transformada Wavelet Packet (TWP) Transformada de Fourier com Janelamento (TFJ)
Em virtude do tipo de sinal ou sistema analisado, haverá um tipo de ferramenta de processamento de sinais mais apropriada
Através do método da Regressão Logística
29
PROCESSAMENTO DE SINAIS Método de análise:
Densidadeespectral
RegressãoLogística
Valor de Confiança
Ferramenta de Processamento
de Sinais
Torquee posição
Modelo
Qual é a ferramenta que apresenta o melhor
resultado para o VC?
30
Comportamento Normal
Comportamento Recentemente
Observado
Futuro Estado
REGRESSÃO LOGÍSTICA
Varia de zero a um. Um valor mais elevado indica
um desempenho mais perto do normal
O estado do sistema é analisado conforme a similaridade entre o
comportamento normal e o recentemente observado
Valor de Confiança
31
VALOR DE CONFIANÇA Falha do tipo 1 (Kh)
TWP
32
ANÁLISE DA DENSIDADE ESPECTRAL A energia contida no sinal de torque e posição
foi particionada em termos dos coeficientes de detalhamento e aproximação da TWP:
Variância dos sinais de densidade espectral
Detecção Classificação
Predição
33
DENSIDADE ESPECTRAL
Torque Posição
E E
34
FERRAMENTAS MATEMÁTICAS Método de análise:
Densidadeespectral MAO
e/ouFA
DetecçãoClassificaçãoPredição
Transformada Wavelet Packet
Torquee posição
Modelo
Qual é a ferramenta que apresenta os melhores
resultados?
Treinamento e teste
35
MAPAS AUTO-ORGANIZÁVEIS A inicialização, treinamento e teste dos MAO e MTK O conjunto de dados foi dividido em três grupos, em
função do tipo da tarefa que se desejada realizar: 1. Mapa para detecção
2. Mapa para classificação
3. Mapa para predição
Inicialização e treino: somente dados normais. Na etapa de teste são usados dados normais, degradação e falha
Dados normais, de degradação e de falha são usados nas etapas de inicialização, treinamento e teste dos mapas
Os dados são repassados não um de cada vez, mas sim em lotes, como uma série de dados
36
TESTE DOS MAO Resultados de detecção
E Q
Normal Degradação Falha
0.062
0.048
0.0095
37
TESTE DOS MAO Resultados de classificação
Comportamentos normal, de degradação e de falha (tipo 1)
38
TESTE DOS MTK Resultados de predição
Comportamentos normal, de degradação e de falha (tipo 2)
39
FILTROS ADAPTATIVOS O treinamento e teste dos FA diferem basicamente
quanto aos tipos de conjuntos de dados desejados (d) que são repassados aos FA
O conjunto de dados foi dividido em três grupos, em função do tipo da tarefa que se desejada realizar: 1. Filtro para detecção
2. Filtro para classificação
3. Filtro para predição
Treino: somente dados normais. Na etapa de teste são usados dados normais, de degradação e falha.
Treino: somente dados de falha. Na etapa de teste são usados dados normais, de degradação e falha.
Não há treino. Os dados são repassados não um de cada vez, mas sim em lotes, como uma série de dados
40
TESTE DOS FA Resultados de detecção
Normal Degradação Falha
1.2x10-4
0.23x10-4
0.18x10-4
41
TESTE DOS FA Resultados de classificação
Normal Degradação Falha
1.2x10-4
Falha do tipo 2
42
TESTE DOS FA Resultados de predição: variância
0.00503
Normal Degradação Falha
Falha do tipo 2
43
TEMPO DE VIDA ÚTIL Através do MTK e FA ( resultados de predição) Aplicar diferentes funções de interpolação,
inicialmente, e extrapolação para prever futuros valores da seguinte equação:
Equação de transição de estados
Variável de estado(W – MTK ; y – FA)
Instantes de tempo
44
TEMPO DE VIDA ÚTIL Determinar o instante de tempo onde os valores
das derivadas se alteram de modo significativo:
1ª e 2ª derivadas
Tempo de vida útil
Valor limite
Foram usadas as primeiras amostras de R, tomadas até o instante t, paraefetuar a extrapolação de R até atingir o valor Rl e com isso obter t e Tu
.
