BR102021024903A2 - Método para identificação de anomalias e predição de falhas, e, meio de armazenamento legível por processador - Google Patents

Abstract

A presente invenção provê um Método para identificação de anomalias e predição de falhas, caracterizado pelo fato de compreender as etapas de coleta de dados (2.1); pré-tratamento dos dados coletados (2.2); criação da instância do modelo (2.3); avaliação de instância do modelo (2.4); aplicação da instância do modelo (2.5); e monitoramento de anomalias e falhas (2.6).

Description

MÉTODO PARA IDENTIFICAÇÃO DE ANOMALIAS E PREDIÇÃO DE FALHAS, E, MEIO DE ARMAZENAMENTO LEGÍVEL POR PROCESSADOR CAMPO DA INVENÇÃO

[001] A presente patente de invenção, pertence ao campo técnico de automação envolvendo tecnologia de informação e comunicação e se relaciona a um método para identificação de anomalias e predição de falhas, mais especificamente a um método para identificação de anomalias e predição de falhas de componentes de uma instalação industrial, por exemplo, uma instalação de geração de energia, tal como usinas geradoras de energia hidrelétrica, pequenas centrais hidrelétricas e turbina eólica, por exemplo. Mais especificamente, a presente invenção é relacionada, em geral, a um método para identificação de anomalias e predição de falhas de componentes mecânicos, compreendendo aplicação de técnicas de aprendizado de máquina (machine learning) e utilização de dados de medições de sensores associados a um componente específico.

FUNDAMENTOS DA INVENÇÃO

[002] Tradicionalmente, métodos de predição de falhas de componentes mecânicos utilizam análises de vibração, lubrificantes e isolantes, inspeções físicas ou acompanhamento de limites físicos dos componentes, que são determinados pelo fabricante.

[003] Entretanto, para a realização dos referidos métodos se faz necessário a instalação de sensores específicos, que possuem um custo elevado, e tais métodos não permitem a realização de predição de falhas de forma contínua.

[004] A manutenção preditiva se trata daquela que permite garantir uma qualidade de serviço desejada, com base na aplicação sistemática de técnicas de análise, utilizando-se de meios de supervisão centralizados ou de amostragem, para reduzir ao mínimo a manutenção preventiva e diminuir a manutenção corretiva. Ou seja, a manutenção preditiva objetiva predizer a situação de um equipamento e detectar falhas em estágio inicial, tipicamente em estágio em que os danos não são irreparáveis.

[005] Usualmente, a manutenção preditiva é também conhecida como manutenção com base na condição (CBM - Condition Based Monitoring), que se caracteriza pelo monitoramento contínuo de variáveis de um componente e comparação de tais dados monitorados com outros que representam uma condição de operação normal do mesmo.

[006] Os referidos métodos tradicionais para predição de falhas em componentes mecânicos se desenvolvem a partir da análise de um ou mais parâmetros alvos de um componente (por exemplo, lubrificante) e comparação do resultado da análise de um ou mais parâmetros alvos definidos com os respectivos de uma base de dados históricos, os quais são previamente coletados do próprio componente específico ou de outros componentes do mesmo tipo.

[007] Por outro lado, em instalações industriais de geração de energia, já existem diversos sensores que medem, continuamente, parâmetros de operação de componentes. Assim, é possível utilizar os parâmetros medidos por tais sensores para se criar um padrão de funcionamento para cada componente específico.

[008] Além disso, com o constante avanço de tecnologias que permitem a elevação do poder computacional e o processamento de dados, novos métodos de manutenção preditiva se utilizam de técnicas de aprendizado de máquina.

[009] O documento BR 102019010492-9 A2 descreve um sistema de monitoramento inteligente da saúde de equipamentos eletromecânicos, capaz de predizer falhas por meio de aprendizado de máquina. O sistema prevê a instalação de uma rede de sensores IoT (Internet of Things), que medem vibração e temperatura, cujas medições são utilizadas para realizar a predição.

[0010] O documento Online Wind Turbine Fault Detection through Automated SCADA Data Analysis, de A. Zaher, et al., discorre sobre detecção de anomalias utilizando um modelo do comportamento normal dos dados de sensores. O modelo do comportamento normal fornece uma estimativa da saída do sensor com base nas entradas, que podem interferir nos valores registrados pelo sensor. Esta estimativa é comparada com o valor real registrado pelo sensor, onde um desvio significativo do valor estimado seria visto como uma anormalidade. É utilizada uma rede neural com 2 camadas ocultas, uma com 5 neurônios e outra com 3 neurônios, e um neurônio de saída para o treinamento de parâmetros selecionados dos sensores, porém não há citação da função de ativação utilizada. Além disso, não há divulgação de etapa de pré-tratamento ou pós-tratamento dos dados. Com relação à avaliação do modelo em produção, é descrito uma medida de erro simples, sem a definição de parâmetro.

