BR112019010019A2 - aparelho e método de diagnóstico da saúde de motor, sistema, método de instalação do sistema de diagnóstico da saúde de motor, e, midia legível por computador - Google Patents

Abstract

um aparelho de diagnóstico da saúde de motor (8) é provido para análise da saúde de um motor de combustão interna alternado (4). o aparelho (8) compreende circuitos de geração de característica (90) para processar dados de sensor de vibração (91) recebidos de um sensor de vibração (60) detectando vibração em um componente do motor de combustão interna alternado (4) e gerar um vetor de características (80) indicando múltiplas características dos dados do sensor. o circuito de processamento (94) processa o vetor de características usando um modelo de classificação treinado que é definido por parâmetros de modelo que distinguem um limite de decisão (150) de uma operação saudável aprendida a partir de um conjunto de treinamento de vetores de característica capturados durante a operação saudável do motor (4). o modelo gera uma indicação de saúde de motor provido uma indicação quantitativa do desvio do vetor de características do limite de decisão (150) de operação saudável.

Description

APARELHO E MÉTODO DE DIAGNÓSTICO DA SAÚDE DE MOTOR, SISTEMA, MÉTODO DE INSTALAÇÃO DO SISTEMA DE DIAGNÓSTICO DA SAÚDE DE MOTOR, E, PROGRAMA DE COMPUTADOR [001] A presente técnica refere-se ao campo dos motores de combustão interna alternados. Mais particularmente, refere-se a um aparelho de diagnóstico da saúde de motor e método para analisar a saúde de um motor de combustão interna alternado.

[002] Motores de combustão interna alternados são tipicamente usados como o principal sistema de propulsão para embarcações marítimas. A quebra dos sistemas de propulsão no mar pode ser muito cara para os proprietários e operadores de transporte marítimo. Falhas de peças que exigem reparos invasivos, tal como a substituição de um pistão, podem custar centenas de milhares de dólares, enquanto falhas espetaculares, como o incêndio causado por um cárter dividido no “Carnival Splendor”, custam cerca de US$ 65.000.000 em custos de reparação, perdas e compensações. Além disso, o início precoce de falhas comuns, como anéis de pistão desgastados, pode levar a fenômenos como fuga de gás (blow-by), onde a mistura de ar/combustível pode escapar das bordas do pistão e no cárter, reduzindo a eficiência da combustão e causando um aumento no consumo e nas emissões de combustível. A detecção e a correção precoces de falhas antes que se tornem catastróficas, portanto, têm um duplo benefício para os usuários finais marítimos, não apenas prevenindo falhas catastróficas, mas também economizando combustível e aumentando a eficiência durante os períodos em que a falha ainda não é crítica. Problemas semelhantes existem para outras aplicações de motores de combustão interna alternados, tal como a geração de potência, de modo que o problema não se limite apenas ao setor marítimo.

[003] Pelo menos alguns exemplos proveem um aparelho de

Petição 870190046020, de 16/05/2019, pág. 14/85

2/43 diagnóstico da saúde de motor para analisar a saúde de um motor de combustão interna alternado, o aparelho compreendendo:

circuitos de geração de características para processar dados de sensores de vibração recebidos de um sensor de vibração para sensorear vibração em um componente do dito motor de combustão interna alternado e gerar um vetor de características indicando uma pluralidade de características dos dados do sensor de vibração; e circuitos de processamento para processar o vetor de características gerado pelos circuitos de geração característicos usando um modelo de classificação treinado definido pelos parâmetros do modelo que distinguem um limite de operação saudável aprendido de um conjunto de treinamento de vetores de características correspondentes aos dados do sensor de vibração capturados durante a operação saudável do motor de combustão interna alternado, para gerar uma indicação de saúde de motor provido uma indicação quantitativa do desvio do vetor de características do limite da operação saudável.

[004] Pelo menos alguns exemplos proveem um sistema compreendendo:

um motor de combustão interna alternado;

um sensor de vibração configurado para sensorear vibração em um componente correspondente do motor de combustão interna alternado; e o aparelho de diagnóstico da saúde de motor como descrito acima.

[005] Pelo menos alguns exemplos proveem um método de diagnóstico da saúde de motor para analisar a saúde de um motor de combustão interna alternado, o método compreendendo:

capturar dados do sensor de vibração usando um sensor de vibração equipado para sensorear vibração em um componente do dito motor de combustão interna alternado;

Petição 870190046020, de 16/05/2019, pág. 15/85

3/43 processar os dados do sensor de vibração para gerar um vetor de características que indica uma pluralidade de características dos dados do sensor de vibração; e processar o vetor de características usando um modelo de classificação treinado definido por parâmetros do modelo que distinguem um limite de operação saudável aprendido de um conjunto de treinamento de vetores de características correspondentes aos dados do sensor de vibração capturados durante uma operação saudável do motor de combustão interna alternado, para gerar uma indicação quantitativa de desvio do vetor de características do limite da operação saudável.

[006] Pelo menos alguns exemplos proveem um método de instalação do sistema de diagnóstico da saúde de motor compreendendo:

equipar um sensor de vibração em um componente de um motor de combustão interna alternado para sensorear a vibração no dito componente do dito motor de combustão interna alternado;

capturar dados do sensor de vibração usando o sensor de vibração durante um período de operação saudável do motor de combustão interna alternado;

processar os dados do sensor de vibração para gerar um conjunto de treinamento de vetores de características, cada vetor de características indicando uma pluralidade de características dos dados do sensor de vibração capturados em um dado momento durante o período de operação saudável;

treinar um modelo de classificação para gerar parâmetros de modelo que distinguem um limite de operação saudável aprendido a partir do conjunto de treinamento de vetores de características; e registrar os parâmetros do modelo que definem o modelo de classificação.

[007] Pelo menos alguns exemplos proveem um programa de

Petição 870190046020, de 16/05/2019, pág. 16/85

4/43 computador compreendendo instruções para controlar um aparelho de processamento de dados para executar qualquer um dos métodos descritos acima. O programa de computador pode ser armazenado em um meio de armazenamento. O meio de armazenamento pode ser um meio de armazenamento não transitório.

[008] Outro(a)s aspectos, características e vantagens da presente técnica serão evidentes a partir da seguinte descrição de exemplos, a qual deve ser lida em conjunto com os desenhos anexos, nos quais:

a Figura 1 ilustra esquematicamente uma visão geral de um sistema para monitoramento da saúde de motor;

a Figura 2 ilustra esquematicamente a arquitetura do sistema em mais detalhes;

a Figura 3 ilustra um exemplo do uso de sensores de vibração providos nos respectivos cilindros de um motor de combustão interna alternado para prover indicações de saúde para cada cilindro;

a Figura 4 ilustra um exemplo de circuitos de geração característicos para gerar um vetor de características com base em dados de sensores de vibração e circuitos de processamento para processar o vetor de características usando um modelo de classificação treinado;

a Figura 5 é uma ilustração conceituai para explicar uma fase de treinamento para treinar o modelo de classificação com base em vetores de características capturados durante um período saudável de operação do motor;

a Figura 6 é uma ilustração conceituai que ilustra uma fase de operação quando o modelo treinado é usado para gerar uma indicação de saúde que quantifica o desvio de um vetor de características do limite de operação saudável aprendido durante a fase de treinamento;

a Figura 7 é um fluxograma que mostra um método de treinamento do modelo de classificação;

a Figura 8 é um fluxograma mostrando a fase de operação

Petição 870190046020, de 16/05/2019, pág. 17/85

5/43 quando o modelo treinado é usado para gerar uma indicação de pontuação de saúde;

a Figura 9 ilustra um mapa de calor mostrando como uma falha pode alterar a distribuição de energias em diferentes faixas de frequência dos dados de vibração;

a Figura 10 mostra o desvio da indicação de saúde de motor ao longo do tempo;

a Figura 11 ilustra como a pontuação de saúde se altera quando ocorrem vários tipos diferentes de falha; e a Figura 12 mostra como as falhas podem ser detectadas com base na pontuação de saúde, mesmo quando os dados de várias condições de carga diferentes são combinados em um único modelo.

[009] A presente técnica provê um aparelho de diagnóstico da saúde de motor para análise da saúde de um motor de combustão interna alternado, com base nos dados do sensor de vibração recebidos de um sensor de vibração para sensorear a vibração em um componente do motor. Os circuitos de geração de características processam os dados do sensor de vibração e geram um vetor de características que indica várias características dos dados do sensor de vibração. Os circuitos de processamento processam o vetor de características usando um modelo de classificação treinado para gerar uma indicação de saúde de motor. O modelo de classificação treinado é definido por parâmetros de modelo que distinguem um limite de operação saudável aprendido de um conjunto de treinamento de vetores de características que correspondem aos dados do sensor de vibração capturados durante a operação saudável do motor, e a indicação de saúde provê uma indicação quantitativa de desvio do vetor característica do limite da operação saudável aprendido durante o treinamento.

[0010] Essa abordagem tem várias vantagens técnicas. Ao contrário de abordagens alternadas que tentam distinguir determinados modos de falha

Petição 870190046020, de 16/05/2019, pág. 18/85

6/43 do motor e combinar dados sensoreados do motor durante a operação contra as características pré-aprendidas desses modos de falha, a presente técnica treina o modelo usando vetores de características correspondentes aos dados do sensor de vibração capturados durante operação do motor e, em seguida, gera uma indicação de saúde de motor que quantifica o desvio de um vetor de características recém-capturado do limite de operação saudável aprendido com o conjunto de treinamento de vetores de características. Portanto, o modelo não tenta distinguir nenhum modo particular de falha. Embora possa parecer contraintuitivo detectar falhas no motor sem qualquer conhecimento de qualquer tipo específico de falha, a abordagem do treinamento usando dados saudáveis provê várias vantagens.

[0011] Em primeiro lugar, esta abordagem permite que o aparelho de diagnóstico seja reequipado a uma faixa de diferentes modelos de motor ou em diferentes instalações do mesmo modelo de motor, que podem cada um exibir padrões de vibração característicos diferentes para nominalmente o mesmo modo de falha. Aprender um padrão personalizado de características de falha para cada tipo de motor ao qual o dispositivo é equipado pode ser um desafio, pois na prática os motores não falham frequentemente e mesmo entre múltiplos casos do mesmo modelo de motor as vibrações detectadas ainda podem diferir e aprender a partir de uma falha em um motor de um determinado modelo pode não permitir a detecção da mesma falha em outro motor do mesmo modelo, devido a diferenças na instalação etc. Embora haja relativamente poucos dados disponíveis em motores com falha disponíveis para treinamento de um modelo, tipicamente haverá um grande corpo de dados de treinamento disponíveis, correspondendo a uma operação saudável, já que o modelo pode ser treinado simplesmente monitorando o motor durante a operação normal, quando nenhuma falha específica foi identificada. Portanto, na prática, a abordagem de detectar falhas com base no desvio do comportamento saudável (e não pela classificação de padrões com falha)

Petição 870190046020, de 16/05/2019, pág. 19/85

7/43 permite que o sistema seja mais amplamente aplicável a uma faixa de diferentes modelos ou instalações de motores.

