BR102016023297A2

BR102016023297A2 - Método para monitoramento e diagnóstico de modos de falha de equipamentos em usinas hidrelétricas baseado em sistema especialista

Info

Publication number: BR102016023297A2
Application number: BR102016023297-0A
Authority: BR
Inventors: José Álvares Alberto; Ribeiro Gudwin Ricardo; Araújo Lima Antônio
Original assignee: Centrais Elétricas Do Norte Do Brasil S/A
Priority date: 2016-10-06
Filing date: 2016-10-06
Publication date: 2018-05-02

Abstract

método para monitoramento e diagnóstico de modos de falha de equipamentos em usinas hidrelétricas baseado em sistema especialista. a presente invenção refere-se a um método para monitoramento e diagnóstico dos modos de falha/defeito de equipamentos baseado em sistema especialista (máquina de inferência) com processamento de uma base de conhecimento de modos de falha e tomada de decisão modelada usando fmea (failure mode and effects analysis) de processo e históricos de falhas (modos de falhas modelados via distribuição de weibull) e modelando esta base de conhecimento de modos de falha e tomada de decisão através de regras de produção (se/então) com encadeamento pra frente e regras fuzzy (lógica difusa).

Description

(54) Título: MÉTODO PARA

MONITORAMENTO E DIAGNÓSTICO DE MODOS DE FALHA DE EQUIPAMENTOS EM USINAS HIDRELÉTRICAS BASEADO EM SISTEMA ESPECIALISTA (51) Int. Cl.: G06Q 50/06; G06Q 10/00; G06N 99/00 (52) CPC: G06Q 50/06,G06Q 10/20,G06N 99/005 (73) Titular(es): CENTRAIS ELÉTRICAS DO NORTE DO BRASIL S/A (72) Inventor(es): ALBERTO JOSÉ ÁLVARES; RICARDO RIBEIRO GUDWIN; ANTÔNIO ARAÚJO LIMA (74) Procurador(es): JOAQUIM PINHEIRO DE OLIVEIRA NETO (57) Resumo: Método Para Monitoramento e Diagnóstico De Modos De Falha De Equipamentos em Usinas Hidrelétricas Baseado em Sistema Especialista. A presente invenção refere-se a um método para monitoramento e diagnóstico dos modos de falha/defeito de equipamentos baseado em Sistema Especialista (máquina de inferência) com processamento de uma base de conhecimento de modos de falha e tomada de decisão modelada usando FM EA (Failure Mode and Effects Analysis) de processo e históricos de falhas (modos de falhas modelados via distribuição de Weibull) e modelando esta base de conhecimento de Modos de Falha e Tomada de Decisão através de Regras de Produção (se/então) com encadeamento pra frente e Regras Fuzzy (Lógica Difusa).

1/19 “Método Para Monitoramento e Diagnóstico De Modos De Falha De Equipamentos em Usinas Hidrelétricas Baseado em Sistema Especialista” [001] A presente invenção refere-se a um método para monitoramento e diagnóstico dos modos de falha/defeito de equipamentos baseado em Sistema Especialista (máquina de inferência) com processamento de uma base de conhecimento de modos de falha e tomada de decisão modelada usando FMEA (Failure Mode and Effects Analysis) de processo e históricos de falhas (modos de falhas modelados via distribuição de Weibull) e modelando esta base de conhecimento de Modos de Falha e Tomada de Decisão.

[002] As grandezas monitoradas associadas aos equipamentos em usinas hidrelétricas são de qualquer natureza digital (0/1, ligado/desligado, etc.) e/ou analógica (temperatura, vibração, pressão, corrente, tensão, densidade, vazão, etc.) sendo obtidas, publicadas e processadas através do protocolo OPC (OLE For Process Control), Modbus, IEC 60870, IEC 61850, SQL, entre outros, em uma arquitetura cliente/servidor via rede Ethernet e protocolos TCP/IP e HTTP/Web. A arquitetura da base de conhecimento é composta por sete camadas de processamento usando regras de produção e regras fuzzy, sendo baseado no modelo OSA-CBM (Open System Architecture for Condition Based Maintenance) teno em cada camada o processamento de dados em formato de regras de produção e/ou regras fuzzy, sendo as sete camadas designadas por: aquisição de dados; processamento de sinal; monitoramento de condição; avaliação de saúde; avaliação de prognóstico; tomada de decisão; e apresentação.

[003] Em uma ampla análise da literatura com o intuito de estabelecer o estado da técnica vigente frente a metodologia e diagnostico de modos de falhas em hidrogeradores Não foi identificada nenhuma patente no Brasil ou exterior associada a solução e arquitetura em questão. Foi consultado o banco de patentes do INPI, Espacenet, entre outros e nenhum método e sistema correlato foi identificado com as

8/60

2/19 características do método e sistema proposto. Os documentos de Patentes demonstrados a seguir não são impeditivos frente ao presente pedido de patente.

[004] O uso de outra técnica para monitoramento e diagnóstico de falhas é apresentado na PI0604708 (SISTEMA PARA O MONITORAMENTO E O DIAGNÓSTICO REMOTO AUTOMÁTICO BEM COMO UM MÉTODO DE COMUNICAÇÃO ENTRE UMA CONTROLADORA LÓGICA PROGRAMÁVEL E UMA UNIDADE CENTRAL), mas não usa de fato uma máquina de inferência de Sistema Especialista baseada em Lógica Fuzzy, usa “gráficos Bayesianos, procedimentos, conjunto de regras especialistas, bancos de dados causais ou de árvore de decisão, e outros bancos de dados”.

[005] Outro pedido de patente associado é o PI0304001 (DIAGNÓSTICO

EMPREGANDO INFORMAÇÃO ESPECÍFICA PARA UM SUBSISTEMA) que descreve um método de diagnóstico baseado na técnica de Raciocínio Baseado em Casos.

[006] O pedido de patente PI09002235 (SISTEMA REMOTO PARA

MONITORAMENTO E MANUTENÇÃO PREDITIVA DE MÁQUINAS E EQUIPAMENTOS) apresenta um sistema para monitoramento, diagnóstico e manutenção preditiva do comportamento de máquinas e equipamentos através de uma ou mais grandezas físicas (vibração, ruído, temperatura, entre outras) utilizando algoritmos baseados em Redes Neurais Artificiais.

[007] O pedido de patente PI0302726 (SISTEMA DE PREDIÇÃO DE

FALHAS PARA MANUTENÇÃO DE MOTORES DE INDUÇÃO TRIFÁSICOS) refere-se a um sistema de predição de falhas em motores trifásicos utilizando medições e análise do espectro da corrente elétrica.