[0011] A patente EP 3191905 B1 se relaciona a um sistema e método para prever falhas de máquinas, através da utilização de dados do sensor antes do evento de falha, que são anotados como provavelmente associados a uma falha, e comparação dos mesmos com os dados da condição operacional normal, abordando um modelo de classificação de dados. Na etapa de prétratamento dos dados, os outliers óbvios são excluídos e os sensores a serem utilizados são selecionados. Em prosseguimento, é utilizado o algoritmo fastbox para clusterização dos dados anotados e os dados da condição operacional normal. Na etapa de pós-tratamento, é utilizado Area Under Convex Hull of the ROC Curve (AUH) para avaliar os modelos treinados.

[0012] O documento Condition monitoring with ordinary wind turbine SCADA data – A neuro-fuzzy approach, de Schlechtingen, M., & Santos, I., revela monitoramento de condição de componentes, utilizando Adaptive Neuro Fuzzy Interference Systems (ANIFS), para identificar anomalias, utilizando modelos de comportamento normal e utilizando dados do SCADA. Em uma fase de treinamento, o comportamento normal é aprendido, onde o equipamento é considerado saudável. Na fase de aplicação, os modelos treinados são aplicados para prever os sinais alvo, por exemplo, temperatura, pressão e corrente, e para examinar os desvios do comportamento normal. Tal documento não especifica uma etapa de póstratamento dos dados.

[0013] Embora existam, no estado da técnica, métodos para predição de falhas utilizando técnicas de aprendizado de máquina, através de dados de medição de sensores, conforme demonstrado pelos documentos identificados acima, o estado da técnica carece de um método que provê monitoramento do funcionamento de um componente específico de uma instalação de geração de energia, tal como turbinas eólicas, pequenas centrais hidrelétricas ou usinas hidrelétricas, e, é capaz de detectar o momento em que o referido componente começa a se comportar de forma inadequada, assim identificando comportamentos anômalos e realizando a predição de falhas do componente específico.

OBJETIVOS DA PRESENTE INVENÇÃO

[0014] O objetivo da presente invenção é o de identificação de anomalias e predição de falhas em um componente específico de uma instalação de geração de energia, sem a necessidade de instalação de novos sensores, de modo a tentar evitar a ocorrência de manutenções corretivas, permitindo que o operador dessa instalação possua mais recursos temporais para planejamento de manutenções preventivas, por exemplo.

SUMÁRIO DA INVENÇÃO

[0015] De forma a alcançar o objetivo acima descrito, a presente invenção provê um método para identificação de anomalias e predição de falhas de componentes, por exemplo, componentes mecânicos de uma instalação de geração de energia, utilizando medições de pelo menos um sensor associado a um componente específico, definindo um padrão de funcionamento para cada componente específico, utilizando técnicas de aprendizado de máquina e definindo limites de desvio toleráveis entre o padrão de funcionamento definido e as medições de pelo menos um sensor do componente em produção. A presente invenção utiliza técnicas de aprendizado de máquina, que compreendem processos de treinamento, prétratamento, pós-tratamento e avaliação.

[0016] O método da presente invenção utiliza uma base de dados que, em geral, compreende os dados operacionais de um componente específico, tal base de dados de dados operacionais compreende os dados provenientes das medições de sensores associados a tal componente específico. A presente invenção coleta dados das medições dos sensores em baixas frequências de aquisição, como por exemplo dados de intervalos de 10 minutos.

[0017] A presente invenção pode ser executada em um sistema que recebe dados do SCADA (Supervisory Control And Data Acquisition), os processa de acordo com o método da presente invenção e retorna um resultado para uma interface de usuário em um sistema computacional.

[0018] Em resumo, o método da presente invenção se caracteriza pelas seguintes etapas:

• i. Coletar os dados de uma variável-alvo, de um período sadio e com frequência de aquisição definida para cada componente. A variável-alvo se tratando de dados operacionais a serem modelados, geralmente relacionada a algum sensor de um componente específico;
• ii. Coletar os dados de um período sadio e com frequência de aquisição definida para cada componente de uma ou mais variáveis explicativas, que se tratam de dados operacionais a partir dos quais a variável-alvo será modelada, geralmente relacionadas a um ou mais sensores de um componente específico;
• iii. Aplicar pré-tratamento dos dados históricos operacionais de um componente;
• iv. Criação da instância do modelo através da aplicação de metodologia de aprendizado de máquina, a instância do modelo sendo o padrão de funcionamento da variável-alvo;
• v. Avaliar a instância do modelo com relação à qualidade;
• vi. Aplicar o modelo para avaliação recorrente do estado de saúde do componente com base na instância do modelo criada;
• vii. Monitoramento de anomalia, falha e do comportamento histórico de um componente específico.

[0019] O método da presente invenção provê um padrão de funcionamento da variável-alvo de tal componente específico, chamado de instância do modelo e um limiar de tolerância (threshold), por exemplo. A instância do modelo pode ser entendida como um “gêmeo-digital” do componente. O comportamento de funcionamento do componente é comparado com o seu respectivo gêmeo-digital. Se o comportamento de funcionamento do componente está igual ao seu gêmeo-digital, o componente está se comportando como esperado. Se um comportamento de funcionamento do componente é diferente do seu gêmeo-digital, há um indicativo de comportamento anômalo, tipicamente associado a falhas.