[0012] Além disso, quantificando o desvio do vetor de características do limite aprendido anteriormente de operação saudável, isso fornece não apenas uma indicação binária de se o motor é saudável ou com falha, mas também permite avaliar o grau de salubridade do motor mesmo quando nenhuma falha particular é ainda aparente. Por exemplo, um motor em estado de saúde quase perfeito pode ter uma pontuação diferente de um motor que geralmente está saudável, mas que está se deteriorando e, portanto, se tomaria com falha no futuro, se nada for feito ou que esteja sendo executado de forma ineficiente devido a um fenômeno de escape, por exemplo. Ao quantificar o grau de salubridade do motor, em vez de simplesmente sensorear falhas, isso pode permitir que problemas em potencial sejam detectados antes, para que as operações de reparo ou manutenção apropriadas possam ser programadas a tempo para evitar falhas que podem ser mais catastróficas em uma data posterior. Uma indicação quantitativa de saúde de motor também pode ser útil para avaliar se o motor ainda é saudável o suficiente para evitar executar operações desnecessárias de reparo preventivo apenas como uma medida para reduzir a probabilidade de falha quando o motor estiver saudável o suficiente para que essa falha não seja provável. Por exemplo, um operador de transporte marítimo, em particular, pode agendar manutenção de rotina para substituir um determinado componente enquanto um navio está no porto, simplesmente porque, em média, esse componente tende a durar um determinado período de tempo antes de se deteriorar, mas de fato para um determinado motor pode não ser tão desgastado quanto o esperado e pode ter durado mais tempo. O aparelho de diagnóstico da presente técnica pode prover uma indicação quantitativa da saúde de motor, o que pode indicar que, na verdade, o motor não se desviou significativamente da operação saudável observada anteriormente, e assim o reparo preventivo pode ser cancelado,

Petição 870190046020, de 16/05/2019, pág. 20/85

8/43 economizando custos.

[0013] A técnica também permite que possíveis falhas com o motor sejam identificadas mais cedo do que podem ser identificadas por um engenheiro qualificado no local. Alguns engenheiros qualificados podem identificar algumas falhas simplesmente ouvindo as vibrações do motor, mas a capacidade de identificar falhas dessa maneira pode exigir muitos anos de experiência. Portanto, a contratação de um engenheiro qualificado pode ser dispendiosa e muitas embarcações de transporte marítimo ou instalações de geradores podem não ter um engenheiro qualificado no local. A indicação quantitativa de saúde de motor provida pela presente técnica pode ser enviada de volta para um local remoto ou comunicada a operadores menos qualificados no local do motor, a fim de sinalizar os problemas que possam ter surgido. Em qualquer caso, mesmo que um engenheiro experiente esteja presente, alguns tipos de falha podem não ser aparentes para o engenheiro até que se tomem uma falha suficientemente grave para que a mudança de vibração seja perceptível ao ouvido. Em contraste, o aparelho de diagnóstico da saúde de motor pode sensorear falhas potenciais mais cedo, detectando o desvio do vetor de características capturado do limite da operação saudável aprendida anteriormente.

[0014] O vetor de características gerado pelos circuitos de geração de características pode incluir um número de características diferentes dos dados do sensor de vibração monitorados. Por exemplo, as características podem incluir pelo menos uma característica de domínio de tempo dos dados do sensor de vibração. Por exemplo, as características de domínio do tempo podem ser pelo menos um dos seguintes parâmetros estatísticos avaliados para as leituras do sensor de vibração capturadas durante um determinado período de tempo: média; variância ou desvio padrão; raiz quadrada da média; curtose; assimetria; e fator de crista. Será apreciado que outras estatísticas também possam ser derivadas de dados de sensores no domínio do tempo. A

Petição 870190046020, de 16/05/2019, pág. 21/85

9/43 inclusão de características no domínio do tempo no vetor de características pode ajudar a reduzir a taxa de detecção de falsos positivos de falha do modelo, permitindo que alterações temporárias no comportamento, devido a fatores externos, sejam diferenciadas de problemas mais duradouros com o motor.

[0015] O vetor de características também pode incluir pelo menos uma característica de domínio de frequência dos dados do sensor de vibração. Por exemplo, uma certa transformada de frequência pode ser aplicada aos dados do sensor de vibração capturados em um determinado período de tempo, a fim de calcular as características do domínio de frequência. Uma variedade de diferentes transformadas de frequência podería ser usada, incluindo, por exemplo, uma transformada de Fourier. No entanto, pode ser particularmente útil aplicar uma Transformada de Pacote em Ondaleta (WPT) aos dados do sensor de vibração para gerar as características do domínio da frequência. A WPT pode ser usada para decompor a série de domínio no tempo de dados do sensor de vibração em bandas de frequência separadas, com cada componente de frequência representado por uma ondaleta de duração finita ao invés de uma onda de seno ou cosseno contínua ou como em uma transformada de Fourier). Embora a WPT seja relativamente computacionalmente intensiva em comparação com as transformadas de Fourier, ele tem o benefício de detectar características de interesse apesar das mudanças de velocidade do motor devido à complexidade das ondaletas, o que toma as WPTs mais adequadas do que as transformadas de Fourier que são mais úteis para amostras de velocidade constante. Alterações na velocidade do motor são prováveis em algumas aplicações, como no transporte marítimo, onde a saída de potência do motor de propulsão mudará com o tempo. Assim, usar a WPT ajuda a tomar o modelo mais robusto contra alterações na carga do motor.

[0016] Várias características podem ser derivadas dos dados do

Petição 870190046020, de 16/05/2019, pág. 22/85

10/43 domínio da frequência. Por exemplo, parâmetros estatísticos, tais como, média, desvio padrão, etc. podem ser derivados de maneira similar aos dados do domínio de tempo discutidos acima. Contudo, em um exemplo, as características do domínio da frequência podem compreender características de energia da banda de frequência, cada uma indicativa de uma energia em uma banda de frequência correspondente dos dados sensíveis à vibração. Uma falha do motor pode resultar em uma alteração na qual as bandas de frequência têm a maior energia de vibração, portanto, incluindo características de energia de banda de frequência no vetor de características aumenta a capacidade do modelo de classificação de identificar desvios de comportamento saudável.

[0017] O vetor de características também pode incluir pelo menos uma característica de temporização de vibração de pico que indica uma temporização de um pico nos dados do sensor de vibrações em relação a um ciclo de operação do motor. Por exemplo, um sensor de ângulo de eixo de manivelas pode ser provido para sensorear uma posição angular de um eixo de eixo de manivelas do motor, e os dados do sensor de ângulo de eixo de manivelas podem ser usados para identificar a característica de sincronização de vibração de pico. Considerar as temporizações de picos nas vibrações em relação a um ciclo operacional do motor pode ajudar a identificar tipos de falhas que seriam difíceis de detectar apenas a partir dos dados de domínio de tempo e frequência. Por exemplo, isso pode ser usado para identificar falhas, como montagens do motor soltas ou anéis de pistão desgastados. Algumas falhas podem ser causadas não por quantidades excessivas de vibração, mas pela temporização tardia de um cilindro de acionamento do motor, por exemplo, e assim a consideração de uma característica de temporização de vibração de pico pode ajudar a identificar esse tipo de falha.

[0018] Em resumo, o vetor de características pode prover uma faixa de características diferentes dos dados detectados do sensor de vibração que

Petição 870190046020, de 16/05/2019, pág. 23/85

11/43 podem ser usados como entrada para o modelo de classificação. Em particular, o vetor de características pode combinar características de duas ou mais classes discutidas acima (característica de domínio de tempo, característica de domínio de frequência e característica de sincronização de vibração de pico), que oferece melhor desempenho de modelo do que se apenas uma dessas classes de característica fosse provida.

[0019] Em alguns exemplos, o vetor de características gerado podería simplesmente ser inserido em sua forma original para o modelo de classificação, que pode então processá-lo para determinar a indicação de saúde calculada. Entretanto, em outros exemplos, os circuitos de escalonamento podem ser providos para escalar cada característica do vetor de características com base em um conjunto respectivo de parâmetros de escalonamento derivados do conjunto de treinamento de vetores de características, para mapear cada característica do vetor de características em uma escala comum de referência. Por exemplo, o escalonamento pode normalizar cada característica dentro de limites fixos, como entre 0 e 1. Os circuitos de processamento podem então processar o vetor de características escalonado usando o modelo de classificação treinado. Por exemplo, durante uma fase de treinamento, os valores mínimo/máximo, ou o desvio padrão e a média, dos valores numéricos encontrados para uma característica específico do vetor de características podem ser determinados, e podem ser usados para gerar os parâmetros de escalonamento para que diferentes características que possuem valores brutos em diferentes escalas de referência podem ser mapeados em uma escala comum. Portanto, o escalanomento significa que uma característica com um valor numérico relativamente baixo não é sobrecarregado por características com valores numéricos maiores, de modo que cada característica possa oferecer uma contribuição mais igual ao resultado do modelo de classificação do que se o vetor de características bruto fosse processado diretamente.

Petição 870190046020, de 16/05/2019, pág. 24/85

12/43 [0020] O escalonamento de cada característica do vetor de características em uma escala comum de referência também pode ajudar a identificar quais características específicas estão contribuindo para uma pontuação de saúde adversa. Ao processar um vetor de características recémcapturado usando o modelo previamente treinado, os mesmos parâmetros de escalonamento derivados do conjunto de treinamento de vetores de características ainda podem ser aplicados (ou seja, os parâmetros de escalonamento não são alterados na fase de operação, mas são fixados no final da fase de treinamento). Se o comportamento do motor mudar de modo que um determinado parâmetro esteja agora fora da faixa de valores observados durante o treinamento, ele terá um valor particularmente alto ou um valor particularmente baixo quando mapeado na escala comum usada em cada uma das características do vetor de características. Por exemplo, com o exemplo de uma escala comum entre 0 e 1, durante a fase operacional pode ser observado um valor menor que 0 ou maior que 1, indicando que está fora da faixa observada no treinamento. Assim, ao identificar uma ou mais características selecionadas que possuem os maiores ou menores valores de característica escalonados na escala comum entre as características do vetor de características escalonado, isso pode prover uma indicação de quais características específicas têm maior probabilidade de causar o problema com o motor. Uma indicação dessas características pode ser emitida juntamente com a própria indicação de saúde, para prover informações adicionais de diagnóstico que podem ser usadas para identificar possíveis causas da falha.

[0021] Em geral, o modelo de classificação usado para gerar a indicação de saúde pode ser qualquer modelo baseado em inteligência artificial ou aprendizagem de máquina, por exemplo, uma rede neural podería ser usada. No entanto, em geral, o modelo de classificação treinado pode compreender um modelo de classificação de classe única. Um modelo de classe única é um modelo que aprende propriedades de um único conjunto de

Petição 870190046020, de 16/05/2019, pág. 25/85

13/43 amostras de treinamento. Quando uma amostra subsequente é inserida, o modelo julga se é da mesma classe que o conjunto de treinamento ou é diferente. Isso contrasta com os modelos de classificação de várias classes que são providos com duas ou mais classes distintas de amostras de treinamento e tenta aprender as diferenças entre cada uma dessas classes. Um modelo de classificação de classe única é bem adequado para o monitoramento de saúde de motor devido à quantidade limitada de dados de treinamento que estarão disponíveis em relação a motores com falha.