[008] Já o pedido de patente PI0203292 (DETETOR DE DEFEITOS DAS

MÁQUINAS ROTATIVAS) faz referência a um sistema de diagnóstico utilizando ruído sonoro como base de dados para predição e um algoritmo específico.

[009] Um equipamento pode ser decomposto em partes, como componente, dispositivo, subsistema, unidade funcional ou sistema que possa ser considerado individualmente, o qual possui características de função requerida, modo de funcionamento, disponibilidade, confiabilidade, mantenabilidade, vida útil; assim sendo,

9/60

3/19 equipamentos elétricos/mecânicos/eletromecânicos/mecatrônicos podem experimentar, no decorrer do seu funcionamento, defeitos, falhas e panes que por sua vez podem ser mitigados total ou parcialmente através de programas de manutenção corretiva, manutenção preventiva, manutenção preditiva, entre outras políticas de manutenção segundo a NBR-5462.

[010] Dentre as políticas de manutenção, que contribuíram de forma qualitativa à metodologia proposta, encontra-se a Manutenção Baseada em Condição (MBC), também denominada de Manutenção Preditiva, que pode ser definida como um processo cujo foco está centrado na detecção/coleta de informações e dados que definem o estado de um equipamento em particular, segundo a ISO-13372. Por outro lado temos a Manutenção Centrada na Confiabilidade (MCC) que pode ser definida como um processo usado para determinar os requerimentos de manutenção de qualquer ativo físico (equipamento) no seu contexto de operação usando técnicas de Engenharia de Confiabilidade. Assim a MCC usa ferramentas de confiabilidade como a tabela FMEA (Failure Mode and Effects Analysis), Análise dos modos e efeitos de falhas, e a modelagem dos modos de falhas baseado na distribuição Weibull (Curva da Banheira) pra análise de dados de vida do equipamento.

[011] No contexto específico de geração de energia hidrelétrica, uma usina, pode ser considerada como uma instalação de grande porte na qual a energia elétrica é obtida por conversão da energia gravitacional da água proveniente geralmente de rios NBR-5460. Uma usina hidrelétrica possui, segundo a sua capacidade de geração de energia elétrica, um conjunto de Unidades Geradoras Hidráulicas (UGHs) as quais tem equipamentos de diferentes naturezas (elétrica, mecânica ou eletromecânica) tais como: Geradores Elétricos, Turbinas Hidráulicas, Reguladores de Velocidades, Mancais, entre outros. Dependendo das políticas de manutenção e operação de cada usina hidrelétrica, esses equipamentos, de modo geral, são hierarquizados em sistemas, subsistemas e componentes. O mesmo ocorre na geração via energia eólica e térmica, bem como na transmissão e distribuição da energia.

[012] Devido à diversidade e complexidade de equipamentos, os quais estão inseridos nas diversas fases de geração, transmissão e distribuição de energia elétrica, as áreas de manutenção e operação em usinas hidrelétricas, eólicas ou térmicas, têm a

10/60

4/19 necessidade de integrar em seus sistemas de monitoramento e supervisão de processos, sistemas computacionais o suficientemente eficientes para detecção, diagnóstico e prognóstico de falhas e/ou defeitos nesses equipamentos de geração/transmissão/ distribuição de energia elétrica, com o intuito de auxiliar a tomada rápida de decisões no que diz respeito ao tipo de atividades operacionais de manutenção a executar para mitigar parcial o totalmente a falha presente em algum equipamento em estado anormal. [013] O processo de diagnóstico pode ser definido como o tratamento, por parte do especialista, dos sintomas que experimenta um equipamento para determinar a natureza da falha ou defeito, enquanto que, o processo de prognóstico está relacionado à análise dos sintomas das falhas para predizer uma condição e tempo de vida útil restante do equipamento. Por outro lado, entenda-se defeito como a condição que se origina em um equipamento quando um dos seus componentes eletrônicos ou partes de mecânicas sofreram alguma degradação ou apresentam algum comportamento anormal, o que pode levar o equipamento a uma condição de falha; em contraste, o conceito de falha está relacionado ao término da habilidade de um equipamento em desempenhar sua função requerida (ISSO-13372).

[014] Na medida em que o problema de pesquisa vai ganhando ressonância, na literatura científica vão se acrescentando novos paradigmas emergentes, como uma tentativa de abordar de forma mais produtiva o problema de diagnóstico e/ou prognóstico de falhas/defeitos em equipamentos elétricos, mecânicos ou eletromecânicos de modo geral, independentemente do contexto de aplicação, desde um nível mais empresarial. Além disso, nasce também um conjunto de padrões industriais no contexto de manutenção de ativos físico ou equipamentos como a PAS 55 (ISO 55000 - Asset Management Standard), que define a necessidade de um plano estratégico global de manutenção que descreva a visão, políticas, objetivos e estratégias organizacionais.

[015] Dentre os mais destacados paradigmas emergentes temos a emaintenance (manutenção eletrônica) que é definida como parte da gestão da manutenção, onde as máquinas são monitoradas e gerenciadas pela internet. Por outro lado a PHM (Prognostic Healt Management) ou Gestão do Prognóstico da Saúde do equipamento (ativo físico) é considerada como uma técnica de engenharia e tecnologia

11/60

5/19 que pode ser usada para dar suporte à MBC. Por último o padrão OSA-CBM (Open System Architecture for Condition Based Maintenance') ou Arquitetura de um Sistema Aberto para Manutenção Baseada em Condição, a qual especifica uma arquitetura padrão baseada em camadas (aquisição de dados, processamento de sinal, monitoramento de condição, avaliação de saúde, avaliação de prognóstico, tomada de decisão e apresentação) para a implementação de sistemas MBC. Vale mencionar que a estrutura da base de conhecimento gerada a partir da metodologia segue esse padrão. [016] O estado da arte associado ao problema atacado neste método e sistema proposto e implantado, na Usina de Coaracy Nunes operada pela Eletronorte, começou a ser tratado pelo meio acadêmico com maior intensidade com o surgimento dos computadores pessoais em especial a partir de 1980, tendo iniciado várias pesquisas que tentaram relacionar conceitos da teoria de decisão com técnicas de IA (Inteligência Artificial) e sistemas especialistas para abordar basicamente o problema de representação do conhecimento especialista. Posteriormente percebeu-se uma tendência, no decorrer dos anos 80, de aplicações de sistemas especialistas em sistemas elétricos de potência, abordando diversos problemas como diagnóstico, prognóstico e controle, devido basicamente às suas vantagens de flexibilidade, entendimento, universalidade e rapidez como sintetizado.

[017] No começo dos anos 90, durante os 5 primeiros anos, deu-se uma peculiar ênfase na aplicação da teoria da lógica difusa e redes neurais artificiais em sistemas de potência abordando o problema de detecção de falhas em equipamentos, salientando a avalição da segurança em sistemas elétricos. Além do surgimento de alguns tutoriais substanciais publicados em revista relatando as principais características promissórias do uso de sistemas de lógica difusa em aplicações de engenharia.