[0020] Especificamente, a presente invenção trata cada componente como um componente específico e individual. Assim, de forma individual, são determinados indicadores de uma anomalia ou falha para cada componente específico. Por exemplo, mesmo que existam componentes do mesmo tipo e do mesmo fabricante, cada um dos componentes é tratado individualmente, cada um possuindo seu respectivo dado histórico e gêmeodigital.

[0021] Devido ao armazenamento de dados em baixa frequência, a quantidade de dados analisada é reduzida e não requer grande esforço computacional para a etapa de treinamento e execução de modelos e instâncias de modelos.

[0022] A presente invenção foi programada inicialmente na linguagem de programação Python, mas pode ser programado na maioria das linguagens de programação, como C, C++, R, Java, C#, entre outros.

BREVE DESCRIÇÃO DAS FIGURAS

[0023] A descrição detalhada apresentada adiante faz referência às figuras anexas, as quais:

[0024] A figura 1 apresenta uma topologia ilustrativa de uma aplicação do método de detecção de anomalias e predição de falhas da presente invenção.

[0025] A Figura 2 mostra um fluxograma do método da presente invenção.

[0026] A figura 3(a) apresenta uma aplicação do filtro de agrupamento.

[0027] A figura 3(b) apresenta uma aplicação do filtro de agrupamento em 5 clusters.

[0028] A figura 3(c) apresenta um exemplo de aplicação do filtro de continuidade temporal.

[0029] A figura 3(d) mostra um exemplo de sequência de dados para aplicação do filtro de continuidade temporal.

[0030] A figura 4 mostra o diagrama em blocos de um modelo ARX.

DESCRIÇÃO DETALHADA DA PRESENTE INVENÇÃO

[0031] A descrição que se segue partirá de uma concretização preferencial do método da presente invenção, especificamente do método de identificação de anomalias e detecção de falhas em componentes, tais componentes sendo componentes mecânicos de instalações de geração de energia, como por exemplo usinas geradoras de energia hidrelétrica, pequenas centrais hidrelétricas e turbina eólica. Entretanto, como ficará evidente para qualquer técnico no assunto, a invenção não está limitada a essa concretização particular, podendo ser também utilizada em diversos componentes de instalações industriais onde haja componentes associados a sensores.

[0032] Esta seção apresenta detalhadamente a solução proposta na presente invenção, referenciando-se às figuras descritas na seção anterior.

[0033] A Figura 1 apresenta uma topologia ilustrativa de uma modalidade exemplar de uma aplicação do método da presente invenção para identificação de anomalias e predição de falhas de componentes em uma instalação industrial.

[0034] Na topologia da figura 1, são representadas uma ou mais instalações de geração de energia 1, que compreendem equipamentos que incluem componentes, como por exemplo, componentes mecânicos que possuem um ou mais sensores associados aos mesmos. Cada componente de uma instalação de geração de energia 1, equipado com pelo menos um sensor, se comunica com um sistema SCADA 2. O sistema SCADA 2 pode compreender processadores e servidores que recebem e armazenam dados de medições de sensores associados aos componentes da instalação de geração de energia 1.

[0035] O método de detecção de anomalias e predição de falhas da presente invenção pode ser desempenhado por pelo menos um processador de um sistema de processamento de dados 3, em que o pelo menos um processador executa instruções legíveis por processador, que são armazenadas em pelo menos um meio de armazenamento legível por processador, que pode estar compreendido no sistema de processamento de dados 3. O pelo menos um meio de armazenamento legível por processador pode ser qualquer meio de armazenamento capaz de ser lido por um processador, como por exemplo, mas não limitado a: uma mídia de gravação ou armazenamento (CD, DVD, Blu-ray, pen-drive, entre outros), suporte de gravação ou armazenamento, memória, memória RAM, sinal, onda, banco de dados, portadora, meio não transitório legível por computador, entre outros.

[0036] O sistema de processamento de dados 3 recebe os dados do sistema SCADA 2. O terminal computacional 4, que compreende uma interface de usuário e um sistema de visualização e monitoramento do sistema SCADA 2, recebe os dados processados do sistema de processamento de dados 3.

[0037] O terminal computacional 4, que compreende uma interface de usuário e um sistema de visualização e monitoramento de anomalias e falhas, exibe para um usuário a indicação de uma anomalia identificada, de falha detectada e do comportamento histórico de um componente específico, de acordo com o método da presente invenção.

[0038] A Figura 2 mostra um fluxograma do método da presente invenção. A fase de treinamento compreende a etapa de coleta de dados 2.1, onde são coletados dados de medições de um ou mais sensores associados a um ou mais componentes, tais dados são armazenados em um sistema do tipo do sistema SCADA 2, representado como, por exemplo, na figura 1. Os dados de medições de um ou mais sensores a serem coletados são dados de parâmetros operacionais de um ou mais componentes. Os dados coletados formam um banco de dados de dados históricos de parâmetros operacionais de componentes.