[0022] Embora esteja disponível uma faixa de diferentes modelos de classificação de classe única, um tipo de modelo particularmente útil pode ser uma máquina de vetor de suporte de classe única (SVM). Uma SVM pode ser distinguido por um número de vetores de suporte que definem o limite de decisão para o modelo. Quando uma nova entrada é fornecida à SVM, ela pode ser comparada com a localização do limite definido pelos vetores de suporte, para identificar uma indicação quantitativa de desvio do comportamento saudável distinguido pelo limite. Valores positivos e negativos do escore de saúde podem indicar vetores de características situados dentro e fora do limite, portanto, forneça uma indicação clara de que o motor está saudável ou com falha, bem como uma indicação quantitativa de quão saudável ou com falha o motor está.

[0023] Em geral, em uso, o processo para diagnóstico da saúde de motor pode incluir duas fases, uma fase de treinamento quando o conjunto de treinamento de vetores de características é identificado e usado para treinar o modelo de classificação, e uma fase de operação na qual o sensoriamento de vibração do mesmo motor continua e os dados correspondentes do sensor de vibração são usados para gerar vetores de características correspondentes que são testados usando o modelo treinado para identificar a indicação de saúde.

[0024] Em algumas implementações, o aparelho de diagnóstico da saúde de motor pode implementar a fase de operação, mas não a fase de

Petição 870190046020, de 16/05/2019, pág. 26/85

14/43 treinamento. Em vez disso, os parâmetros do modelo que definem o modelo de classificação treinado podem ser determinados antecipadamente usando um dispositivo diferente que realiza a fase de treinamento. Portanto, o próprio aparelho de diagnóstico da saúde de motor não precisa ter circuitos para treinar o modelo de classificação. Por exemplo, o modelo poderia ser treinado usando software executado em um computador de uso geral, que processa os dados do sensor de vibração capturados na fase de treinamento, e gera os parâmetros do modelo que são incorporados ao aparelho de diagnóstico da saúde de motor para uso durante a fase de operação.

[0025] No entanto, um sistema mais flexível pode prover circuitos a bordo do aparelho de saúde de diagnóstico da saúde de motor para realizar a fase de treinamento também. Assim, o aparelho pode ter circuitos de armazenamento de modelo para armazenar os parâmetros do modelo que definem o modelo treinado, e circuitos de treinamento para atualizar os parâmetros do modelo com base no conjunto de treinamento mais recente de vetores de características. Neste caso, ao instalar o aparelho em um motor em particular, a fase de treinamento pode ser realizada para treinar o modelo com base em um conjunto de treinamento inicial de vetores de características, e depois que o modelo tiver sido treinado, o aparelho pode ser comutado para o modo de operação, no qual os parâmetros do modelo armazenados nos circuitos de armazenamento de modelo não são mais atualizados, e são usados para calcular a indicação de saúde para vetores de características capturados posteriormente com base nos dados em andamento dos sensores de vibração. O ponto em que o dispositivo é comutado do modo de treinamento para o modo de operação pode ser determinado manualmente por um operador humano, ou pode ser automático com base na detecção do ponto quando a entrada de vetores de características de treinamento adicionais não altera significativamente a localização do limite de comportamento saudável, por exemplo. Quando os circuitos de treinamento são providos a bordo do

Petição 870190046020, de 16/05/2019, pág. 27/85

15/43 aparelho de diagnóstico, isso também pode permitir que o modelo seja retreinado em um estágio subsequente se após um período de tempo for descoberto que o comportamento de vibração do motor mudou mesmo que não haja falha (por exemplo, a alteração pode ser devido a um fator externo, por exemplo, substituição de um determinado componente do motor, ou devido a uma alteração na carga ou demanda colocada no motor). Além disso, em certos cenários, períodos ociosos em que o motor estaria de outra forma fora de operação poderíam ser usados para reunir um novo conjunto de treinamento de vetores de características para treinar novamente o modelo. [0026] O treinamento do modelo pode ser feito de várias maneiras. Uma maneira de determinar o limite de uma operação saudável pode ser executar um algoritmo que varie os parâmetros do modelo e selecionar como parâmetros finais do modelo treinado os parâmetros que maximizam uma margem entre uma fração predeterminada de vetores de característica adjacentes do conjunto de treinamento e uma fração de vetores do conjunto de treinamento restante. Por exemplo, a fração predeterminada podería ser de alguns por cento do conjunto de treinamento, e os circuitos de treinamento podem tentar definir o limite de modo que aquela porcentagem particular de vetores de características esteja fora e os outros vetores estejam dentro do limite, com diferentes definições do limite que está sendo tentado até que a margem média máxima entre os vetores de característica de contorno e os vetores de características restantes tenha sido encontrada. Observe que a fração predeterminada (“fração de rejeição”) de vetores de características que estão fora do limite pode ser um dos parâmetros do modelo que é ajustado para tentar encontrar a maior margem entre os vetores de característica de contorno e os vetores de característica restantes.

[0027] Em algumas implementações, o aparelho de diagnóstico pode compreender o sensor de vibração para capturar os dados do sensor de vibração. No entanto, o aparelho também pode ser usado em conjunto com

Petição 870190046020, de 16/05/2019, pág. 28/85

16/43 sensores externos de vibração não providos com o aparelho de diagnóstico. Por exemplo, sensores de vibração existentes já providos em um determinado motor podem ser usados. No entanto, uma vantagem da abordagem atual é que ela pode detectar possíveis falhas no motor com base em dados de sensores de vibração reequipáveis, que podem ser afixados de forma não invasiva a um motor in situ, em vez de depender de sensores incorporados integrais. Sensores do motor incorporados típicos, como sensores de pressão, usados em outras abordagens tendem a estar submetidos a desgaste e podem reduzir a confiabilidade da detecção de falhas. Em contraste, usando sensores reequipáveis extemamente, estes são menos submetidos a desgaste e não estão presos a um fabricante ou configuração de motor em particular. Em um exemplo, os sensores de vibração podem compreender acelerômetros.

[0028] O aparelho de diagnóstico da saúde de motor pode ter circuitos de comunicação para comunicar dados a um local remoto. Isso pode ser usado para enviar a indicação de saúde de motor ou um parâmetro derivado da indicação de saúde de motor para o local remoto. Assim, em vez de enviar os próprios dados do sensor de vibração em bruto, o processamento destes dados do sensor e a geração da indicação de saúde podem ser realizados no local, na localização do motor. Isso reduz a quantidade de dados que precisam ser comunicados ao local remoto, o que pode ser particularmente valioso porque as características de comunicação podem ser relativamente caras, especialmente se a comunicação via satélite ou celular for necessária. O custo de comunicação pode ser reduzido transmitindo a indicação de saúde. Em alguns casos, em vez de transmitir o valor absoluto da indicação de saúde de motor, um parâmetro derivado podería ser transmitido para reduzir ainda mais a quantidade de dados sendo transmitidos. Por exemplo, os circuitos de comunicação podem comunicar uma indicação diferencial de saúde de motor que indica uma diferença entre a indicação de saúde de motor e uma indicação de saúde de motor transmitida anteriormente, que pode tipicamente

Petição 870190046020, de 16/05/2019, pág. 29/85

17/43 exigir menos bits do que o valor absoluto. Os valores absolutos das indicações de saúde de motor podem então ser reconstruídos a partir das indicações de saúde de motor diferencial transmitidas no local remoto. Além disso, a indicação de saúde ou do próprio parâmetro derivado, os circuitos de comunicação também podem comunicar outras informações, como um código que identifica as características particulares que estão contribuindo mais para a pontuação de saúde (identificadas por quais características são o máximo ou mínimo na escala comum como discutido acima).

[0029] Em algumas implementações, um único sensor de vibração pode ser usado e a indicação de saúde de motor é derivada dos dados do sensor do sensor de vibração único. Mesmo para um motor de multicilindros, um sensor de vibração provido em um cilindro ainda pode permitir que informações sobre outros cilindros sejam deduzidas, já que as vibrações de um cilindro podem se propagar para outro cilindro.

[0030] No entanto, a identificação mais confiável de falhas em cilindros específicos pode ser obtida provido vários sensores de vibração nos respectivos cilindros. O aparelho de diagnóstico da saúde de motor pode, portanto, receber múltiplos conjuntos de dados de sensores de vibração recebidos dos sensores de vibração correspondentes e usá-los para gerar múltiplos vetores de características, cada um correspondendo a um dos cilindros. Cada vetor de características pode então ser processado usando um modelo de classificação treinado para gerar uma indicação de saúde de motor correspondente, de modo que múltiplas indicações de saúde sejam providas, cada uma correspondendo a um respectivo cilindro. Embora, em alguns casos, o vetor de características de cada cilindro possa ser processado por um modelo de classificação treinado de forma idêntica, na prática, os padrões de vibração identificados em cilindros específicos durante uma falha específica podem diferir de cilindro para cilindro, dependendo da configuração do motor. Portanto, pode ser útil prover um número de modelos de classificação

Petição 870190046020, de 16/05/2019, pág. 30/85

18/43 treinados separadamente, cada um treinado com base em dados capturados de um cilindro correspondente, com a indicação de saúde para um determinado cilindro sendo calculada usando o modelo de classificação correspondente específico para esse cilindro.

[0031] As Figuras 1 e 2 ilustram um exemplo de um sistema 2 para analisar a saúde de um motor de combustão interna alternado 4. Por exemplo, o motor 4 podería ser um motor a diesel atuando como sistema de propulsão para uma embarcação marítima, um gerador para gerar energia elétrica, ou qualquer outro tipo de motor de combustão interna alternado. O sistema 2 compreende um número de sensores montados no motor 6 montados no motor 4, e um módulo de diagnóstico da saúde de motor 8 para receber os dados do sensor, processando os dados do sensor para identificar características, processando as características identificadas usando um modelo de classificação treinado para gerar uma indicação de saúde para o motor 4 e emitir a indicação de saúde. O módulo para diagnóstico da saúde de motor 8 pode compreender uma ou ambas as arquiteturas de hardware incorporadas 10 e uma arquitetura de software incorporada 12 para processar os dados do sensor e gerar a indicação de saúde. Por exemplo, a arquitetura de hardware incorporada 10 pode compreender implementos de hardware personalizados no processamento dos dados do sensor, tal como um arranjo de portas programáveis em campo (FPGA), enquanto a arquitetura de software incorporada 12 podería compreender um processador de execução geral implementando o processamento de dados do sensor. A indicação de saúde gerada pode ser exibida localmente no módulo a borda 8 através de uma interface gráfica de usuário (GUI) 14, ou pode ser comunicada a um servidor remoto 16 através de um processador de comunicações integrado 18. O processador de comunicação 18 pode suportar um único tipo do método de comunicação, ou podería suportar mais de um. Por exemplo, qualquer um ou mais dos seguintes métodos de comunicação pode(m) ser usado(s) para a a

Petição 870190046020, de 16/05/2019, pág. 31/85

19/43 comunicação: comunicação celular 20, tal como LTE 4G, comunicações por satélite 22, comunicações sem fio locais 24, tais como 802.1 In/ac (WiFi®) ou o sistema de identificação automática (AIS) 26 usado para identificar e localizar embarcações de transporte marítimo, trocando dados por outras estações terrestres ou satélites próximos. A indicação de saúde transmitida para o servidor remoto 16 pode então ser analisada no lado do servidor por uma arquitetura de software 28 e exibida para um operador do servidor através de outra interface gráfica de usuário 30. Por exemplo, as indicações de saúde recebidas durante um período de tempo podem ser exibidas graficamente para permitir que um operador identifique as alterações que podem identificar falhas, para uso em decidir se um engenheiro deve investigar o motor, ou programar operações de reparo ou manutenção.