[018] Na metade dos anos 90, surgiu uma maior ênfase, no que diz respeito à contextualização, de técnicas de IA (teoria de conjuntos difusos, redes neurais e sistemas especialistas, data mining) aplicadas à sistemas elétricos de potência, salientando suas potencialidades de aplicação em problemas relacionados ao controle em tempo real, operações, planejamento de operações e planejamento através do uso de sistemas especialistas, redes neurais artificiais, teoria de conjuntos difusos e busca heurística, salientando principalmente suas principais vantagens e desvantagens, além

12/60

6/19 de possíveis abordagens dessas técnicas de IA no diagnóstico de falhas em transformadores de sistemas de potência.

[019] No decorrer do ano 2000 até 2005, cresceu o número de trabalhos procurando estabelecer as diretrizes para a utilização de sistemas especialistas, lógica difusa e redes neurais em aplicações industriais, abordando basicamente os problemas de representação, aquisição e processamento do conhecimento, além de elaborar um exaustivo levantamento relacionando as principais metodologias na literatura e ainda sugerir possíveis integrações de conceitos de sistemas especialistas e lógica difusa com outras ciências, como as ciências cognitivas, psicologia e comportamento humano com o objetivo de atingir um sistema de inferência o mais próximo ao raciocínio humano. Por outro lado, trabalhos de revisão de literatura relacionando técnicas de monitoramento de condição de equipamentos elétricos e abordagens de IA para resolver problemas relacionados ao diagnóstico e prognóstico de falhas em sistemas elétricos de potência são encontradas nesse espectro de tempo.

[020] Já a partir do ano 2006 até 2010 surgiram alguns artigos de pesquisa que relacionavam a metodologia de MBC com técnicas de IA com o objetivo de abordar problemas relacionados a representação do conhecimento técnico lidando com características como inconsistência, redundância e falta de informações contidas nesse conhecimento, em um contexto de usinas hidrelétricas. No decorrer dos anos 2008, 2009, 2010 e 2011, buscaram-se novos horizontes de aplicação para a lógica difusa e sistemas especialistas. Em particular, salientou-se um esforço na procura do seu uso com outras metodologias como MCC, MBC, FMEA como o objetivo de abordar problemas de diagnóstico, prognóstico, monitoramento da condição, ótimo planejamento de manutenção, vida útil restante de equipamentos, segurança e integridade através do desenvolvimento de sistemas inteligentes de auxílio à tomada de decisão.

[021] Por fim, nos últimos três anos, consolidou-se a produção científica voltada ao diagnóstico de falhas em transformadores de potência usando a lógica difusa e sistemas especialistas, além de técnicas específicas para detecção de falhas em transformadores (como a análise de gás dissolvido) foram desenvolvidos na literatura. Assim, percebe-se toda uma trajetória notável envolvendo pesquisa relacionada à lógica

13/60

7/19 difusa aliada a outras técnicas de IA e metodologias de manutenção abordando o problema em questão.

[022] O método e sistema concebidos serão aplicados na geração e transmissão de energia, ou seja, o método é genérico e as bases de conhecimento desenvolvidas pro sistema baseadas em regras de produção e regras fuzzy são específicas pra geração de energia em hidrelétrica.

[023] O depósito de patente tem como relevância estratégica a disponibilização de um método e sistema para monitoramento e diagnóstico dos modos de falha/defeito de equipamentos baseado em Sistema Especialista (máquina de inferência) com processamento de uma base de conhecimento de modos de falha e tomada de decisão modelada usando FMEA (Failure Mode and Effects Analysis) de processo e históricos de falhas (modos de falhas modelados via distribuição de Weibull) e modelando esta base de conhecimento de Modos de Falha e Tomada de Decisão através de Regras de Produção (se/então) com encadeamento pra frente e Regras Fuzzy (Lógica Difusa).

[024] As principais inovações deste depósito de patente associadas as contribuições e reivindicações deste método ao estado da arte em diagnóstico de falhas/defeitos de equipamentos são as seguintes:

S uma metodologia genérica, independente do contexto de aplicação, para geração de uma lista de diagnóstico de defeitos/falhas além de um conjunto de atividades operacionais de manutenção/operação para mitigação desses defeitos/falhas em equipamentos usando uma arquitetura cliente-servidor via Internet;

S o uso diferenciado de conceitos da lógica difusa (conjuntos difusos) para representar e lidar com a incerteza contida nas informações provenientes dos operadores e mantenedores, realizadas através de entrevistas que se valem da tabela FMEA, no que diz respeito ao diagnóstico de defeitos/falhas baseados nas condições do equipamento que experimenta algum comportamento anormal seguindo a filosofia da MBC;

S a concepção e implementação computacional de uma base de conhecimento baseada em regras de produção e em regras difusas/fuzzy desenvolvidas em linguagem Clips (C Language Integrated Production System) e FuzzyClips,

14/60

8/19 respectivamente, utilizando as plataformas Jess e FuzzyJess; e seguindo a estrutura do padrão OSA-CBM para construção desta base de conhecimento em camadas.

[025] O método proposto é apresentado nas FIGURAS 1, 2, 3, 4 e 5 sendo dividido em 21 fases:

1) Entender e levantar a árvore de equipamentos (FIGURA 6);

2) Para cada equipamento levantar os dados associados ao histórico de falhas (FIGURAS 7 e 8);

3) Identificar as funções de cada equipamento (FIGURAS 9 e 10);

4) Associar para cada função do equipamento seus modos de falha (FIGURAS 9 e 10);

5) Construir o FMEA de processo pra cada equipamento (FIGURAS 9 e 10);

6) Análise de dados de vida a partir do histórico de falhas e do modelo baseado na distribuição de probabilidade Weibull;

7) Criar um código de Falha pra cada modo de falha identificado;

8) Identificar as grandezas monitoradas (Tags analógicas e digitais) pelo sistema supervisório e pela instrumentação on-line de off-line de apoio às atividades de operação e manutenção;

9) Identificar as faixas de Operação, Alarmes e Trip de cada Tag em cada equipamento monitorado, por exemplo: temperatura, pressão, vibração, densidade, tensão, corrente, potência ativa, potência reativa, entre outros;

10) Entrevistar os operadores e mantenedores mais experientes de cada equipamento/subsistema/sistema visando a captura do seu conhecimento associado ao diagnóstico de modos de falha, tanto na visão de manutenção quanto de operação;

11) Modelar a Base de Conhecimento de Regras Fuzzy (FIGURAS 11 e 12) a partir do conhecimento capturado pelas entrevistas, do levantamento do FMEA de processo ou de projeto (se existir), das camadas OSA-CBM, da instrumentação disponível pro monitoramento e do modelo de dados de análise de vida baseado em Weibull;