[0039] Mais especificamente, na etapa de coleta de dados 2.1, são coletados dados de medições de um parâmetro operacional, que pode ser medido por um ou mais sensores associados a um componente específico, tal parâmetro operacional sendo uma variável-alvo 2.1.1. A variável-alvo 2.1.1 trata-se de um parâmetro operacional medido por pelo menos um sensor associado a um componente específico.

[0040] Ademais, na etapa de coleta de dados 2.1, são coletados dados de medições de um ou mais parâmetros operacionais, que pode ser medido por um ou mais sensores associados a um componente específico, tais um ou mais parâmetros operacionais sendo uma ou mais variáveis explicativas 2.1.2. A uma ou mais variáveis explicativas se tratando de um ou mais parâmetros operacionais medidos por um ou mais sensores associados a um componente específico.

[0041] A variável-alvo se trata de um parâmetro operacional medido por pelo menos um sensor associado a um componente específico. A variável alvo é um parâmetro operacional que se deseja monitorar para identificar anomalias e detectar falhas.

[0042] Os dados de medições de um ou mais sensores são coletados em uma baixa frequência de aquisição, por exemplo, 10 minutos. A frequência de aquisição dos dados a serem coletados pode depender do tipo de componente e do parâmetro operacional medido pelo sensor.

[0043] Os dados de medições de um ou mais sensores a serem coletados devem ser de um período sadio, isto é, dados representativos de um período de funcionamento normal do componente e que não antecederam falhas. Dessa forma, os dados necessitam de pré-tratamento, como é descrito a seguir, de acordo com uma das etapas do método da presente invenção.

[0044] Na etapa de pré-tratamento dos dados coletados 2.2, os dados coletados da variável-alvo 2.1.1 e os dados coletados de uma ou mais variáveis explicativas 2.1.2, na etapa de coleta de dados 2.1, são filtrados. Especificamente, aos dados coletados da variável-alvo 2.1.1 e de uma ou mais variáveis explicativas 2.1.2, são aplicados pelo menos um filtro de prétratamento.

[0045] Na aplicação dos filtros da etapa de pré-tratamento dos dados coletados 2.2, os dados representativos dos momentos em que o componente se comportou de forma anômala e os dados representativos das situações em que o componente se comportou de forma excepcional, relacionadas principalmente a comportamentos transientes, são removidos. Particularmente, são aplicados filtros chamados, Limites Físicos (Physical Limits Filter), Agrupamento (Clustering Filter) e Continuidade Temporal (Data Continuity Filter).

[0046] O filtro de Limites Físicos é responsável por eliminar, por exemplo, situações em que os componentes não estão gerando energia (potência < 0), em que sensores registram valores fora dos valores nominais do fabricante do componente e de erros de medição (por exemplo, registros de temperatura acima de 400ºC, ou abaixo de 0ºC). Na presente invenção, esse filtro de Limites Físicos é responsável por eliminar situações onde, por exemplo, uma turbina não está gerando energia, em que algum dos sensores registra valores fora dos valores nominais do fabricante, dados onde algum dos sensores não conseguiu registrar algum valor e outras situações claramente irreais ou impossíveis são eliminadas. Por exemplo, a temperatura de uma nacele ser menor que a temperatura ambiente ou a máquina não estar gerando energia, por exemplo.

[0047] O filtro de Agrupamento visa remover condições fora dos regimes de funcionamento normal de um componente, utilizando a metodologia de k-médias (k-means), onde os dados de entrada são agrupados em um número k de clusters. Em cada cluster computa-se o quantil 99% das distâncias de Mahalanobis dos pontos do cluster ao centro dele. Os pontos cujas distâncias superem o quantil 99% são considerados outliers e excluídos da massa de dados.

[0048] A figura 3(a) apresenta uma aplicação do filtro de agrupamento. Particularmente, a figura 3(a) ilustra um caso exemplar, onde existem dados de 3 (três) variáveis explicativas a serem pré-tratadas em uma superfície n-dimensional. Para cada cluster, o grau de pertinência dos pontos ao cluster são computados e os pontos que têm graus de pertinência baixos demais são removidos. De acordo com a presente invenção, os dados são agrupados em 12 (doze) clusters.

[0049] A partir da figura 3(b) é possível observar que há 5 (cinco) clusters distintos, por exemplo, apesar da presente invenção tratar de agrupamento em 12 (doze) clusters. Em cada cluster cria-se uma distribuição de probabilidade que melhor representa esse cluster e qualquer ponto que não tenha uma probabilidade de pertencer a um cluster maior que 97,5% é imediatamente descartado. Esse pré-processamento com a aplicação do filtro de agrupamento faz com que a instância do modelo possa ser treinada somente com dados que representem os modos normais de operação de um componente, ou seja, de períodos sadios e que não sejam dados representativos de falhas.

[0050] O filtro de Continuidade Temporal remove qualquer intervalo de amostras de dados menor que um tempo “T” definido. A figura 3(c) traz a ilustração de um exemplo de aplicação do filtro de Continuidade Temporal. Especificamente, de acordo com a presente invenção, o referido filtro remove qualquer amostra dos dados provenientes do sistema SCADA 2 que estão isolados após a aplicação do filtros Limites Físicos e Agrupamento. Um bom treinamento da instância do modelo precisa de uma quantidade contínua de dados de treino, então qualquer intervalo de amostras menor que um dado período de tempo é removido do conjunto de treino.