[0032] Mais particularmente, o sistema 2 usa sensores não invasivos que podem ser reequipados a uma faixa de motores diferentes (ou seja, não ligados a um fabricante ou configuração de motor em particular), usando uma abordagem de inteligência artificial para entender os dados do sensor e prover uma medida quantitativa da saúde do cilindro individual que permite a detecção e a classificação de falhas do motor muito antes de um sistema que simplesmente compara as leituras de vibração contra certos limites predefinidos. A análise dos dados do sensor é feita no próprio local do motor, e isso pode ser acoplado a uma faixa de diferentes portadores de comunicação, incluindo aqueles com baixa taxa de dados, para enviar informação processada para comparação e armazenamento de volta à nuvem. Dessa forma, uma “assinatura” do motor pode ser capturada durante a fase de instalação e teste, armazenada na nuvem, e somente as diferenças para essa assinatura podem ser transmitidas para permitir a comparação de tendências. Um sistema quantitativo de pontuação de salubridade do motor é usado, evitando os problemas “quão sério é o obstáculo?” associados a medições simples baseadas em limiares. A pontuação de saúde pode alimentar as

Petição 870190046020, de 16/05/2019, pág. 32/85

20/43 interfaces gráficas de usuário que apresentam as informações de modo a informar de forma sucinta aos usuários (no local do motor e no local remoto) de qual cilindro no motor está desenvolvendo um problema, bem como a taxa subjacente de alteração. O último ponto é importante, pois uma taxa crescente de mudança pode ser o precursor de falhas sérias ou falhas catastróficas. Falhas secundárias ou “não relacionadas ao cilindro”, como mancais principais, bomba de combustível, variações nas temperaturas do lubrificante e desbalanceamento do turbocompressor também podem ser derivadas das medições de vibração do cilindro.

[0033] A Figura 3 ilustra esquematicamente o processamento realizado pelo aparelho de diagnóstico da saúde de motor a bordo 8 em mais detalhes. Como mostrado na Figura 3, o motor 4 pode compreender um número de cilindros 40 com cada cilindro compreendendo um pistão 42 que alterna dentro de um invólucro de cilindro 44 para comprimir uma mistura de ar-combustível dentro de um espaço 46 entre o topo do pistão 42 e a cabeça de cilindro 48. Os pistões 42 acionam um eixo de manivelas 50 e os respectivos cilindros 40 têm os seus pistões 42 acoplados em diferentes posições angulares em torno do eixo de manivelas, de modo que cada cilindro dispara em um determinado ponto do ciclo de operação do motor. Enquanto a Figura 3 mostra um exemplo com quatro cilindros, será apreciado que a técnica pode ser aplicada a um motor com qualquer número de cilindros. Também a Figura 3 mostra uma representação grosseiramente simplificada de cada cilindro para concisão, mas será apreciado que cada cilindro pode compreender muitos outros componentes tais como um injetor de combustível, válvula de escape, etc. O módulo de diagnóstico a bordo 8 pode ser equipado retrospectivamente a qualquer desenho conhecido de motor de combustão interna alternado, por isso a técnica não se limita a qualquer forma específica de motor.

[0034] Como ilustrado na Figura 3, um sensor de vibração 60 é

Petição 870190046020, de 16/05/2019, pág. 33/85

21/43 reequipado à cabeça de cilindro 40 de cada cilindro. Cada sensor de vibração 60 compreende um acelerômetro. Por exemplo, os acelerômetros de corrente constante industrial podem ser montados no exterior do motor (por exemplo, usando um acessório magnético). Neste exemplo, cada sensor de vibração é colocado no topo das cabeças de cilindro individuais 48, como pesquisa estudando vários locais para o sensor descobriu que isto dá os melhores resultados, também seria possível colocar os acelerômetros em outras localizações no motor. Os acelerômetros produzem tensões, com base na magnitude da deflexão da cabeça do cilindro, que são convertidos através de um conversor analógico-para-digital (ADC) 62 em medidas digitais de vibração, por exemplo, em unidades de g. Além destes acelerômetros, um sensor de ponto morto superior (TDC) 64 é afixado ao volante 68 do motor. O sensor de TDC 64 sensoreia um pequeno ímã 66 girando no volante 68 que, ao passar a cabeça do sensor fixo 64, induz um pequeno pulso de tensão. Este pulso é alimentado através de um ADC 70 para prover um pulso quadrado, provido uma referência precisa ao momento em que o eixo de manivelas do motor passa por TDC para um cilindro particular (a posição do centro do ponto morto superior (TDC) de um determinado cilindro é quando o pistão é mais distante do eixo a partir do eixo de manivelas). O sensor de TDC 64 é um exemplo de um sensor para sensorear a temporização relativa do cilindro em relação à fase de operação do motor, mas outros exemplos de sensores de ângulo de eixo de manivelas também poderiam ser providos. Mais geralmente, qualquer sensor que sensoreia algum parâmetro do motor que permita que vibrações causadas por um disparo de cilindro sejam correlacionadas com a fase do ciclo do motor pode ser usado.

[0035] A arquitetura de hardware e/ou software 10, 12 usada para processar os dados do sensor capturados pode assumir várias formas. Por exemplo, os ADCs 62, 70 podem ser implementados em um registrador de dados e os dados do registrador de dados podem ser enviados para um

Petição 870190046020, de 16/05/2019, pág. 34/85

22/43 software de execução de processador de uso geral para analisar os dados do sensor. Em alternativa, um FPGA (arranjo de portas programáveis em campo) pode ser provido acoplado a um processador incorporado, isto é, um sistema em chip (SoC). Um FPGA permite um cálculo mais rápido das principais características que surgem nos conjuntos de dados combinados dos acelerômetros 60 e do sensor de TDC 64, para suportar melhor classificação em tempo real quanto à degradação da saúde de motor, ou seja, desenvolver uma falha ou se uma falha já estiver presente. Assim, em alguns casos, o processamento do modelo de classificação pode ser executado como VHDL/Verilog codificado por codificação rígida no FPGA.

[0036] De qualquer maneira, a arquitetura de hardware 10 e/ou arquitetura de software 12 incorporada do módulo 8 executa vários canais de processamento de dados do sensor, com cada canal realizando análise combinada de características de domínio de tempo e frequência e características de pico de vibração dos dados do sensor de vibração e provido um sistema de pontuação para quantificar o desvio das características observadas dos dados do sensor de vibração de um estado saudável. Como mostrado na Figura 3, cada canal corresponde a um dos cilindros e recebe dados diferentes do sensor de vibração do ADC 62 correspondentes ao sensor de vibração 60 montado no cilindro correspondente, mas os mesmos dados de temporização do sensor de TDC 64 (que é usado como uma referência para identificar a temporização da vibração de pico nos dados do acelerômetro). Cada canal de processamento inclui dois estágios principais. Primeiro, um vetor de características 80 é gerado processando os dados do sensor de vibração e os dados do sensor de TDC. O vetor de características 80 tem várias dimensões de características, cada uma indicando uma característica correspondente dos dados capturados para o cilindro correspondente 40. O vetor de características é introduzido em um modelo de classificação treinado 82 e processado para produzir uma indicação de saúde correspondente 84 que

Petição 870190046020, de 16/05/2019, pág. 35/85

23/43 distingue o desvio da característica vetor de comportamento saudável anteriormente observado para o cilindro correspondente. Este processamento será descrito em mais detalhes abaixo. Assim, o módulo 8 emite N indicações de saúde separadas 84, cada uma correspondendo a um dos N cilindros do motor 4.

[0037] As indicações de saúde podem então ser usadas para gerar os dados de pacote a serem transmitidos através do processador de comunicação 18 para o servidor 16. Ao contrário das técnicas alternadas que emitem os dados brutos do sensor para o servidor 16, realizando a geração de vetores de características 80 e processamento de modelo de classificação 82 localmente dentro de um módulo 8 no local na localização do motor, a quantidade de dados a serem comunicados ao servidor 16 pode ser bastante reduzida, para evitar requisitos de largura de banda dispendiosos para as comunicações. Por exemplo, as indicações de saúde 84 podem apenas requerer que um pequeno número de bits seja transmitido, em oposição às vastas quantidades de dados de sensores recebidos dos sensores de vibração. O volume de dados pode ser ainda mais reduzido codificando as indicações de saúde usando um esquema diferencial, em que, em vez de transmitir os valores absolutos, a diferença em relação a um valor previamente transmitido é transmitida. Outras opções poderíam ser apenas transmitir indicações de saúde, se indicarem um grau de saúde de motor é menor que um determinado limiar. Além da própria indicação de saúde, outros dados também podem ser transmitidos para o servidor, como uma indicação de quais características específicas das características são mais preocupantes. Um benefício de transmitir uma indicação de saúde simples e um código de relativamente poucos bits, indicando um padrão de características de interesse, é que o AIS 26 pode ser usado para comunicações. O AIS tem uma quantidade muito pequena de largura de banda disponível para transmissão de dados binários juntamente com as informações necessárias para o rastreamento de embarcações para

Petição 870190046020, de 16/05/2019, pág. 36/85

24/43 aplicativos baseados no envio. Por conseguinte, a capacidade de comprimir a indicação de saúde em uma carga útil relativamente pequena é, por conseguinte, particularmente vantajosa, como se o AIS pudesse ser usado e os dados possam ser transmitidos virtualmente sem custos comparativamente ao uso de técnicas mais caras de comunicação celular ou por satélite. Para aplicações que não sejam de envio, o AIS tipicamente não está disponível e outras técnicas de comunicação podem ser usadas.

[0038] A Figura 4 mostra o processamento provido pela arquitetura de hardware e/ou software incorporado em mais detalhes. A arquitetura compreende circuitos de geração de características 90 para processar os dados do sensor de vibração 91 e os dados de TDC 94 para gerar um vetor de características 80 que corresponde aos dados do sensor, circuitos de escalonamento 92 para escalonar os parâmetros do vetor de características para os mapear em uma escala comum de referência para cada uma das diferentes dimensões de características do vetor 80, e circuitos de processamento 94 para executar o cálculo de pontuações de saúde com base no vetor de características escalonado. Opcionalmente, a arquitetura incorporada 10, 12 também pode incluir um buffer de modelo 96 para armazenar parâmetros de modelo definidos no modelo de classificação usado pelos circuitos de processamento de cálculo de pontuação de saúde 94 e circuitos de treinamento 98 para atualização dos parâmetros do modelo 96 durante uma fase de treinamento como discutido abaixo. No entanto, os circuitos de treinamento 98 e buffer de modelo 96 podem ser omitidos, se uma modalidade usar um modelo fixo sem a capacidade de treinar o modelo e, neste caso, os parâmetros do modelo podem ser codificados por codificação rígida dentro dos circuitos de processamento de pontuação de saúde 94 ou armazenados em leitura apenas armazenamento, por exemplo. Enquanto a Figura 4 mostra o processamento realizado para um único canal do cálculo da pontuação de saúde correspondente a um único cilindro, será apreciado que

Petição 870190046020, de 16/05/2019, pág. 37/85

25/43 no caso de múltiplos cilindros da Figura 3, cada um dos canais de processamento pode compreender a funcionalidade mostrada na Figura 4. Para a concisão, devemos nos referir a um único canal de processamento abaixo, mas será apreciado que isto pode ser realizado várias vezes em paralelo para cada cilindro.