´
45
TEMPO DE VIDA ÚTIL Diferentes funções podem ser usadas para a
interpolação e extrapolação de R, tais como: funções racionais, polinomiais e exponenciais, por exemplo
A função que apresentar o menor Tu é escolhida Dentre estas funções, em especial, destaca-se aquelas
utilizadas neste trabalho:
R1
R2
R3
46
TEMPO DE VIDA ÚTIL - MTK
R(t)
t = 120h.
Rl = 0.83
R2
Tu=42h
FalhaTipo 1
t = 162h´
47
TEMPO DE VIDA ÚTIL Comparação dos resultados
R2 - MAO
(menor Tu)
R3 - FA
(menor Tu)
48
SISTEMA EMBARCADO
49
EMBARQUE DAS FERRAMENTAS Desenvolvimento, embarque e prototipação de
um sistema de detecção, classificação e predição de falhas do atuador, voltado para a manutenção proativa
Optou-se por embarcar, em uma placa de circuito impresso, o sistema em um chip para a realização e avaliação das tarefas (tempo real)
Opções: ASIC (processadores dedicados) FPGA (hardwares reconfiguráveis)
Necessário determinar a ferramenta (MAO ou FA) mais adequada para o embarque
ArquiteturaProcessosEstados
50
EMBARQUE DOS MAO As etapas de inicialização e treinamento dos
MAO e MTK foram efetuadas em software A etapa de teste foi realizada em hardware
Neurônios vencedoresDistância Euclidiana
Trajetória dos neurônios vencedoresAtivação temporal
51
EMBARQUE DOS FA As etapas de inicialização e treinamento dos
FA foram efetuadas em software A etapa de teste foi realizada em hardware
Erro de detecção e classificaçãoSaída do filtro adaptativo
Erro de prediçãoAtualização dos coeficientes
52
EMBARQUE DOS MAO
Circuito de detecção Arquitetura
53
EMBARQUE DOS FA
Circuito de predição Arquitetura
54
ENVIO/RECEPÇÃO DADOS Arquitetura de processamento Microblaze
acoplando periféricos ao barramento de dados
Somente para os MAO (início)
Sem SO (atualmente)
55
RESULTADOS DE EMBARQUE Resultados de síntese e mapeamento:
Área
Desempenho
Tempo de Processamento
Potência
Espaço físico ocupado pelos blocos funcionais,dentro do FPGA
Atrasos máximo de chegada e mínimo de saída do pulso de relógio nos
registradores
Tempo necessário para a execução de determinada tarefa
Consumo de corrente do circuito mapeado
56
RESULTADOS DE EMBARQUE Área dos circuitos
FA ocupam menor área
57
RESULTADOS DE EMBARQUE Desempenho dos circuitos:
Não ultrapassou o período mínimo de operação do circuito em nenhum caso
58
RESULTADOS DE EMBARQUE Tempo de processamento dos circuitos:
A válvula leva em torno de 100s para realizar um movimento completo de
abertura ou fechamento
As amostras são tomadas a cada 5s
O tempo de processamento dos circuitos dos FA é menor
59
CONCLUSÕES
60
CONCLUSÕES Resultados (modelagem)
Detecção Classificação Predição de falhas Tempo de vida útil
Resultados (prototipação) Área ocupada no FPGA Tempo de processamento Desempenho dos circuitos
MAO e FA apresentam
bons resultados
FA – menor área e
melhor desempenho
MAO – R2 ; FA – R3
MAO (melhor classificação)
61
CONTRIBUIÇÕES Modelo matemático (sistema de equações) Simulação das falhas que ocorrem no conjunto Determinação da ferramenta de processamento
de sinais mais adequada para o estudo de caso Embarque e prototipação de um sistema de
detecção, classificação e predição de falhas Determinação da ferramenta (MAO ou FA) mais
adequada para o embarque
Voltados para a manutenção proativa
62
PUBLICAÇÕES GONÇALVES, L. F. ; LAZZARETTI, E. P. ; LUBASZEWSKI, M. S. ;
PEREIRA, C. E. ; HENRIQUES, R. V. B. ; LEE, J. ; Development of an Intelligent Maintenance System for Electronic Valves. 19th International Congress of Mechanical Engineering (COBEM), Brasília, 2007.
