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

66

Muito obrigado!

luizfg@ece.ufrgs.br