[0039] Como mostrado na Figura 4, as características no vetor de características 80 podem incluir três classes principais de características, ou seja, características de domínio de frequência 100, características de domínio de tempo 102 e características de pico de vibração 104. Os dados do sensor de vibração 91 compreendem uma série de leituras digitais geradas por ADC 62 para o sensor de vibração correspondente.

[0040] O processamento no domínio da frequência 100 compreende aplicar uma transformada de pacote em ondaleta 110 (WPT) a uma determinada janela dos dados do sensor de vibração 91 para decompor a série do domínio do tempo de dados do sensor de vibração em sinais em um número de bandas de frequências distintas. Por exemplo, a WPT pode gerar 512 características de frequência distintas divididas em bandas de frequência. Os circuitos de computação 112 podem então calcular, para cada banda de frequência, a energia de vibração na banda de frequência correspondente e emitir a energia computada como a característica correspondente do vetor de características. A energia em uma determinada banda de frequência pode corresponder ao quadrado do sinal gerado por WPT para a banda de frequências correspondente. Assim, o vetor de características 82 pode incluir várias características do domínio da frequência, correspondendo cada uma à energia contida no sinal de vibração em uma dada banda de frequência. Embora a análise de dados no domínio da frequência com A WPT seja uma abordagem relativamente pesada (com implicações na implementação em um sistema em tempo real), é particularmente adequada para o monitoramento da saúde de motor, porque as frequências se alterarão se a velocidade do motor

Petição 870190046020, de 16/05/2019, pág. 38/85

26/43 mudar (FFTs, por exemplo, são mais adequados para amostras de velocidade constante), e ondaletas podem pegar características interessantes, apesar das mudanças de velocidade do motor, devido à sua complexidade. Isto é particularmente importante quando se considera os motores de propulsão que invariavelmente seguem a carga, isto é, é colocada uma demanda sobre o motor que requer um aumento na potência de saída e, portanto, a velocidade do motor muda; se uma medição de saúde de monitoramento/motor fosse dependente de amostras de velocidade constante, isso possivelmente sinalizaria isso como uma “falha”.

[0041] O processamento no domínio do tempo 102 inclui o cálculo de vários parâmetros estatísticos baseados nos dados do sensor de vibração da série temporal bruta 91. Por exemplo, para um dado conjunto de N leituras do sensor de vibração xo a xn-i, as características do domínio do tempo podem incluir qualquer um dos seguintes:

χ = -Σο ^Αχ’· • a média 116, por exemplo, • variância ou desvio padrão 118, isto é, variância ₄ = Vxr-x)² ou desvio padrao [0042] · curtose 120, que provê uma medida da nitidez do pico na distribuição das amostras dentro da janela atual. Uma alta curtose indica que as amostras estão agrupadas em tomo da média, enquanto uma baixa curtose indica que há uma cauda mais ampla de valores mais afastada da média. Por exemplo, uma indicação de curtose que pode ser usada é

Λ = ----—---5 [0043] · assimetria 122, que provê uma medida de quão simétrica ou assimétrica é a distribuição das amostras. Por exemplo, uma medida de

-MB VM í V-& . Sê'’!:\ J νψ.· J· assimetria que podería ser usada é

Petição 870190046020, de 16/05/2019, pág. 39/85 / 43 ΐ = 1 — ΐ ” * Τ

-*· 8 ZíQ ·<*· J

Μ ?s’ [0044] · raiz quadrada média (RMS) 124, isto é [0045] · fator de crista 126, que é uma medida da proporção entre o valor de pico de uma forma de onda e o valor da raiz quadrada média (isto é, C — Xmax/Xrms)· [0046] Usando características de análise no domínio do tempo, juntamente com a análise no domínio da frequência, para determinar a natureza e o comportamento das anormalidades nos dados de vibração, tipos adicionais de falhas podem ser detectados. Por exemplo, sem o uso de curtose e assimetria, enquanto seria possível ver a energia crescente/decrescente através das bandas de frequência decompostas (por exemplo, vibração piorando), seria difícil deduzir qual porcentagem dos dados de vibração que chegam está exibindo anormalidades (curtose) e se o espalhamento dos pontos de dados de vibração é simétrico em relação a uma distribuição normal (assimetria). Um alto escore de curtose (curva de distribuição acentuada) e escore de assimetria baixa (aproximando-se da distribuição normal) nos dirão que esta malformação está refletindo uma causa externa (por exemplo, um engenheiro soltando um objeto pesado perto do motor) em vez de uma falha interna no cilindro. Os dados do domínio do tempo também podem ajudar a identificar se uma falha vista nos dados é simplesmente o efeito de um motor de envelhecimento ou se realmente existe um problema.

[0047] O processamento de vibração de pico 104 pode identificar um número de características relativas à temporização em que a amplitude (mima) de pico de vibração é detectada em relação ao ciclo de operação do motor. Em um motor de dois tempos, o ciclo de operação do motor corresponde a uma rotação de 360 graus do eixo de manivelas e assim a característica de temporização de pico 130 pode ser simplesmente uma indicação do ângulo do eixo de manivelas no qual a amplitude de pico foi detectada para o cilindro correspondente. No entanto, para um motor de

Petição 870190046020, de 16/05/2019, pág. 40/85

28/43 quatro tempos, o ciclo de operação completo do motor é superior a duas rotações de um eixo de manivelas (720 graus de rotação) e, neste caso, em um processamento de temporização de pico 104 pode não apenas identificar o ângulo do eixo de manivelas, mas também se o ponto de disparo de pico para um determinado cilindro ocorre nos primeiros 360 graus ou nos segundos 360 graus de rotação do eixo de manivelas. Será apreciado que o parâmetro de temporização de pico 130 não precisa identificar explicitamente o ângulo de eixo de manivelas em termos de graus de rotação. Qualquer valor que seja indicativo do ângulo do eixo de manivelas ou de alguma outra fase operacional do motor poderia ser usado (por exemplo, o valor da temporização de pico não precisa ser escalonado para 360 graus ou 720 graus. Além do parâmetro de temporização 130 a amplitude da vibração no ponto de temporização máximo também pode ser emitida como outra característica 132 do vetor de características. Ao incluir características de temporização de vibração de pico no vetor de características 80 além de características de processamento de domínio de tempo e frequência, falhas que causam disparo tardio de um dado cilindro podem ser detectadas, o que seria difícil de detectar apenas a partir das características de tempo e domínio de frequência.

[0048] Observe que na análise da vibração de o pico versus ângulo do eixo de manivelas, com base em dados de teste de um número de motores com diferentes sequências de disparo (ou seja, olhando para 3 cilindros vs oito cilindros retos), foi observado que, em 720 graus, em certos motores, a vibração de pico não aparece necessariamente no disparo do cilindro, mas sim no curso de escape. Isto é extremamente não-intuitivo, dado que a explosão no cilindro na ignição ocorre imediatamente antes da pressão de pico, com a expectativa de que esta onda de pressão se acople à cabeça do cilindro, provido a maior deflexão. No entanto, a consideração da dinâmica do pistão resultante revela que a vibração de o pico pode ocorrer no curso de escape, dado que a câmara de combustão está a uma pressão muito menor e, portanto,

Petição 870190046020, de 16/05/2019, pág. 41/85

29/43 há muito menos amortecimento da vibração mecânica do movimento do pistão quando o pistão está comprimindo rapidamente a mistura de combustível/ar a uma pressão mais alta. Assim, a vibração de o pico pode não ser necessariamente o ponto no qual o cilindro foi disparado, mas, no entanto, um atraso no disparo do cilindro também atrasará a vibração de o pico e, portanto, isso não afeta adversamente a metodologia que foi empregada. Ou seja, mesmo que a vibração de o pico não esteja no curso de potência, ele é usado como uma referência no segmento específico da rotação de 720 graus do eixo de manivelas, e ainda pode ser usado para rastrear mudanças na temporização de vibração de pico versus ângulo de eixo de manivelas para um cilindro individual ao longo do tempo, que é um indicador útil de falhas. Na prática, a temporização relativa da vibração de o pico em relação ao ângulo do eixo de manivelas será específica para uma determinada instalação do motor, e pode ser aprendida na fase de treinamento, de modo que as mudanças ao longo do tempo possam ser detectadas mais tarde durante a fase de operação. [0049] O vetor de características 80 que compreende as características de domínio de tempo, domínio de frequência e temporização de pico é introduzido nos circuitos de escalonamento 92 que escala cada variável independente do vetor de características para uma escala de referência comum de acordo com parâmetros de escalonamento gerados durante uma fase de treinamento. Isso garante que cada característica independente do vetor tenha uma contribuição substancialmente igual à classificação pelos circuitos de processamento de pontuação de saúde, mesmo que seus valores absolutos variem em diferentes escalas. Os circuitos de escalonamento 92 pode escalar cada parâmetro usando diferentes técnicas. Em um exemplo, o escalonamento pode usar escalonamento de faixa, onde para cada característica do vetor de f/ características, o valor escalonado novamente ' é calculado de acordo com Λ^- A-;min

A .f f f . f.

onde e sao os valores mmimo e máximo para essa característica específica encontrada durante a fase de treinamento.

Petição 870190046020, de 16/05/2019, pág. 42/85

30/43

Altemativamente, os circuitos de escalonamento 92 podem usar _, ft- - £ mm escalonamento médio, em que ’ é calculado de acordo com que ^: e ¹ são a média e o desvio padrão detectados para os valores da característica no conjunto de treinamento dos vetores de características usados para treinar o modelo. Assim, cada característica do vetor de características tem um conjunto correspondente de parâmetros de escalonamento ( e , ou e ) , que sao aprendidos separadamente para cada característica do vetor durante o treinamento.

[0050] Durante o treinamento, isso resulta em cada característica do vetor de características sendo mapeado em uma escala comum entre a faixa de 0 a 1. Ao fixar os parâmetros de escalonamento durante o treinamento, isso significa que se na fase operacional uma determinada característica estiver fora da faixa visto durante o treinamento, ele terá um valor fora da faixa de 0 a 1, e isso pode ser detectado como anormal e sinalizado na saída de dados para o servidor 16. Por exemplo, um determinado número de características de “melhor classificação” com o máximo ou o mínimo valores persistentemente fora das faixas para essas características no conjunto de treinamento podem ser identificadas, e um código indicando quais parâmetros específicos excederam a faixa de treinamento pode ser emitido como parte dos dados enviados para o servidor 16.

[0051] O vetor de características escalonado é introduzido nos circuitos de cálculo de pontuação de saúde 94, que classifica o vetor de características de acordo com um modelo de classificação treinado. Em particular, o modelo de classificação pode ser um modelo de uma classe e, em alguns casos, pode ser uma máquina de vetores de suporte. As Figuras 5 e 6 ilustram esquematicamente a fase de treinamento e a fase operacional do modelo, respectivamente. Para facilitar a compreensão, as Figuras 5 e 6 assumem um vetor de características 80 com apenas duas variáveis

Petição 870190046020, de 16/05/2019, pág. 43/85

31/43 independentes FV-x e FV-y. Portanto, cada vetor de características pode ser plotado graficamente em um gráfico com as duas variáveis independentes mostradas nos eixos X e Y.