12) Modelar a Base de Conhecimento de Regras de Produção Se/Então (FIGURA 11) a partir do conhecimento capturado pelas entrevistas, do

15/60

9/19 levantamento do FMEA de processo ou de projeto (se existir), das camadas OSA-CBM, da instrumentação disponível pro monitoramento e do modelo de dados de análise de vida baseado em Weibull;

13) Implementar pra cada código de falha uma Tomada de Decisão identificando a causa da falha e o que deve ser feito pra restabelecer o equipamento eliminando o modo de falha;

14) Criar um arquivo denominado ArquivoDeFalhas contendo todos os códigos de Falha e seu detalhamento;

15) Criar arquivo denominado ArquivoDeTomadaDeDecisão associando pra cada código de Falha uma tomada de decisão;

16) Codificar estas regras em linguagem Clips e FuzzyClips;

17) Implantar estas regras no sistema com máquina de inferência de Sistemas especialista de uso genérico baseado no kernel Jess e FuzzyJess em plataforma Java denominado por SIMPO (Sistema Inteligente de Manutenção Preditiva e Operação);

18) O sistema SIMPO (Modelar a Base de Conhecimento de Regras Fuzzy a partir do conhecimento capturado pelas entrevistas, do levantamento do FMEA de processo ou de projeto (se existir), das camadas OSA-CBM, da instrumentação disponível pro monitoramento e do modelo de dados de análise de vida baseado em Weibull;

19) O sistema SIMPO tem três modos distintos de operação: On-line (obtendo as Tags e armazenando-as em banco de dados SQL e a seguir dispara as regras on-line monitorando a planta/processo e fazendo os diagnósticos associados as falhas mapeadas), Playback (dispara as regras a partir de dados históricos de valores de Tags que o modo on-line armazena em banco de dados SQL), Simulado (dispara as regras de forma manual mudando os valores das Tags em uma planilha, simulando e testando regras);

20) Avaliação das tomadas de decisão do sistema especialista através de índices chaves de desempenho (KPI);

21) Criação de novas regras a partir do aprendizado obtido voltando para a Fase (5), para novo ciclo de Engenharia do Conhecimento.

16/60

10/19 [026] A estruturação da base de conhecimento (base de regras de produção e fuzzy) segue a estrutura das camadas do padrão OSA-CBM, ou seja, Processamento de Sinal, Monitoramento da Condição, Avaliação da Saúde, Tomada de Decisão e Apresentação dos resultado em um Interface Gráfica, sinótico, no lado do cliente.

[027] A arquitetura conceitual do sistema (FIGURAS 1 e 3) divide o sistema em duas aplicações claramente diferenciadas: a aplicação servidor e a aplicação cliente. Tais aplicações estão conectadas entre si mediante uma rede de comunicação através da qual compartilham informações via canais de comunicação (sockets TCP/IP). O servidor é responsável pelo processamento das seis primeiras camadas do modelo OSACBM (FIGURAS 2 e 3), ou seja, captura de dados e processamento inteligente (que inclui processamento de sinal, monitoração de condição, diagnóstico, prognóstico e tomada de decisão). O cliente é responsável pela camada de apresentação, isto é, por apresentar os resultados do processamento inteligente ao usuário através de uma interface gráfica. As seções subsequentes apresentam as contribuições de cada camada do modelo OSA-CBM à metodologia proposta (FIGURAS 2 e 3).

[028] Aquisição de Dados: O módulo de aquisição de dados, aplicado à metodologia proposta, consiste no recolhimento de informações do processo de forma padronizada e interoperável, isto é, a obtenção de dados deve ser independente dos fabricantes de dispositivos de campo. Informações adicionais do processo podem ser obtidas a partir de bancos de dados. Para tanto, é importante que estes bancos estejam constantemente atualizados.

[029] Processamento de sinal: Na camada de processamento de sinal é avaliada a qualidade e confiabilidade do sinal recebido. São realizadas análises das informações obtidas da camada de aquisição de dados, além de testes de conectividade entre o sistema desenvolvido e a rede de instrumentação. Estas análises relacionadas à qualidade do sinal são processadas pelas regras de produção do sistema especialista e conduzidas às camadas subseqüentes do modelo OSA-CBM.

[030] Monitoração de condição: Basicamente, a camada de monitoração de condição recebe os dados provenientes da camada de processamento de sinal e os compara com valores previamente estabelecidos de modo a atribuir às variáveis monitoradas uma condição específica. Os valores previamente estabelecidos são faixas

17/60

11/19 de operação previamente especificadas pelo fabricante ou pelas condições operacionais do sistema.

[031] Avaliação de saúde (Diagnóstico): Analisando-se as condições específicas de cada variável monitorada é possível estabelecer correlações e inferências entre as diferentes variáveis e detectar eventuais anormalidades nos equipamentos ou em seus sistemas auxiliares. A camada de avaliação de saúde trata da identificação e diagnóstico de defeitos incipientes ou falhas repentinas nos equipamentos a partir das informações recebidas da camada de monitoração de condição.

[032] As relações entre as condições de operação das variáveis monitoradas e as falhas provocadas por anormalidades nos equipamentos são estabelecidas a partir de um estudo sistemático de todas as falhas conhecidas bem como de suas causas e efeitos. Segundo a metodologia proposta, este estudo deve ser realizado utilizando-se a ferramenta FMEA (Failure Mode and Effects Analysis). De acordo com a abordagem do FMEA (FIGURAS 9 e 10), deve-se desenvolver uma descrição de cada equipamento e de suas funções, e, para cada função, identificar os possíveis modos de falha, seus efeitos e suas prováveis causas. Este é um trabalho que deve ser realizado junto à equipe de operação e manutenção da planta industrial por meio de reuniões, entrevistas, análises de documentos e visitas técnicas para conhecer detalhadamente os equipamentos.

[033] A partir da análise FMEA são desenvolvidas regras de produção e regras fuzzy relacionando as grandezas físicas monitoradas a diagnósticos de falha (FIGURAS 11, 12 e 17). Além disso, devem ser estabelecidos fatores de criticidade para as falhas diagnosticadas, agregando assim informações sobre os riscos oferecidos por cada falha potencial.