[0051] A figura 3(c) representa um exemplo de sequência de dados, onde cada quadrado define um intervalo de 10 minutos e os quadrados sinalizados como t7, t8, t9, t14, t15, t16, t17, t18 e t26 são intervalos onde os dados não passaram pelo filtro de Agrupamento ou pelo filtro de Limites Físicos.

[0052] Na figura 3(d), é possível identificar que se o filtro de continuidade temporal considera intervalos mínimos de 60 minutos, somente os intervalos t0 a t6 e t19 a t25 poderão ser usados para treino do modelo.

[0053] Ainda sobre a figura 2, a etapa de criação da instância do modelo 2.3 compreende a utilização de pelo menos uma metodologia de aprendizado de máquina para se obter a instância do modelo. De acordo com a presente invenção, podem ser utilizadas pelo menos uma metodologia de aprendizado de máquina, dentre: rede neural artificial (Artificial Neural Networks), na arquitetura Multicamadas Perceptron (Multilayer Perceptron, MLP); e Modelo Auto-Regressivo com Entradas Exógenas (Autoregressive Model with Exogenous Input, ARX).

[0054] A instância do modelo é definida como o padrão de funcionamento normal da variável-alvo e pode ser entendida como um “gêmeo-digital” de um componente específico.

[0055] A metodologia de rede neural artificial é utilizada na arquitetura MLP (Perceptron Multicamadas), com uma camada oculta de 50 neurônios e função tangente hiperbólica como função de ativação. Como entrada, tem-se todas as variáveis explicativas e a última predição para a variável-alvo.

[0056] O modelo ARX é adotado quando a observação anterior é usada como entrada na próxima previsão. São usadas as observações anteriores nas entradas de treino e treina-se o modelo com base nessa base de dados. O modelo, cujo diagrama em blocos é mostrado na figura 4, é definido pela Equação (1), onde: y corresponde à variável-alvo; u são as variáveis explicativas; e “e” o erro; A(z⁻¹) e B(z⁻¹) são operadores para considerar os valores de instantes anteriores; z-i é um operador de atraso que considera o valor da variável no i-ésimo instante anterior.

[0057] Ademais, na etapa de criação da instância do modelo 2.3, calcula-se a distância de Mahalanobis para o erro e o valor medido. Nesse caso, o erro é a diferença entre o valor medido da variável-alvo e o valor predito para a variável-alvo; e o valor medido é o valor medido pelo sensor para a variável-alvo.

[0058] Além disso, a etapa de criação da instância do modelo 2.3, compreende a etapa de criação de métrica para a instância do modelo 2.3.1, onde se calcula pelo menos uma métrica para a variável-alvo, tal como um limiar de tolerância (threshold) e/ou RMSE (Root Mean Square Error), em que pelo menos uma das métricas, threshold e RMSE, será utilizada para avaliar a instância do modelo em etapa subsequente do método da presente invenção.

[0059] Sobre o limiar de tolerância (threshold), criado para a instância do modelo, esse é definido como um valor limite de uma diferença entre o valor esperado da instância do modelo (que é o padrão de funcionamento normal para a variável-alvo de um componente específico, o gêmeo-digital) e o valor medido pelo sensor do mesmo parâmetro definido como variável-alvo, durante a operação do tal componente específico.

[0060] O limiar de tolerância (threshold) é definido “fitando” as distâncias de Mahalanobis calculadas anteriormente e supondo que sua distribuição é uma distribuição de Weibull. A partir dessa distribuição tira-se um valor tal que 99% dos pontos da distribuição tenham erros menores que esse valor. Esse valor é definido como limiar de tolerância.

[0061] O RMSE ou raiz do erro quadrático médio é o valor usado para medir a diferença entre observações e predições. Sendo o RMSE um valor sempre não-negativo, está associado à magnitude dos erros médios obtidos.

[0062] A fase de pós-tratamento compreende uma etapa de avaliação de instância do modelo 2.4, observada na figura 2. Nessa etapa, se realiza a avaliação da instância do modelo criada, usando pelo menos uma das métricas criadas na etapa de criação de métricas para a instância do modelo 2.3.1, dentre: RMSE (Root Mean Square Error) e o limiar de tolerância (threshold).

[0063] Na etapa de avaliação de instância do modelo 2.4, avalia-se o threshold e o RMSE calculados pela instância do modelo. Essa avaliação é feita considerando-se a ordem de grandeza da variável-alvo e a amplitude de suas variações, comparando-os com o threshold e o RMSE. Caso o threshold e o RMSE encontrem-se na mesma ordem de grandeza (ou superior) que a variável-alvo e a amplitude de suas variações, a instância do modelo treinada não é adequada.