[0052] Durante a fase de treinamento mostrada na Figura 5, um conjunto de treinamento de vetores de características pode ser calculado correspondendo aos dados do sensor de vibração 91 coletados em uma série de casos no tempo durante um período em que o motor está operando de forma saudável. O julgamento sobre se o motor é saudável pode ser feito por um engenheiro que supervisiona o processo de treinamento, por exemplo. Será apreciado que um motor nunca será 100% perfeitamente saudável, mas o engenheiro pode ser capaz de julgar que não há falhas aparentes na operação dos motores. Como mostrado na Figura 5, durante a operação saudável do motor, pode ser esperado que a maioria dos vetores de características agrupese em uma determinada região do espaço de feição, mas pode haver alguns vetores de característica distantes que se encontram afastados do conjunto principal de vetores de características. Uma máquina de vetores de suporte de uma classe tenta classificar o conjunto de treinamento de dados definindo um limite 150 que demarca a maior parte do conjunto de treinamento de vetores de características de uma certa porcentagem de vetores de características afastados. O modelo pode ser distinguido por vários parâmetros de controle incluindo, por exemplo, uma largura de kernel que define a complexidade da função usada para representar o limite distinguido 150 e uma fração de rejeição que indica a fração particular de vetores de características afastados que estão fora do limite de característica 150. Por exemplo, várias funções de kernel podem ser usadas, por exemplo, uma função linear ou uma função não linear. Uma função Gaussiana pode prover um desempenho de modelo razoável. A largura do kernel define quão convoluta (“tortuosa”) a função de limite pode ser. Se a função for relativamente simples, isso pode não permitir que o limite lide adequadamente com classificações mais complexas, onde o

Petição 870190046020, de 16/05/2019, pág. 44/85

32/43 limite precisa se mexer para frente e pra trás para acomodar o agrupamento do conjunto de treinamento de vetores de característica, mas se a função for muito complexa, pode resultar no limite sendo influenciado indevidamente pelo ruído no conjunto de treinamento de vetores de características, de modo que a função acaba sendo ajustada a valores de dados particulares que podem não ser representativos da classe mais ampla de características como um todo sendo aprendido pelo modelo. Um exemplo de uma função de kernel adequada que pode ser usada com a função. Enquanto a Figura 5 para entendimento mais simples mostra um vetor de características bidimensional e, portanto, o limite é uma linha no espaço de característica, com dimensões maiores, o vetor de características da função de limite também pode ser definido em um maior número de dimensões. Por exemplo, para um vetor de características tridimensional, o limite pode ser um plano bidimensional e, mais geralmente, para um espaço de característica N-dimensional, a função de limite pode ser tipicamente uma função (N-l)-dimensional. Portanto, a função limite pode ser vista como um hiperplano no espaço N-dimensional, que é definido por uma função de kernel.

[0053] De modo a treinar o modelo de classificação, um algoritmo de otimização pode ser realizado para variar parâmetros da função de limite 150 com o objetivo de maximizar a margem em média entre o limite 150 e a fração de rejeição predeterminada de vetores de característica afastados que se situam fora do limite. Isso explora a observação de que, se a margem entre o limite 150 e a fração afastada dos vetores de características for maior, isso significa que o limite 150 está no melhor local para classificar as propriedades comuns dos vetores de características restantes que estão dentro do limite. A esse respeito, a margem entre um dado vetor de características e o limite pode ser calculado como uma distância no espaço euclidiano entre o vetor de características e a borda do limite na distância mínima do vetor de características. Um exemplo de uma técnica de treinamento para treinar uma

Petição 870190046020, de 16/05/2019, pág. 45/85 / 43

SVM de uma classe pode ser encontrada em Schõlkopf et al, “Support Vector Method for Novelty Detection”, emNIPS (Vol. 12, págs. 582-588),1999, e Schõlkopf et al. “Estimating the support of a high-dimensional distribution”, Neural computation, 13(7), págs. 1443-1471, 2001.

[0054] Em algumas modalidades, a fase de treinamento pode tentar treinar o modelo várias vezes usando diferentes combinações da fração de rejeição e do parâmetro do kernel e, em seguida, escolher o modelo treinado que leva à maior margem em média entre a fração de delineamento de vetores de limite 150. Outras modalidades podem simplesmente escolher um único valor da largura da função de núcleo e a fração de rejeição e, em seguida, tentar encontrar a definição ótima do limite que está em conformidade com esses parâmetros. De qualquer modo, em geral, o limite 150 pode ser definido por um número de vetores de suporte que indicam localizações no limite e tais vetores de suporte podem ser armazenados no buffer de modelo 96 para distinguir o modelo treinado.

[0055] A fase de treinamento pode ser realizada quando o sensor 6 e o modelo 8 são primeiro instalados pela primeira vez para um determinado motor, a fim de aprender o comportamento de vibração específico encontrado para esse motor específico.

[0056] Por outro lado, uma vez a fase de treinamento é completada, o parâmetro armazenado no buffer de modelo 96 pode ser usado na fase de operação para calcular a pontuação de saúde. Como mostrado na Figura 6, os parâmetros do modelo definem o limite 150 da operação saudável que foi aprendida a partir do conjunto de treinamento de vetores de características capturados durante um período de operação saudável. Em processamento operacional subsequente, novos vetores de características detectados podem ser comparados com o limite para identificar a distância entre o novo vetor de características e o limite 150. Novamente, a distância pode ser calculada como a distância euclidiana entre o vetor de características e o limite 150 em

Petição 870190046020, de 16/05/2019, pág. 46/85

2A! 43 hiperespaço N-dimensional, em que N é o número de características do vetor de características.

[0057] Assim, a pontuação de saúde pode indicar um valor quantitativo que distingue quanto o novo vetor de características desviou do limite da operação saudável. Quando o vetor de características está exatamente no limite 150, isso pode prover uma pontuação de saúde H de 0, já que não há distância entre o vetor de características e o limite. Valores positivos e negativos da pontuação de saúde H podem indicar valores situados fora ou dentro do limite. Qual dos valores positivos e negativos representa fora do limite e que representa dentro do limite é uma escolha de desenho e isso pode ser feito de qualquer maneira. No exemplo da Figura 6, uma pontuação de saúde positiva H representa que o vetor de características está dentro do limite 150, representando um motor saudável, enquanto a pontuação de saúde negativa representa motores não saudáveis para os quais o vetor de características está fora do limite. Ao prover tal pontuação de saúde quantitativa, é possível distinguir não apenas que existe uma falha em potencial, mas também avaliar o grau de saúde de motor quando nenhuma falha ainda foi detectada. Por exemplo, um vetor de características que fica mais dentro do limite representa um motor mais saudável do que um vetor de características mais próximo da borda da região saudável. Também alterações no valor da pontuação de saúde ao longo do tempo, que podem refletir o início de um problema que poderia se tomar mais significativo posteriormente, podem ser detectadas.

[0058] Além da observação e análise de tendências de longo prazo, a pontuação de saúde também pode prover dados de referência sobre como um motor está se comportando antes e depois da manutenção, por exemplo, embora, em teoria, um serviço melhore a salubridade de um motor, se for um serviço particularmente invasivo ou se forem cometidos erros durante o serviço, existe a possibilidade de haver um impacto negativo no desempenho

Petição 870190046020, de 16/05/2019, pág. 47/85

35/43 do motor. Tomando um exemplo extremo; isto pode acontecer se os anéis do pistão forem substituídos, mas forem instalados incorretamente, por exemplo, de cabeça para baixo, que foi visto ocorrer na prática. O dispositivo de monitoração discutido acima pode detectar rapidamente que um erro foi cometido na manutenção, para permitir que o erro seja corrigido.

[0059] Além disso, a pontuação de saúde pode ser avaliada para diferentes ambientes ou condições operacionais do motor, e a análise das tendências históricas nesses dados pode ser usada para ajudar a prever a configuração ideal do motor ou a seleção ideal do motor para uma aplicação específica na qual o motor deve ser instalado no futuro.

[0060] Note-se que as Figuras 5 e 6 são ilustrações conceituais do modelo de SVM. O modelo real não pode ser representado graficamente desta maneira, pois é um modelo de alta dimensão, mas as ilustrações conceituais nas Figuras 5 e 6 ilustram os princípios por trás do modelo usando um exemplo em duas dimensões. Será apreciado que estas são apenas ilustrações conceituais, em vez de qualquer imagem real do modelo de SVM real usado no módulo 8.

[0061] A Figura 7 é um fluxograma mostrando um método de treinamento do modelo. O treinamento pode ser realizado por circuitos de treinamento a bordo 98 dentro do módulo incorporado 8 ou por software que podería executar dentro do próprio módulo 8 ou extemamente em um dispositivo separado a fim de gerar os parâmetros do modelo que serão incorporados no módulo 8. Na etapa 200, o sensor de vibração 60 e o sensor de TDC 64 são equipados no motor particular 4, que deve ser monitorado quanto a problemas de saúde contínuos (alternativamente, se o motor já possui sensores adequados, a etapa 200 pode ser omitida). Na etapa 202, o conjunto de treinamento de vetores de características é recolhido durante um período de operação saudável do motor. Por exemplo, o conjunto de treinamento pode compreender um certo número de vetores de características,

Petição 870190046020, de 16/05/2019, pág. 48/85

36/43 por exemplo, na faixa de dezenas de milhares, por exemplo. Na etapa 204, os parâmetros de escalonamento para escalonar cada característica dos vetores de características para uma escala comum são determinados. Isso é feito independentemente para cada característica do vetor de características, com base na faixa de valores detectados para essa característica em todo o conjunto de treinamento de vetores de características como um todo. Por exemplo, cada característica pode ser escalonada com base nos valores mínimos e máximos encontrados ou com base na média e no desvio padrão, como discutido acima. Tendo determinado os parâmetros de escalonamento, na etapa 206, cada um dos vetores de características é escalonado usando os parâmetros determinados para gerar os vetores de características escalonados. [0062] Na etapa 208, o limite da operação saudável 150 do modelo de classificação é aprendido, variando os parâmetros do modelo para maximizar uma margem entre % de R dos vetores de características periféricos do conjunto de treinamento e o restante (100-R)% de vetores de características, em que R é a fração de rejeição. A etapa 208 pode ser repetida múltiplas vezes para diferentes valores de R e/ou para diferentes tipos ou parâmetros de função de limite, a fim de encontrar o conjunto de parâmetros que dá a margem média máxima entre os vetores de características periféricos e o limite que encerra os vetores de a características remanescentes. Tendo encontrado a localização do limite, na etapa 210, os parâmetros do modelo são armazenados no módulo incorporado 8, que distingue a localização do limite 150, e também os parâmetros de escala determinados na etapa 204 são armazenados. Por exemplo, estes podem ser armazenados no buffer de modelo 96. Enquanto a Figura 7 mostra o processo de treinamento para treinar um modelo de SVM de classe única correspondente aos dados de um único cilindro, será apreciado que este processo pode ser repetido N vezes para os N cilindros do motor para gerar um número de conjuntos distintos de parâmetros do modelo, cada um definindo um SVM correspondente para

Petição 870190046020, de 16/05/2019, pág. 49/85

37/43 classificar os dados de vibração do cilindro correspondente.