[034] Prognóstico: Obtidos os diagnósticos de falhas potenciais e informações sobre os riscos potenciais associados a cada falha, a metodologia em estudo propõe estabelecer prognósticos para estas falhas. O prognóstico trata da previsão de falhas objetivando determinar o momento em que uma falha provavelmente irá ocorrer. As técnicas de prognóstico são baseadas na teoria da decisão aplicada à Manutenção Centrada na Confiabilidade (através de métricas de taxas de falha, tempo médio entre falhas, confiabilidade, disponibilidade, tempos de reparo, entre outras) para estimar

18/60

12/19 quando uma falha provavelmente irá ocorrer segundo certas condições e decidir o instante de realização da manutenção. Neste caso, tanto os dados de operação ao longo de uma campanha como os dados de eventos no mesmo período, devem ser coletados e devidamente armazenados para que possam ser derivados os modelos de previsão de falhas. A metodologia em estudo, portanto, preconiza que os sistemas sejam dotados da capacidade de armazenar automaticamente em banco de dados todas as ocorrências de falhas funcionais e defeitos (falhas potenciais), bem como os valores, de tempos em tempos, das grandezas físicas monitoradas.

[035] A aplicação das técnicas de previsão de falhas requer o desenvolvimento de modelos matemáticos que representem o comportamento estatístico dos modos de falha dos equipamentos. Os modelos devem ser capazes de simular a influência das diversas atividades de manutenção sobre os mecanismos de falhas e sobre as funções da instalação.

[036] Tomada de decisão: A tomada de decisão consiste em definir especificamente a atividade de manutenção que necessita ser realizada (baseando-se no diagnóstico de falha) e o período ideal para a realização da atividade (baseando-se no prognóstico). As regras de produção e as regras fuzzy do sistema especialista geram diagnósticos de falhas potenciais ou funcionais eventualmente detectadas (FIGURAS 11, 12 e 17). Cada diagnóstico produzido é armazenado em um banco de dados e relacionado a uma determinada tomada de decisão. As tomadas de decisão advêm de uma continuação da análise FMEA e consiste em, uma vez identificados os modos de falha, suas causas e efeitos, estabelecer procedimentos padronizados para eliminar ou impedir cada falha funcional. Tais decisões são apresentadas pelo sistema inteligente como sugestões de ordens de serviço de manutenção, e podem ser acatadas ou não pela equipe de manutenção.

[037] Apresentação: A camada de apresentação, última camada do modelo

OSA-CBM, é responsável pela interface com o usuário , apresentando ao mesmo uma série de informações provenientes de todas as outras camadas do modelo de referência. A camada de apresentação deve ser desenvolvida para ser acessada via web. Esta camada consiste num sistema supervisório dotado telas de sinótico cujas funcionalidades são listadas a seguir:

19/60

13/19

X Monitoração online de todas as condições operacionais da planta. O sinótico recebe, em tempo real, dados das variáveis do processo obtidas na camada de aquisição de dados, além de informações sobre a qualidade do sinal recebido através da camada de processamento de sinal, e as apresenta ao usuário;

X Visualização gráfica das variáveis monitoradas: O supervisório desenvolvido deve ser capaz de gerar gráficos os quais amostram a evolução do valor das variáveis, ou Tags, monitoradas. A amostragem dos dados pode ser tanto em tempo real, a partir de dados obtidos diretamente dos dispositivos de campo a cada instante, quanto histórica, a partir da recuperação de dados armazenados no banco de dados;

X Diagnóstico dos equipamentos: O diagnóstico proveniente da camada de avaliação de saúde, gerado pelas regras de produção, deve ser transferido às telas do sinótico para que seja visualizado pelos usuários do sistema;

X Sinalização de alarmes: identificando alguma falha potencial ou funcional. A sinalização deve ser feita por meio de animações visuais, permitindo ao operador usuário do sistema identificar imediatamente a ocorrência de uma falha potencial ou funcional;

X Sugestões de ações de manutenção: Além de diagnosticar falhas, o sinótico deve apresentar sugestões de ações de reparo ou de prevenção das falhas identificadas. Estas sugestões, provenientes da camada de tomada de decisão, devem ser transmitidas aos campos textuais do supervisório por meio de conexões com o banco de dados;

X Visualização do FMEA atualizado a cada ocorrência de falha: A análise FMEA dos equipamentos, gerada para a elaboração da base de conhecimento do sistema, deve ser apresentada ao usuário e atualizada dinamicamente a cada nova ocorrência de falha, de modo que o índice de ocorrência e o número de prioridade de risco (NPR) associado a cada falha possam ser recalculados e atualizados;

X Visualização de indicadores de desempenho: Os KPIs (key Performance Indicators) calculados na camada de prognóstico do modelo OSA-CBM e direcionados para avaliação das atividades de manutenção centrada em confiabilidade devem ser mostrados ao usuário na camada de apresentação. Estes KPIs são: tempo médio para falha (MTTF), tempo médio para defeito (MTTD), confiabilidade (R),

20/60

14/19 disponibilidade (D), entre outros.

[038] A FIGURA 5 apresenta um diagrama esquemático do fluxo de informações entre as camadas do modelo OSA-CBM, objetivando esclarecer melhor as bases da metodologia apresentada.

[039] Para uma melhor visualização do método, uma estrutura, em diagrama de blocos, apresentando o fluxo das suas informações é mostrada na FIGURA 1, onde a região (1) apresenta os blocos conceituais do método, enquanto que a região (2) reflete a interação do sistema SIMPO, instalado em um computador, através de uma interface homem-máquina (GUI), desenvolvida usando a tecnologia Web/PHP/Java, com o pessoal técnico (operador/mantenedor). A FIGURA 4 apresenta uma síntese da sequencia de atividades executadas pelo método proposto, iniciando com a coleta de dados e finalizando com o diagnóstico usando uma abordagem baseada em sistema especialista com base de conhecimento com regras de produção e regras fuzzy.

[040] Como em qualquer sistema elétrico de potência, em seus processos industriais, existem equipamentos hierarquizados segundo características técnicas de geração, segurança, qualidade, e normas internas de manutenção e operação que variam em cada usina hidrelétrica. A FIGURA 6 apresenta a hierarquia de equipamentos para o Sistema do Gerador Elétrico (SGE), mostrando apenas uma parte associada ao Sistema de Resfriamento do Gerador Elétrico (SRGE).

[041] Tendo presente uma hierarquia de equipamentos completa, para um sistema em particular (FIGURA 6) pode-se mapear um histórico de falhas para um sistema em estudo, através do uso da tabela FMEA de processo (FIGURAS 9 e 10). A FIGURA 10 exemplifica-se um exemplo para fins ilustrativos, das entrevistas feitas sobre o SRGE. O método de preenchimento da tabela FMEA é simples: primeiro estabelece-se a hierarquia do sistema em estudo (FIGURA 6), segundo, faz-se um levantamento, através de entrevistas aos especialistas (mantenedores/operadores) relacionando o componente em estudo com seu histórico de falhas (identificando o seu modo-efeito-causa) complementado com a análise de vida baseado em Weibull (FIGURAS 7 e 8) e a tomada de decisão para mitigar parcialmente ou totalmente dita falha. Cabe ressaltar que para novas falhas mapeadas pelos especialistas, para um equipamento em particular, a tabela FMEA (FIGURAS 9 e 10) deve ser atualizada.