[0064] A figura 2 ainda mostra a etapa de aplicação da instância do modelo 2.5, que compreende a aplicação da instância do modelo para avaliação contínua do funcionamento de um componente específico, tal avaliação compreendendo comparar o valor do parâmetro da variável-alvo do componente em funcionamento com a instância do modelo criada para o mesmo componente específico. Na etapa de aplicação da instância do modelo 2.5, os dados do comportamento atual de funcionamento de um componente específico são comparados com o seu respectivo gêmeo-digital, ou seja, com a instância do modelo. Se os dados do comportamento atual de funcionamento do componente estão iguais ao seu gêmeo-digital, o componente está se comportando como esperado. Se os dados do comportamento atual de funcionamento do componente são diferentes do seu gêmeo-digital, há um indicativo de comportamento anômalo, tipicamente associado à falhas.

[0065] Na etapa de monitoramento de anomalias e falhas 2.6, o terminal computacional 4, que compreende uma interface de usuário e um sistema de visualização e monitoramento de anomalias e falhas, exibe para um usuário a indicação de uma anomalia identificada, de falha detectada e do comportamento histórico de um componente específico, de acordo com o método da presente invenção.

[0066] A tabela 1, abaixo, apresenta um exemplo de um modelo de predição de falhas para um componente. A tabela 1 exemplifica as informações, parâmetros e técnicas necessárias para que o método da presente invenção possa ser desempenhado, de acordo com uma modalidade da mesma.

[0067] Para cada componente específico de uma instalação industrial, como uma instalação de geração de energia, pode ser criado um modelo de predição de falhas específico, que irá compreender as informações, parâmetros e técnicas necessárias para que o método da presente invenção possa ser desempenhado, de acordo com uma modalidade da mesma.

[0068] Na tabela 1, por exemplo, são identificados: o nome do modelo de predição de falhas, a fonte de energia a qual o modelo é relacionado, o equipamento que compreende o componente a ser avaliado, a identificação de tal componente, a variável-alvo 2.1.1, as variáveisexplicativas 2.1.2, os filtros utilizados na etapa de pré-tratamento 2.2 e a metodologia de aprendizado de máquina utilizada na etapa de criação da instância do modelo 2.3.

[0069] O componente mecânico a ser avaliado pelo método da presente invenção é o rolamento HSS (High Speed Shaft) DE (Drive End), de acordo com uma modalidade exemplar da presente invenção.

[0070] De acordo com a tabela 1, é possível identificar que a variávelalvo 2.1.1 se trata da temperatura do rolamento HSS DE; e as variáveis explicativas 2.1.2 são: temperatura ambiente, potência ativa, temperatura da nacele e velocidade de rotação do rotor. Os dados da variável-alvo e de cada uma das variáveis-explicativas são a média de valores medidos em 10 minutos de operação do referido componente.

[0071] Além disso, na tabela 1 são definidos: os filtros utilizados na etapa de pré-tratamento dos dados coletados 2.2, quais sejam: filtro de limite físicos, onde são definidos os limites de cada variável explicativa; filtro de agrupamento, onde se define o agrupamento em 12 clusters; e o filtro de dados faltantes, onde se define um intervalo mínimo de amostragem T de 1 hora, com 6 amostras contínuas de 10 minutos; e a metodologia de aprendizado de máquina, que é utilizada na etapa de criação da instância do modelo 2.3, sendo a rede neural artificial - MLP50.

[0072] Em uma modalidade exemplar, o método da presente invenção foi aplicado com base no modelo de predição de falhas definido na tabela 1 para o rolamento HSS DE.

[0073] De acordo com essa modalidade exemplar, o método da presente invenção é aplicado tendo como fonte de dados históricos operacionais para serem coletados os dados operacionais de um período de um ano de operação, por exemplo, dados operacionais do ano de 2018, armazenados em um banco de dados.

[0074] Na fase de treinamento, na etapa de coleta de dados 2.1, são coletados, a partir do banco de dados citado acima, dados de medições de pelo menos um sensor que provê dados operacionais de temperatura do rolamento HSS DE, que é o componente mecânico específico a ser verificado pelo método da presente invenção. A temperatura do rolamento HSS DE representa a variável-alvo 2.1.1. Os dados de medições de pelo menos um sensor são coletados em uma baixa frequência de aquisição, de 10 minutos. A variável alvo 2.1.1 é um parâmetro operacional que se deseja monitorar para identificar anomalias e detectar falhas do componente rolamento HSS DE.

[0075] Além disso, ainda na etapa de coleta de dados 2.1 são coletados dados de medições de pelo menos um sensor que provê dados operacionais de cada um de: temperatura ambiente, potência ativa, temperatura da nacele, e velocidade de rotação do rotor, sendo cada um desses parâmetros operacionais do componente, as variáveis explicativas 2.1.2. Os dados de medições de pelo menos um sensor são coletados em uma baixa frequência de aquisição, de 10 minutos.

[0076] Os dados coletados da variável-alvo 2.1.1 e de cada uma das variáveis explicativas 2.1.2 devem ser de um período sadio, isto é, dados representativos de um período de funcionamento normal do componente e que não antecederam falhas. Dessa forma, os dados necessitam de pré-tratamento, como é descrito a seguir.