[0063] A Figura 8 é um fluxograma que ilustra a fase de operação do módulo incorporado 8. Na etapa 220, os dados do sensor são capturados pelos sensores de vibração 60 e pelo sensor de TDC 64 equipados no motor. Na etapa 222, os circuitos de geração de características 90 gera o vetor de características que provê uma série de características dos dados do sensor, incluindo características do domínio da frequência, características do domínio do tempo e características de temporização de vibração de pico, como discutido acima. Na etapa 224, o vetor de características gerado é escalonado pelos circuitos de escalonamento 92 com base nos mesmos parâmetros de escalonamento armazenados no buffer de modelo 96 que foram derivados da fase de treinamento. Na etapa 226, o vetor de características escalonado é processado usando o modelo de classificação treinado pelos circuitos de processamento 94, para gerar a pontuação de saúde H que quantifica a distância do vetor de características do limite 150 aprendido anteriormente. Na etapa 228, a pontuação de saúde é produzida.

[0064] Entretanto, em paralelo com as etapas 226 e 228, na etapa 230, as características do vetor de características escalonadas que têm os valores mínimos ou máximos na referência de escala comum, são identificadas. Por exemplo, o processador pode identificar um certo número P das características mais bem classificadas que podem estar contribuindo mais para a determinação da pontuação de saúde específica. Na etapa 232, uma indicação das características identificadas pode ser produzida. Por exemplo, cada característica pode ser identificada individualmente ou um código de característica combinado representando alguma combinação específica de características pode ser produzida(o). Na etapa 234, a pontuação de saúde e a indicação das características identificadas são produzidas usando o visor da GUI 14, que é local para o módulo na placa 8, ou através da comunicação com o servidor externo 16. Isto permite então uma análise da pontuação de

Petição 870190046020, de 16/05/2019, pág. 50/85

38/43 saúde identificada, de nodo a programar operações de manutenção ou reparo conforme necessário. Novamente, o processo pode ser repetido N vezes para N cilindros do motor, a fim de prover informação de pontuação de saúde de cilindro a cilindro para permitir que os operadores identifiquem falhas para um determinado cilindro do motor.

[0065] Em alguns casos, além de produzir a própria pontuação de saúde (ou parâmetros derivados da pontuação de saúde), o armazenamento local pode ser provido no local do motor para armazenar uma certa quantidade de dados do sensor de vibração em bruto por uma janela recente. Altemativamente, os vetores de características podem ser armazenados no armazenamento local. Quando nenhum problema é identificado, o armazenamento local pode ser continuamente sobrescrito com dados de sensor mais atualizados. No entanto, quando uma pontuação de saúde adversa é detectada, o operador do sistema pode escolher examinar os dados de vibração recentemente capturados com mais detalhes para investigar o problema com mais detalhes. Assim, enquanto os dados do sensor brutos ou os vetores de características não seriam rotineiramente transmitidos para o servidor remoto 16, há a opção de chamar estes se necessário.

[0066] A taxa de amostragem dos sensores 6 usados para fornecer os dados do sensor de vibração pode ser variada. Em geral, a taxa de amostragem selecionada pode ser um trade-off entre o desempenho do modelo em relação à capacidade de armazenamento e o recurso de processamento necessário. Nossa pesquisa mostrou que uma taxa de amostragem de 2,4 kHz pode ser suficiente para monitoramento normal, mas uma taxa de amostragem maior como 32 kHz pode oferecer uma variedade maior de opções para detecção de falhas que poderíam ser usadas em cenários onde o nível de incerteza é maior. Uma abordagem pode ser a de que uma taxa de amostragem menor é usada para monitoramento normal para conservar a capacidade de armazenamento e processar o consumo de

Petição 870190046020, de 16/05/2019, pág. 51/85

39/43 potência, mas se algum problema for detectado, o sistema pode ser comutado para uma taxa de amostragem mais alta para revelar mais informações sobre a natureza do problema.

[0067] As técnicas descritas acima foram testadas usando duas abordagens: em primeiro lugar, monitorando as vibrações em um motor a diesel marítimo “real” durante a operação da vida real (por exemplo, em uma balsa ou rebocador) e observando tendências na indicação de saúde ao longo do tempo; e, em segundo lugar, operando um motor de teste no laboratório em que vários tipos comuns de falha do motor podem ser introduzidos intencionalmente, e observando a alteração na indicação de saúde quando cada tipo de falha do motor é introduzido.

[0068] A Figura 9 mostra um exemplo da alteração nas energias da banda de frequência em um motor com falha em relação a um motor saudável. A Figura 9 é um mapa de calor no qual as diferentes cores representam diferentes energias de vibração (cores mais claras representam energias mais altas neste exemplo), com as cores plotadas contra a banda de frequência no eixo x e o tempo no eixo y. Os dados da Figura 9 foram coletados para um motor a diesel marinho em um rebocador. Logo após o início do monitoramento, uma falha foi identificada no motor, que foi reparada em 23 de março de 2016. A Figura 9 mostra claramente como a assinatura dos motores da banda de frequência alterou drasticamente entre o período com falha e o período saudável subsequente. Portanto, isso mostra que as falhas podem ser identificadas a partir das características do domínio de frequência do vetor de características. Alterações semelhantes na assinatura de energia da banda de frequência foram observadas para outros motores, por exemplo, quando causada por uma falha por falta de combustível.

[0069] A Figura 10 mostra um gráfico da indicação de saúde de motor calculada usando o módulo de diagnóstico integrado 8 para um cilindro particular de um motor da vida real a bordo de uma balsa de veículo, quando

Petição 870190046020, de 16/05/2019, pág. 52/85

40/43 observado em operação durante um período de um mês. Conforme mostrado na Figura 10, inicialmente a indicação de saúde de motor foi positiva, mas ao longo do mês a indicação de saúde de motor caiu abaixo de zero e a alteração na indicação de saúde de motor ao longo do tempo indica uma deterioração na saúde de motor. Os operadores do motor de balsa de veículos não estavam cientes de qualquer falha quando nosso módulo 8 os alertou para o problema. Na investigação, verificou-se que a detecção de falhas estava correlacionada a uma queda gradual na temperatura de escape do cilindro sob carga, bem como uma queda na pressão de pico do cilindro em comparação com seus vizinhos, e algum tempo depois (após a deterioração continuada do motor) , verificouse que a temperatura de escape em marcha lenta era significativamente maior (até 100°C) do que seus vizinhos. Embora a causa específica da falha não tenha sido identificada (o motor está atualmente passando por um serviço/reconstrução para investigar o problema específico), as técnicas discutidas acima permitiram que a presença de uma falha fosse identificada não invasivamente vários meses antes do monitoramento com base em limiar para comparar as medições de temperatura ou pressão com os limiares fixados, teria mostrado uma alteração suficiente para poder indicar o problema aos engenheiros a bordo.

[0070] Assim, será apreciado que as técnicas discutidas acima não precisam necessariamente identificar a causa específica da falha (embora a informação sobre quais características particulares do vetor estejam contribuindo mais para uma pontuação anormal de saúde pode ajudar a atribuir a causa da falha). Mesmo que a causa ainda não possa ser identificada, as técnicas discutidas acima podem sensorear a presença de uma falha potencial muito antes das técnicas existentes, permitindo que um engenheiro intervenha e investigue antes e reduza a chance de uma falha mais catastrófica em um momento posterior.

[0071] A Figura 11 mostra a indicação de saúde determinada pelo

Petição 870190046020, de 16/05/2019, pág. 53/85

41/43 módulo 8 para o motor de teste, quando foram feitas várias alterações no motor de teste para simular falhas comuns no motor. Os códigos de falha no eixo x da Figura 11 representam as várias condições de falha da seguinte forma:

Código da Falha	Descrição	Para Simular
HTr	Conjunto de treinamento de vetores de características usadas para treinar o modelo de classificação	Condições de execução normais
HTe	Mapeamento de linha de base em fase de operação de modelo	Condições de execução normais
1.1	Montagem de motor solta (Estibordo Frontal)	Montagens de motor soltas
1.2	Montagem de motor solta (Porto Frontal)	Montagens de motor soltas
1.3	Montagem de motor solta (Estibordo Frontal + Porto Frontal)	Montagens de motor soltas
2.1	Válvula de escape de Vazamento para Cilindro 3	Vazamento de cilindro de “extremidade de topo”
2.2	Cilindro de Depuração de Braço de Válvula de Entrada 3	Desgaste de biela.
3.1	Falta de combustível para Cilindro 3	Problemas com dispensação de combustível e combustão incompleta
4.1	Grande de Folga de mancai de cabeça no cilindro 3	Grande de desgaste de mancai de cabeça
5.1	Aumento de interstício do anel de pistão (por torneamento)	Anéis de pistão desgastados (fuga de gás alcançada)
6.1	Pistão - saia desgastada nas faces anti/empuxo	Desgaste do furo (tentar condições de fuga de gás.
7.1	Variar o bloco do filtro de ar 45%	Entupimento do filtro de ar (45%)
7.2	Variar o bloco do filtro de ar 90%	Entupimento do filtro de ar (90%)
8.1	Interstício de aumento de extremidade plana de anel de topo	desgaste de extremidade plana de anel de topo - levando à torção de anel e/ou vibração de anel

[0072] Como mostrado na Figura 11, cada tipo de falha resulta em um escore de saúde que é significativamente diferente do escore de saúde observado nas condições de execução normais em HTe. E claro que existe um bom grau de separação entre as falhas e as amostras saudáveis. Embora o padrão específico de variação na pontuação de saúde seja específico para o tipo de falha e também específico para o motor específico, o simples fato de ter ocorrido uma alteração desde a operação saudável pode ser detectado pelo módulo de diagnóstico 8 e usado para sinalizar que um engenheiro deve investigar a causa da falha. Com o passar do tempo, os operadores podem aprender a atribuir assinaturas específicas de pontuação de saúde para tipos específicos de falha, mas isso não é essencial para a operação bem-sucedida do sistema.

Petição 870190046020, de 16/05/2019, pág. 54/85

42/43 [0073] Nos testes realizados para coleta de dados na Figura 11, foram realizados testes separados para três cargas diferentes no motor de teste (0 kW, 3 kW, 6 kW). Um modelo de classificação separado foi provido para cada nível de carga, com cada classificador treinado usando apenas os dados reunidos para a carga correspondente. Como mostrado na Figura 11, independentemente da carga, uma alteração na pontuação de saúde em relação à operação saudável pode ser observada. Muitas vezes, é o caso que, para uma determinada falha, a pontuação de saúde se toma menos negativa à medida que a carga do motor aumenta.

[0074] Um teste adicional foi realizado onde os conjuntos de treinamento de dados de vibração reunidos do motor de teste em todas as três cargas diferentes foram usados para treinar um único modelo de classificação, em vez de ter um classificador por carga. A Figura 12 mostra as pontuações de saúde calculados por tal modelo quando aplicados aos dados de vibração observados para cada um dos códigos de falha mencionados acima. Como mostrado na Figura 12, as alterações na pontuação de saúde em relação a um motor saudável ainda podem ser observadas mesmo quando o classificador não faz distinção entre carga. Assim, um classificador pode aprender com várias cargas e detectar com precisão as falhas, independentemente da carga, o que é útil para aplicações de transporte marítimo na realidade, em que a carga provavelmente muda com o tempo. O uso da WPT ajuda a tomar o modelo mais robusto contra alterações na carga.