21/60

15/19 [042] Uma vez estruturado o conhecimento técnico, usando a tabela FMEA de processo (FIGURAS 9 e 10), para todos os equipamentos que compõem, por exemplo, as Unidades Geradoras Hidráulicas em relação ao seu histórico de falha/defeito e atividades operacionais de manutenção/operação associadas, a fase seguinte é codificar esse conhecimento através de um sistema baseado em regras de produção e regras fuzzy. [043] Uma vez completa a tabela FMEA, pode-se codificar dito conhecimento em um formato de regras de produção e regras Fuzzy usando as linguagens de programação CLIPS e FuzzyCLIPS, respectivamente, associadas a plataforma de sistema especialista Jess e FuzzyJess, que é utilizado no SIMPO como motor de inferência do sistema especialista. A sequência geral para a criação da base de regras de produção e fuzzy para diagnóstico de falhas/defeitos em equipamentos elétricos é mostrada na FIGURA 12.

[044] A FIGURA 12 apresenta parte do conjunto de regras de produção e regras fuzzy para o SRGE seguindo as camadas OSA-CBM. Por outro lado, vale ressaltar que a camada de Tomada de Decisão está implícita nas saídas das regras de produção, por exemplo, o código: (Printout gui11 “G1TaerFuzzyAlarme##”), escrito em linguagem Jess/CLIPS, indica uma saída gráfica e textual na GUI (Interface de Usuário Gráfica) do sistema SIMPO expondo as principais informações mapeadas nas tabelas FMEA para o SRGE em particular (FIGURA 10).

[045] De maneira simples, a lógica difusa/fuzzy foi usada nesta metodologia com o objetivo de fuzzificar (criar conjuntos difusos adequados) as faixas de operação (por exemplo, NORMAL (65-73°C), ALTO (73-75°C), etc.) das grandezas físicas que monitoram um determinado equipamento elétrico como mostrado na FIGURA 12. Vale ressaltar que na FIGURA 11 a leitura do sensor é fuzzificada com uma função singleton (90°C) e suas faixas de operação com funções triangulares e trapezoidais respectivamente. É através das leituras da instrumentação relacionada a um equipamento elétrico especificamente (FIGURA 11), que o operador/mantenedor deduz algum tipo de defeito/falha que possa apresentar dito equipamento. Portanto surgiu a noção de fuzzificar as faixas de operação das grandezas físicas e relacioná-las segundo o raciocínio envolvido pelos operadores/mantenedores (na forma de regras de produção Se-Então (FIGURA 10), que resulta em algum tipo de diagnóstico do equipamento.

22/60

16/19

Contudo, podem-se criar regras mais complexas através do uso da lógica difusa relacionando várias grandezas físicas para um determinado equipamento associando diversos tipos de grandezas como vibração, temperatura, potência ativa, potência reativa, entre outras, pra viabilizar uma tomada de decisão visando a minimização da vibração da máquina e mudando seu ponto de operação evitando assim a degradação dos mancais do sistema Turbina/Gerador. Este tipo de regra esta modelado na base de conhecimento do SIMPO (FIGURA 10).

[046] O processo fuzzy normalmente é realizado em três etapas: fuzzificação, inferência e defuzzificação; com o intuito de gerar algum valor numérico que seja interpretável em termos de controle de alguma grandeza física cuja natureza seja mensurável, por exemplo, abrir ou fechar numa certa porcentagem uma válvula em um processo de controle em particular.

[047] Este processo fuzzy é válido geralmente no contexto de controle de alguma variável física de saída para controlar algum processo industrial em particular, mas, no contexto de diagnóstico e defeitos/falhas esse raciocínio já não é tão viável, pelo fato de que na área de manutenção é requerido saber primeiro quais são as condições dos equipamentos (em que faixas oscilam os valores das suas grandezas físicas que os monitoram) e desse ponto em diante, realiza-se uma inferência por parte dos operadores/mantenedores para obter uma lista com os possíveis modos, causas e efeitos de falha, que por sua vez geram um conjunto de possíveis ações operacionais de manutenção/operação para mitigar esses defeitos/falhas que experimentam equipamentos em condições anormais. O processo de defuzzificação é utilizado pra calcular a pertinência associada a regra que foi disparada e este valor de pertinência é utilizado como um indicativo de “Probabilidade” (crença) associado a tomada de decisão que se crê dentro de um contexto de Inferência Bayesiana aposteriori.

[048] Assim, a proposta metodológica está baseada no raciocínio linguístico tomando apenas como referências numéricas as faixas das grandezas físicas que monitoram equipamentos através de sensores/transdutores. O processo de casamento de regras do sistema SIMPO é feito usando o motor de inferência das ferramentas Jess e FuzzyJess. A saída desse processo é basicamente uma lista de atividades operacionais de manutenção, além de informações relacionadas ao modo e causa da falha mapeada na

23/60

17/19 tabela FMEA (FIGURA 10) que por sua vez serve de auxílio à tomada rápida de decisões sobre o equipamento que experimenta algum tipo de comportamento anormal, restando somente ao operador/mantenedor, que interage com a interface homemmáquina decidir qual questão, dentre as oferecidas pelo sistema, se adapta melhor ao equipamento em questão, considerando as características de um dado cenário em particular.

[049] Um comportamento simulado de falha dos radiadores é apresentado através da simulação das grandezas físicas pertencentes ao SRGE (FIGURAS 6 e 10), onde o sistema SIMPO analisa suas tendências, que por sua vez auxiliam ao operador/mantenedor na rápida identificação preventiva de algum tipo de defeito/falha que possa estar experimentando o equipamento (radiadores) conseguindo assim incrementar a confiabilidade do equipamento em análise.

[050] Pode-se se observar como as grandezas físicas relacionadas ao equipamento radiadores pertencentes ao SRGE se afastam das suas faixas de operação normal. O sistema SIMPO foi concebido como uma ferramenta de apoio aos operadores para a tomada rápida de decisões quando diagnosticarem possíveis defeitos/falhas em equipamento, sendo assim, a interface gráfica do sistema SIMPO apresenta uma série de informações relevantes ao diagnóstico da falha em particular.

[051] Por outro lado, o sistema SIMPO possui um mecanismo de verificação do seu próprio diagnóstico inferido através de uma janela que interage com o operador para conferir as informações oferecidas pelo SIMPO, mostrada na FIGURA 8. Nesta figura é apresentada a estrutura de informações do FMEA de processo do equipamento gerado pelo SIMPO, que apresenta algum defeito/falha, assim o operador terá uma visão mais ampla para validação das informações oferecidas pelo SIMPO.