[0077] Na etapa de pré-tratamento dos dados coletados 2.2, os dados coletados da variável-alvo 2.1.1 e das variáveis explicativas 2.1.2, na etapa de coleta de dados 2.1, são filtrados e normalizados. Especificamente, aos dados coletados da variável-alvo 2.1.1 e das variáveis explicativas 2.1.2 na etapa de coleta de dados 2.1, são aplicados filtros de limites físicos, agrupamento e dados faltantes.

[0078] Os filtros de pré-tratamento permitem, que os dados representativos dos momentos em que o componente se comportou de forma anômala e os dados representativos das situações em que o componente se comportou de forma excepcional, relacionadas principalmente a comportamentos transientes, sejam removidos.

[0079] A aplicação do filtro de Limites Físicos elimina, por exemplo, situações em que os componentes não estão gerando energia, em que sensores registram valores fora dos valores nominais do fabricante do componente ou de erros de medição. De acordo com o modelo de predição de falhas da tabela 1, para a aplicação do filtro de Limites Físicos, são definidos valores de tolerância para a variável-alvo, onde a temperatura do rolamento HSS DE deve ser maior que 0ºC; e são definidos valores de tolerância para cada uma das variáveis explicativas, a saber: a temperatura ambiente deve ser maior que 0ºC; a potência ativa deve ser maior que 100W; a temperatura da nacele deve ser maior que 0ºC; e a velocidade rotor deve ser maior que 0 rpm.

[0080] Dessa forma, os dados operacionais da variável-alvo e das variáveis explicativas são submetidas ao filtro de Limites Físicos e os dados que não estejam dentro dos valores de tolerância definidos para cada uma das variáveis explicativas, são eliminados.

[0081] Além disso, após o filtro de Limites Físicos, é aplicado o filtro de agrupamento. De acordo com a tabela 1, foi definido o número de clusters igual a k=12 clusters. O filtro de agrupamento é uma tentativa de remover condições fora dos regimentos de funcionamento normais de um componente. Primeiramente, os dados das variáveis explicativas são arranjados em uma superfície n-dimensional e são agrupados em doze clusters. Para cada cluster é criada uma distribuição de probabilidade que melhor representa cada cluster específico, e qualquer ponto que não tenha uma probabilidade de pertencer a um cluster maior que 97,5% é descartado.

[0082] Em prosseguimento, ainda na etapa de pré-tratamento dos dados coletados 2.2, de acordo com o método da presente invenção, após o filtro de agrupamento, os dados ainda são submetidos ao filtro de Dados Faltantes, que remove pontos em que o dado de uma variável explicativa esteja ausente. De acordo com a tabela 1, definiu-se que o intervalo mínimo de amostragem é de T: 1 hora, o que representam 6 amostras contínuas de 10 minutos cada. Ou seja, somente um período de 1 hora, com 6 amostras contínuas de 10 minutos, de todas as variáveis explicativas pode ser considerado. Todo os outros intervalos que não consideram 6 amostras contínuas de 10 minutos de cada uma das variantes, são eliminados.

[0083] A etapa subsequente, a etapa de criação da instância do modelo 2.3, compreende a utilização de metodologia de aprendizado de máquina para se obter a instância do modelo, a instância do modelo sendo definida como o padrão de funcionamento normal da variável-alvo e pode ser entendida como um “gêmeo-digital” de um componente específico. A metodologia aplicada nessa etapa é a Rede Neural Artificial - MLP50, de acordo com a tabela 1.

[0084] A etapa de criação da instância do modelo 2.3 também compreende a etapa de criação de métrica para a instância do modelo 2.3.1, tal como um limiar de tolerância (threshold) e RMSE, que serão utilizados como métricas para avaliar a qualidade da instância do modelo criada, em etapa subsequente.

[0085] A partir da modalidade exemplar da aplicação do método da presente invenção, foi obtido um RMSE de 0,395 e um threshold de 3,026ºC para a variável-alvo, que é a temperatura do rolamento HSS DE, conforme resultados ilustrados abaixo:
{
"id": "SUZLON_temp_hss_de_ABT_001",
"model_id": "SUZLON_temp_hss_de",
"device_id": 1101.0,
"start_time": "2018-01-01",
"end_time": "2019-01-01",
"model_instance_file": "SUZLON_temp_hss_de_ABT_001.pickle",
"rmse": 0.395217474743949,
"threshold_value": 3.0260677191300056,
"manual_th": null

[0086] Em prosseguimento, a etapa de pós-tratamento, que compreende uma etapa de avaliação de instância do modelo 2.4, avalia a qualidade da instância do modelo criada usando pelo menos uma das métricas, RMSE ou o limiar de tolerância (threshold).

[0087] Na etapa de avaliação de instância do modelo 2.4, são coletados dados de medições de um ou mais sensores do parâmetro da variável-alvo 2.1.1 por um período de 12 horas, por exemplo; são calculadas pelo menos uma métrica para a variável-alvo, dentre: um limiar de tolerância (threshold) e RMSE (Root Mean Square Error); e se realiza a avaliação da média dos valores de RMSE calculado para a variável-alvo, em que se a média dos valores de RMSE das últimas 12 horas for superior ao limiar de tolerância (threshold), se observa um comportamento anômalo no componente, identificando uma anomalia, tipicamente associada à falhas.