[0075] Em um exemplo, é provido um aparelho de diagnóstico da saúde de motor para analisar a saúde de um motor de combustão interna alternado, o aparelho compreendendo:

circuitos de geração de características para processar dados de sensores de vibração recebidos de um sensor de vibração para sensorear vibração em um componente do dito motor de combustão interna alternado e gerar um vetor de características indicando uma pluralidade de características

Petição 870190046020, de 16/05/2019, pág. 55/85

43/43 dos dados do sensor de vibração; e circuitos de processamento para processar o vetor de características gerado pelos circuitos de geração de características usando um modelo de classificação de classe única treinado definido por parâmetros do modelo que distinguem um limite de espaço de característica, para gerar uma indicação de saúde de motor provido uma indicação quantitativa de desvio do vetor de características do limite de espaço de característica.

[0076] No presente pedido, as palavras “configurado para...” são usadas para significar que um elemento de um aparelho tem uma configuração capaz de realizar a operação definida. Neste contexto, uma “configuração” significa um arranjo ou maneira de interconexão de hardware ou software. Por exemplo, o aparelho pode ter hardware dedicado que provê a operação definida, ou um processador ou outro dispositivo de processamento pode ser programado para executar a função. “Configurado para” não implica que o elemento do aparelho precise ser alterado de alguma forma para prover a operação definida.

[0077] Embora modalidades ilustrativas da invenção tenham sido aqui descritas em detalhes com referência aos desenhos anexos, deve ser entendido que a invenção não está limitada às modalidades precisas, e que várias alterações e modificações podem ser efetuadas por um qualificado na técnica, sem sair do escopo e do espírito da invenção como definido pelas reivindicações anexas.

Claims (25)

1. REIVINDICAÇÕES

   1. Aparelho de diagnóstico da saúde de motor para analisar a saúde de um motor de combustão interna alternado, o aparelho caracterizado pelo fato de que compreende:

   circuitos de geração de características para processar dados de sensores de vibração recebidos de um sensor de vibração para sensorear vibração em um componente do dito motor de combustão interna alternado e gerar um vetor de características indicando uma pluralidade de características dos dados do sensor de vibração; e circuitos de processamento para processar o vetor de características gerado pelos circuitos de geração de características usando um modelo de classificação treinado definido pelos parâmetros do modelo que distinguem um limite de operação saudável aprendido de um conjunto de treinamento de vetores de características correspondentes aos dados do sensor de vibração capturados durante a operação saudável do motor de combustão interna alternado, para gerar uma indicação de saúde de motor provido uma indicação quantitativa do desvio do vetor de características do limite da operação saudável.
2. 2. Aparelho de diagnóstico da saúde de motor de acordo com a reivindicação 1, caracterizado pelo fato de que a pluralidade de características inclui pelo menos uma característica do domínio do tempo dos dados do sensor de vibração.
3. 3. Aparelho de diagnóstico da saúde de motor de acordo com a reivindicação 3, caracterizado pelo fato de que a dita característica de pelo menos um domínio de tempo compreende pelo menos um de: média; variância ou desvio padrão; raiz quadrada da média; curtose; assimetria; e fator de crista.
4. 4. Aparelho de diagnóstico da saúde de motor de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que a

   Petição 870190046020, de 16/05/2019, pág. 57/85

   2/7 pluralidade de características inclui pelo menos uma característica do domínio da frequência dos dados do sensor de vibração.
5. 5. Aparelho de diagnóstico da saúde de motor de acordo com a reivindicação 4, caracterizado pelo fato de que a pluralidade de características inclui uma pluralidade de características de energia de banda de frequência, cada uma indicativa de uma energia em uma banda de frequência correspondente dos dados do sensor de vibração.
6. 6. Aparelho de diagnóstico da saúde de motor de acordo com a reivindicação 4 ou 5, caracterizado pelo fato de que os circuitos de geração de características são configurados para aplicar uma Transformada de Pacote em Ondaleta aos ditos dados do sensor de vibração ao gerar o dito pelo menos uma característica de domínio de frequência.
7. 7. Aparelho de diagnóstico da saúde de motor de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que a pluralidade de características inclui pelo menos uma característica de temporização de vibração de pico indicativa de uma temporização de um pico nos dados do sensor de vibração em relação a um ciclo de operação do dito motor de combustão interna alternado.
8. 8. Aparelho de diagnóstico da saúde de motor de acordo com a reivindicação 7, caracterizado pelo fato de que os circuitos de geração de características são configurados para identificar a dita pelo menos uma característica de temporização de pico de vibração a partir dos dados do sensor de vibração e dados de sensor de ângulo de eixo de manivelas indicativo de uma posição angular de um eixo de manivelas do motor de combustão interna alternado.
9. 9. Aparelho de diagnóstico da saúde de motor de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que compreende circuitos de escalonamento para escalonar cada característica do vetor de características com base em um respectivo conjunto de um ou mais

   Petição 870190046020, de 16/05/2019, pág. 58/85 ?>π parâmetros de escalonamento derivados do conjunto de treinamento de vetores de características para mapear cada característica do vetor de características a uma escala comum, em que os ditos circuitos de processamento são configurados para processar o vetor de características em escala gerado pelos circuitos de escalonamento usando o modelo de classificação treinado.
10. 10. Aparelho de diagnóstico da saúde de motor de acordo com a reivindicação 9, caracterizado pelo fato de que o circuito de processamento é configurado para identificar uma ou mais características selecionadas do vetor de características escalonado tendo os maiores ou menores valores de características em escala na dita escala comum entre a pluralidade de características do vetor de características em escala.
11. 11. Aparelho de diagnóstico da saúde de motor de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que o modelo de classificação treinado compreende um modelo de classificação de classe única.
12. 12. Aparelho de diagnóstico da saúde de motor de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que o modelo de classificação treinado compreende uma máquina de vetores de suporte de classe única.
13. 13. Aparelho de diagnóstico da saúde de motor de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que compreende: circuitos de armazenamento do modelo para armazenar os parâmetros do modelo que definem o modelo de classificação treinado; e circuitos de treinamento para atualizar os parâmetros do modelo armazenados pelos circuitos de armazenamento de modelo na dependência do dito conjunto de treinamento de vetores de características.
14. 14. Aparelho de diagnóstico da saúde de motor de acordo com a reivindicação 13, caracterizado pelo fato de que os circuitos de treinamento

    Petição 870190046020, de 16/05/2019, pág. 59/85

    ΜΊ são configurados para determinar o limite de operação saudável que maximiza uma margem entre uma fração predeterminada de vetores de características afastados do conjunto de treinamento e uma fração remanescente de vetores de características do conjunto de treinamento.
15. 15. Aparelho de diagnóstico da saúde de motor de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que compreende o dito sensor de vibração.
16. 16. Aparelho de diagnóstico da saúde de motor de acordo com a reivindicação 15, caracterizado pelo fato de que o sensor de vibração é reequipável ao dito componente do motor de combustão interna alternado.
17. 17. Aparelho de diagnóstico da saúde de motor de acordo com a reivindicação 15 ou 16, caracterizado pelo fato de que o sensor de vibração compreende um acelerômetro.
18. 18. Aparelho de diagnóstico da saúde de motor de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que compreende circuitos de comunicação para comunicar a um local remoto a indicação de saúde de motor ou um parâmetro derivado da indicação de saúde de motor.
19. 19. Aparelho de diagnóstico da saúde de motor de acordo com a reivindicação 18, caracterizado pelo fato de que o circuito de comunicação é configurado para comunicar ao local remoto uma indicação de saúde diferencial do motor indicativa de uma diferença entre a indicação de saúde de motor e uma indicação de saúde de motor previamente transmitida.
20. 20. Aparelho de diagnóstico da saúde de motor de acordo com qualquer uma das reivindicações precedentes, caracterizado pelo fato de que os circuitos de geração de características são configurados para processar uma pluralidade de conjuntos de dados de sensores de vibração recebidos dos respectivos sensores de vibração para sensorear vibração em uma pluralidade de cilindros do dito motor de combustão interna alternado, e gerar uma

    Petição 870190046020, de 16/05/2019, pág. 60/85

    5/7 pluralidade de vetores de características, cada um correspondendo a um dos cilindros; e os circuitos de processamento são configurados para processar cada vetor de características gerado pelos circuitos de geração de característica usando o modelo de classificação treinado para gerar uma pluralidade de indicações de saúde de motor, cada uma correspondendo a um cilindro respectivo.
21. 21. Aparelho de diagnóstico da saúde de motor de acordo com a reivindicação 20, caracterizado pelo fato de que os circuitos de processamento são configurados para processar cada vetor de características gerado pelos circuitos de geração de características usando um respectivo modelo de classificação treinado para o cilindro correspondente, cada modelo de classificação treinado definido por um respectivo conjunto de parâmetros do modelo que distinguem um limite de operação saudável aprendido a partir de um conjunto de treinamento de vetores de características correspondentes aos dados do sensor de vibração capturados para o cilindro correspondente durante a operação saudável do motor de combustão interna alternado.
22. 22. Sistema, caracterizado pelo fato de que compreende:

    um motor de combustão interna alternado;

    um sensor de vibração configurado para sensorear vibração em um componente correspondente do motor de combustão interna alternado; e o aparelho de diagnóstico da saúde de motor de acordo com qualquer uma das reivindicações precedentes.
23. 23. Método de diagnóstico da saúde de motor para analisar a saúde de um motor de combustão interna alternado, o método caracterizado pelo fato de que compreende:

    capturar dados do sensor de vibração usando um sensor de vibração montado para sensorear vibração em um componente do dito motor de combustão interna alternado;

    Petição 870190046020, de 16/05/2019, pág. 61/85

    6/7 processar os dados do sensor de vibração para gerar um vetor de características que indica uma pluralidade de características dos dados do sensor de vibração; e processar o vetor de características usando um modelo de classificação treinado definido por parâmetros do modelo que distinguem um limite de operação saudável aprendido de um conjunto de treinamento de vetores de características correspondentes aos dados do sensor de vibração capturados durante uma operação saudável do motor de combustão interna alternado, para gerar uma indicação de saúde de motor provendo uma indicação quantitativa de desvio do vetor de características do limite da operação saudável.
24. 24. Método de instalação do sistema de diagnóstico da saúde de motor, caracterizado pelo fato de que compreende:

    montar um sensor de vibração em um componente de um motor de combustão interna alternado para sensorear a vibração no dito componente do dito motor de combustão interna alternado;

    capturar dados do sensor de vibração usando o sensor de vibração durante um período de operação saudável do motor de combustão interna alternado;

    processar os dados do sensor de vibração para gerar um conjunto de treinamento de vetores de características, cada vetor de características indicando uma pluralidade de características dos dados do sensor de vibração capturados em um dado momento durante o período de operação saudável;

    treinar um modelo de classificação para gerar parâmetros de modelo que distinguem um limite de operação saudável aprendido a partir do conjunto de treinamento de vetores de características; e registrar os parâmetros de modelo que definem o modelo de classificação.

    Petição 870190046020, de 16/05/2019, pág. 62/85

    7/7
25. 25. Programa de computador, caracterizado pelo fato de que compreende instruções para controlar um aparelho de processamento de dados para executar o método como definido na reivindicação 23 ou 24.