[052] Algumas inovações tecnológicas associadas ao método e sistema concebido são:

S Geração Plano de Abate e Logística de Apanha de forma integrada e otimizado; S Otimização da função objetivo e restrições baseado em algoritmo genético;

S Sistema multiplataforma (PCs, celular, PDA, notebooks): Máquina Virtual Java;

[053] O método e sistema concebido está sendo usado pela Eletronorte e foi implantado na Usina de Coaracy Nunes, apoiando a tomada de decisão associada a

24/60

18/19 gestão de ativos no nível operacional integrando ações de operação e manutenção, pois o SIMPO tem regras que contemplam estas duas visões de forma complementar.

[054] A invenção poderá ser melhor compreendida através da seguinte descrição detalhada, em consonância com as figuras em anexo (FIGURAS 1 a 13). As figuras são:

FIGURA 1 representa a Arquitetura do Sistema com os principais módulos representado por diagrama de blocos relacionado ao fluxo de informações da metodologia e interação com o usuário final (mantenedor/operador).

FIGURA 2 representa o processo de tomada de decisão iniciando com a obtenção dos dados dos sensores, camada1, e finalizando na GUI apresentando as análises e tomada de decisão (camada de apresentação) baseada em sistema especialista.

FIGURA 3 representa a arquitetura OSA-CBM e suas 7 camadas, segundo a perspectiva da arquitetura cliente/servidor, sendo a camada 7 representada pelo Cliente/GUI/Sinótico.

FIGURA 4 representa o fluxo de atividades de forma sintetizada agrupando varias fases da metodologia em cada atividade.

FIGURA 5 representa o fluxo de informações entre as sete camadas a arquitetura OSA-CBM, mostrando a iteração da base de conhecimento gerada a partir do FMEA.

FIGURA 6 representa um exemplo de hierarquia de equipamentos para o SRGE (Sistema de Resfriamento do Gerador Elétrico).

FIGURA 7 representa um gráfico mostrando o número de falhas acumulados pra uma unidade geradora hidráulica associados aos seus quatro principais sistemas.

FIGURA 8 representa o cálculo do MTTF (Tempo Médio Para Falhar) obtivo através da análise de vida usando Weibull.

FIGURA 9 representa um template de tabela FMEA genérica.

FIGURA 10 representa um exemplo de tabela parcial FMEA para o

SRGE.

FIGURA 11 representa o método de Fuzzificação das variáveis físicas para o SRGE.

25/60

19/19

FIGURA 12 representa um exemplo de estrutura de regras difusas/fuzzy e de regras de produção (Se/Então) para o SRGE.

FIGURA 13 representa relação de grandezas monitoradas (variáveis de entrada) com falhas/defeitos (variaveis de saida, tomada de decisão) que formarão conjunto de regras Fuzzy complexo.

[055] A partir das figuras, torna-se possível compreender melhor o funcionamento da presente invenção que, pelo que foi exposto, apresenta inúmeras vantagens aos modelos utilizados e/ou inexistentes no mercado. Com o que já fora descrito é possível classificar a metodologia, objeto desta patente, como uma ferramenta totalmente versátil, eficiente, prática e segura.

[056] Com o que já fora descrito é possível classificar o objeto desta patente como um processo totalmente versátil, eficiente, prático e seguro para o diagnostico de falhas em equipamentos de usinas hidrelétricas, que independente das características gerais das diversas configurações e dos diversos tipos de estruturas existentes no setor elétrico, gerando grande facilidade para a execução dos serviços, permitindo um diagnostico totalmente seguro.

[057] Pelas vantagens que o presente relatório apresenta de diferencial do estado da arte, as características que ora apresentadas enquadram-se nos requisitos de novidade e originalidade no gênero, evidenciado pelo proposto documento intitulado “Método Para Monitoramento e Diagnóstico De Modos De Falha De Equipamentos em Usinas Hidrelétricas Baseado em Sistema Especialista” o qual reúne condições necessárias para merecimento de Privilégio de Invenção.

[058] As presentes solicitações de diferencial do estado da técnica, descritas nesse pedido de patente, serão aparente aos versados na técnica que outras modificações na composição e detalhamento do processo requerido podem ser realizadas, sem que se distancie do espírito e escopo, como bem delineado no proposto relatório e peticionado no quadro reivindicatório.

26/60

1/2

Claims

REIVINDICAÇÕES

1. “Método Para Monitoramento e Diagnóstico De Modos De Falha De Equipamentos Baseado em Sistema Especialista”, caracterizado por uma metodologia para geração de uma lista de diagnóstico de defeitos/falhas de um conjunto de atividades operacionais de manutenção/operação para mitigação desses defeitos/falhas em equipamentos;
2. “Método Para Monitoramento e Diagnóstico De Modos De Falha De Equipamentos Baseado em Sistema Especialista”, de acordo com a reivindicação 1, caracterizado por um sistema computacional baseado em arquitetura cliente/servidor para monitoramento e dignóstico de modos de falha contendo três modos distintos de operação: On-line (obtendo as Tags e armazenando-as em banco de dados SQL e a seguir dispara as regras on-line monitorando a planta/processo e fazendo os diagnósticos associados as falhas mapeadas), Playback (dispara as regras a partir de dados históricos de valores de Tags que o modo on-line armazena em banco de dados SQL), Simulado (dispara as regras de forma manual mudando os valores das Tags em uma planilha, simulando e testando regras).
3. “Método Para Monitoramento e Diagnóstico De Modos De Falha De Equipamentos Baseado em Sistema Especialista”, de acordo com as reivindicações 1 e 2, caracterizado pelo uso diferenciado de conceitos da lógica difusa/fuzzy para identificação das incertezas contidas nas informações provenientes dos operadores e mantenedores;
4. “Método Para Monitoramento e Diagnóstico De Modos De Falha De Equipamentos Baseado em Sistema Especialista”, de acordo com a reivindicações 1 a 3, caracterizado por realizar entrevistas que se valem da tabela FMEA, no que diz respeito ao diagnóstico de defeitos/falhas baseados nas condições do equipamento que experimenta algum comportamento anormal seguindo a filosofia da MBC;
5. “Método Para Monitoramento e Diagnóstico De Modos De Falha De Equipamentos Baseado em Sistema Especialista”, de acordo com a reivindicações 1

27/60

2/2 a 4, caracterizado pela concepção e implementação computacional de um sistema e uma base de conhecimento baseada em regras de produção e em regras difusas/fuzzy desenvolvidas em linguagem CLIPS (C Language Integrated Production System) e FuzzyCLIPS,