[0088] A etapa de aplicação da instância do modelo 2.5, compreende a aplicação da instância do modelo para avaliação recorrente do estado de saúde de um componente, tal avaliação recorrente do estado de saúde do componente sendo realizada fazendo uma comparação do valor do parâmetro da variável-alvo do componente em funcionamento com a instância do modelo criada para o mesmo componente específico.

[0089] Nessa etapa de aplicação da instância do modelo 2.5, o comportamento atual de funcionamento de um componente específico é comparado com o seu respectivo gêmeo-digital, ou seja, o comportamento atual de funcionamento de um componente específico é comparado com a instância do modelo. Se o comportamento atual de funcionamento do componente está igual ao seu gêmeo-digital, o componente está se comportando como esperado. Se um comportamento de funcionamento do componente é diferente do seu gêmeo-digital, há um indicativo de comportamento anômalo, tipicamente associado a falhas.

[0090] Na etapa de monitoramento de anomalias e falhas 2.6, o terminal computacional 4, que compreende uma interface de usuário e um sistema de visualização e monitoramento de anomalias e falhas, exibe para um usuário a indicação de uma anomalia identificada, de falha detectada e do comportamento histórico de um componente específico, de acordo com o método da presente invenção.

[0091] O método para identificação de anomalias e predição de falhas aqui descrito, objeto da presente invenção, pode ter suas etapas constituintes em diferentes tecnologias, bem como diferentes topologias e configurações acessórias conforme as características, tipos de instalações e necessidades dos usuários. Dessa forma, reforça-se o fato de que a presente invenção não está limitada às configurações/concretizações particulares acima descritas.

Claims (13)

1. Método para identificação de anomalias e predição de falhas, caracterizado pelo fato de compreender as etapas de:

   • - coleta de dados (2.1);
   • - pré-tratamento dos dados coletados (2.2), em que os dados coletados são filtrados por pelo menos um filtro dentre: filtro de Limites Físicos, filtro de Agrupamento ou filtro de Continuidade Temporal;
   • - criação da instância do modelo (2.3);
   • - avaliação da instância do modelo (2.4);
   • - aplicação da instância do modelo (2.5); e
   • - monitoramento de anomalias e falhas (2.6).
2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a etapa de coleta de dados (2.1) compreende coletar dados de medições de um ou mais sensores.
3. Método, de acordo com a reivindicação 2, caracterizado pelo fato de que os dados coletados na etapa de coleta de dados (2.1) são dados de um parâmetro operacional medido por um ou mais sensores associado a um componente, o parâmetro operacional sendo a variável-alvo (2.1.1).
4. Método, de acordo com a reivindicação 2, caracterizado pelo fato de que os dados coletados na etapa de coleta de dados (2.1) são dados de um ou mais parâmetros operacionais medidos por um ou mais sensores associado a um componente, o um ou mais parâmetros operacionais sendo uma ou mais variáveis explicativas (2.1.2).
5. Método, de acordo com a reivindicação 2, caracterizado pelo fato de que na etapa de coleta de dados (2.1), os dados de medições de um ou mais sensores são coletados em uma frequência de aquisição de 10 minutos.
6. Método, de acordo com a reivindicação 2, caracterizado pelo fato de que na etapa de coleta de dados (2.1), os dados de medições de um ou mais sensores são coletados de um período de funcionamento normal do componente.
7. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a etapa de criação da instância do modelo (2.3) compreende utilização de pelo menos uma metodologia de aprendizado de máquina dentre: Multicamadas Perceptron (MLP) e Modelo Auto-Regressivo com Entradas Exógenas (ARX).
8. Método, de acordo com qualquer uma das reivindicações 1 a 7, caracterizado pelo fato de que a instância do modelo é definida como o padrão de funcionamento normal da variável-alvo.
9. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a etapa de criação da instância do modelo (2.3) compreende a criação de métrica para a instância do modelo (2.3.1), que compreende calcular pelo menos uma métrica para a variável-alvo, dentre: um limiar de tolerância (threshold) e RMSE (Root Mean Square Error).
10. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a avaliação de instância do modelo (2.4) compreende avaliar a instância do modelo usando pelo menos uma das métricas, dentre: limiar de tolerância (threshold) e RMSE (Root Mean Square Error).
11. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a etapa de aplicação da instância do modelo (2.5) compreende avaliação contínua do funcionamento de um componente específico, comparando o valor do parâmetro da variável-alvo do componente em funcionamento com a instância do modelo criada para o mesmo componente específico.
12. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que na etapa de monitoramento de anomalias e falhas (2.6), um terminal computacional (4) exibe para um usuário a indicação de uma anomalia identificada, de falha detectada e do comportamento histórico de um componente específico.
13. Meio de armazenamento legível por processador caracterizado pelo fato de que compreende instruções legíveis por processador, que quando executadas em um processador, executam o método como definido em qualquer uma das reivindicações 1 a 12.

Images