GONÇALVES, L. F. ; BOSA, J. L. ; LUBASZEWSKI, M. S. ; PEREIRA, C. E. ; HENRIQUES, R. V. B. ; Um Método de Classificação de Falhas em Atuadores Elétricos. XVII Congresso Brasileiro de Automática (CBA), Juiz de Fora, 2008.
GONÇALVES, L. F. ; BOSA, J. L. ; LUBASZEWSKI, M. S. ; HENRIQUES, R. V. B.; Design of an Embedded System for the Proactive Maintenance of Electrical Valves. 22nd Symposium on Integrated Circuits and Systems Design (SBCCI), Natal, 2009.
63
PUBLICAÇÕES GONÇALVES, L. F.; SCHNEIDER, E. L.; BOSA, J. L.; ENGEL, P.
M.; HENRIQUES, R. V. B.; LUBASZEWSKI, M. S. Fault Prediction in Electrical Valves Using Temporal Kohonen Maps. 11 Latin-American Test Workshop (LATW), Punta Del Este, Uruguai, 28 a 31 de Março, 2010.
GONÇALVES, L. F.; BOSA, J. L.; BALEN, T. R.; LUBASZEWSKI, M. S.; SCHNEIDER, E. L.; HENRIQUES, R. V.; Fault Detection, Diagnosis and Prediction in Electrical Valves Using Self-Organizing Maps. Journal of Electronic Testing, Springer, v.28, 2011.
64
PUBLICAÇÕES (CO-AUTOR) BORGES, G. M.; GONÇALVES, L. F.; Balen, T. R.; Lubaszewski,
M. S. Evaluating the Effectiveness of a Mixed-Signal TMR Scheme Based on Design Diversity. 23rd Annual Symposium on Integrated Circuits and Systems Design: Chip in Sampa (SBCCI), São Paulo, SP, 6 a 9 de Setembro, 2010.
BORGES, G. M.; GONÇALVES, L. F.; BALEN, T. R.; LUBASZEWSKI, M. S. Increasing Reliability of Programmable Mixed-Signal Systems by Applying Desing Diversity Redundancy. 15 IEEE European Test Symposium (ETS), Praga, República Checa, 24 a 28 de Maio, 2010.
Borges, G. M.; Gonçalves, L. F.; Balen, T. R.; Lubaszewski, M. S. Diversity TMR: Proof of Concept in a Mixed-Signal Case. 11 Latin-American Test Workshop (LATW), Punta Del Este, Uruguai, 28 a 31 de Março, 2010
65
AGRADECIMENTOS Prof. Dr. Marcelo Soares Lubaszewski Prof. Dr. Altamiro A. Susin e Gilson I. Wirth Lab. de Processamento de Sinais e Imagens Laboratório de Prototipação e Teste (LaProT) Instituto de Informática, PPGC e PGMicro Prof. Dr. Renato e Carlos Eduardo Pereira (PPGEE) Empresas Coester Automação S.A. e Petrobrás S.A Industry and University Cooperative Research Center
on Intelligent Maintenance Systems (IMS - Center) CNPq, Departamento de Eng. Elétrica e UFRGS