6. “Método Para Monitoramento e Diagnóstico De Modos De Falha De Equipamentos Baseado em Sistema Especialista”, de acordo com as reivindicações de 1 a 5, caracterizado por, utilizar plataformas Jess e FuzzyJess e seguindo a estrutura do padrão OSA-CBM para construção desta base de conhecimento em camadas;

28/60

1/8

DESENHOS

FIGURA 1

FIGURA 2

29/60

2/8

Cliente

Internet

Servidor

FIGURA 3

30/60

3/8

Seleção do sistema e coleta de informações \ / Análise dos modos, efeitos e frequência de falhas \ / Seleção de funções significantes \ / Avaliação da confiabilidade e tendência de falhas dos componentes \ z Proposta de política de manutençlão eficiente i í

Sistema especialista para diagnóstico e prognóstico de falhas

FIGURA 4

31/60

4/8

FIGURA 5

Equipamento Superior Equipamento Sistema Componente Sistema do Gerador Elétrico Gerador Elétrico Sistema de Resfriamento do Gerador Elétrico Radiadores Tubulações e Válvulas

FIGURA 6

32/60

5/8

Sistema da turbina

VI TZ 30 3 E 3 25 * 20 _c 4Ξ 15 ÜJ T=J Q 10 OJ E O 5 z 0

Turbina Hidráulica

Sistema de Vedação do Eixo

Mancai Guia da Turbina

Mancai Escora

Unidade Gerdora Hidráulica 3

FIGURA 7

Equipamento Superior Componentes com falhas frequentes Tempo médio até a pnmeira falha do sistema (MTTF) Turbina Hidráulica Cabeçote Kaplan 337,36 Tampa Pás Roda Sistema de vedação do eixo Selo mecânico 138,78 Mancai Guia da Turbina Mancai Guia da Turbina 706,97 Sistema do distribuidor Pino 397,56

FIGURA 8

33/60

6/8

IDENTIFICAÇÃO DO EQUIPAMENTO IDENTIFICAÇÃO DO SUBSISTEM A FA P* z ÜJ m £ < O UJ £ (0 < o z < cc 3 Φ UJ W) TO RE! 8 z lU £ s 3 1- s 8 < D tf bJ O. PAR COMÍ < % < o bJ Q P* K 8 AAV ONE O & Pí iÜ aliai; NTE ÜJ 9 Q tf LU δ v> ;ão □ < σ z ír O 8 O tf Q_ Z < tf bJ O < tz < < 5 TAREFA PROSPOSTA PARA MANUTENÇÃO FUNÇÃO COMPONENTE FUNÇÃO DO COMPONENTE FALHA FUNCIONAL MODO DE FALHA EFEITO DA FALHA

FIGURA 9

SISTEMA DO GERADOR ELÉTRICO Gerador Elétrico - Sistema de Resfriamento do Gerador Elétrico Função: Manter o gerador elétrico em uma temperatura operável COMPONENTE FUNÇÃO DO COMPONENTE MODO DE FALHA EFEITO DE FALHA CAUSA DE FALHA TOMADA DE DECISÃO Radiadores Elementos do tipo trocadordc calor que ajudam a resfriar o ar quente de saída produzido pelo gerador elétrico Possível entupimento nas tubulações ou aquecimento nos radiadores Sinalização de ALERTA no sistema SIMPO Possível sujeira nas tubulações ou resíduos nos radiadores Verificar o estado das tubulações c/ou radiadores (não emitir CA) Tubulações c válvulas Conjunto de peças que canalizam o fluxo de água para resfriamento dos radiadores Possível vazamento de água nas tubulações Sinalização de ALARME no sistema SIMPO Possíveis furos ou desgastes nas tubulações Trocar a zona de tubulação com vazamento (emitir CA)

FIGURA 10

34/60

7/8 u(T)

Sistema

1 de Resfriamento do Gerador

Á Leitura do Rede de Elétrico

FIGURA 11

Camadas OSA-CBM Tipo dc Regra Estrutura da Regra dc Produção Observações Processamento dc Sinal Produção SE (0 < Ti & Ti < 200°C) ENTÃO (Signal-GOOD) SENÃO (Signal-BAD) TTemperatura dc ar dc entrada dos radiadores. Ti: Temperatura dc arde saída dos radiadores. T,: Temperatura máxima dos cnrolamcntos do estator. V i: Vazão dc água dos radiadores. P,: Potência reativa do gerador elétrico. *Ti.....Pi: foram representadas como funções singleton. *ALTO,i, ALARME,,, NORMAL,·,: Variáveis linguísticas representadas por funções trapezoidais c triangulares. Monitoramento da condição Produção SE (65 <= T] & Ti < 73’C) ENTÃO (Condition-NORMAL) SE (73 <= T, & Ti < 75C) ENTÃO (Condition-ALTO) SE (75 <=T]) ENTÃO (Condition-ALARME) Avaliação dc Saúde Difusa (1 antecedente) SET, cALTOví ENTÃO (Printout guill “GlTacrFuzzyAltoi##”) SE T_t é ALARME.·, ENTÃO (Printout guill “GlTacrFuzzyAlarmc##”} Difusa (5 antecedentes) SE Ti é NORMAL,: c T; é ALTO c T< c NORMAL c Vi é NORMAL c P ι é ALTO ENTÃO (Printout guil 1 “Ga IDiagFuzzyRulcl##”)

FIGURA 12

35/60
8/8

Variáveis a Serem Fuzzyficadas (entrada) e Tomada de Decisão (Saída) Entrada - Tags Saída - Tomada de Decisão Mancais a) Temperatura do Óleo Quente MGT b) Temperatura Metal MGT c) Temperatura do Oléo quente ME d) Temperatura Metal ME e) Temperatura do óleo quente MGG f) Temperatura Metal MGG g) Oscilação Radial 90° MGT h) Oscilação Radial 0° MGG i) Oscilação Radial 90° MGG j) Potência Ativa k) Queda a) Condição Normal b) Desbalanceamento c) Perigo de Roçamento d) Excentricidade dos Mancais MGT e) Excentricidade dos Mancais MGG f) Defeito no sistema de resfriamento de óleo MGG g) Defeito no sistema de resfriamento de óleo MGT h) Defeito no sistema de resfriamento de óleo ME Estator a) Máximo da Temperatura de enrolamento b) Máximo da temperatura do ar c) Máximo da temperatura do núcleo d) Vazão Anormal de água de resfriamento e) Taxa de crescimento de descargas parciais f) Vibração do núcleo do estator g) Potência reativa do hidro-gerador h) Pressão da saída do circuito de resfriamento a) Nível de DP elevada Conjugada com a Vibração Alta no Núcleo b) Sobre-aquecimento do enrolamento estatórico c) Descarga Elétrica Elevada d) Nível de descarga parcial elevada e) Afrouxamento do núcleo f) Sobre-aquecimento localizado

FIGURA 13

36/60

1/1