Você está na página 1de 61

Desenvolvimento de sistema

automtico de identificao de modos


de falhas em mquinas de chave
utilizando inteligncia artificial
Gustavo Moreira
Guilherme Miranda Kallemback
Wallison Barbosa

22 Semana de Tecnologia Metroferroviria


Monitoramento de Condio

Princpio Bsico

O monitoramento fornece tempo para preveno de falhas e reduo de


gastos inesperados
Benefcios para o negcio

Reduo de atrasos e paradas no programadas

o Manuteno preditiva Reduo no nmero de falhas


o Correo rpida de falhas Aprovisionamento de material e mo de
obra corretos
o Menor tempo na via Vis de segurana e produo

Maior Disponibilidade

o Menos chamados de emergncia


o Maior conhecimento sobre o comportamento e causa das falhas
o Menor nmero de falhas no identificadas
AMV - Aparelho de Mudana de Via
AMV - Aparelho de Mudana de Via

Detalhe de roletes e conjunto de frente


MCH - Mquina de chave

Mquina de chave Eltrica Kyosan


MCH - Mquina de chave
Mquinas de chave na EFVM

Principais modelos de MCH na Principais causas de defeitos/falhas


linha tronco da EFVM (2015 e 2016)
Mquinas de chave na EFVM

o MTTR de cerca de 6,14h

o Mdia de 2,9 falhas e defeitos por dia

o Trabalho se concentrar nas mquinas de chave modelo Kyosan (74%)

o Visar identificar as principais causas de defeitos/falhas (Desajustes,


Obstrues, Dormentes desquadrados, etc) o que corresponde a 60%
do total de ocorrncias
Monitoramento da condio de MCH
No mercado, j temos algumas solues disponveis e vrias ferrovias no
mundo utilizam-se de produtos j prontos de monitoramento de
mquina de chave.
o Monitoramento da potncia eltrica demandada pelo motor
o Como o motor de pequeno porte e o sistema eltrico do local robusto, pode-
se desconsiderar a variao de tenso
Monitoramento da condio de MCH

o Solues do mercado so de alto custo

o Possuem arquitetura fechada

o Tecnologia proprietria dificulta a melhoria contnua e a integrao


com os sistemas legados das empresas

Dessa forma, a busca de uma soluo da prpria ferrovia se torna


bastante vivel
Identificao de falhas automtica
o A EFVM possui cerca de 950 mquinas de chave eltricas

o Mdia diria de 3.600 movimentaes por dia

o Gerao de grande quantidade de dados

o O sensoriamento somente no garante nenhuma vantagem


competitiva, pois necessria a anlise das curvas para a classificao
dos defeitos.

o Solues mais simples j foram testadas e nenhuma apresentou


resultados satisfatrios.

o A diferena nos tipos de componentes mecnicos dificulta a


parametrizao pura e simplesmente de limites de corrente
Identificao de falhas automtica
Exemplo de duas curvas classificadas como de operao normal.
RH07

W21b

W21a
Falhas de Mquina de Chave

Em seu artigo, ASADA (2013) diz que geralmente so


trs os tipos de falhas que podem afetar o
funcionamento de uma mquina de chave:

o Falhas abruptas Aparecem de repente, sem qualquer indicao


prvia;
o Falha intermitente Falhas que acontecem esporadicamente;
o Falha incipiente Defeito que se desenvolve gradualmente ao
longo de um perodo de tempo.
Falhas de Mquina de Chave
NAKAMURA (1992), em seu estudo categoriza esse
tipo de falha incipiente em modos de falhas listados
a seguir:

o Falhas causadas por componentes da mquina de chave;


o Falhas causadas por componentes externos;
o Falhas causadas por desalinhamento;
o Falhas causadas pelo ambiente;
Arquitetura do Sistema

RH07

Esquemtico do plano de vias sinalizadas Local de Instalao


Arquitetura do Sistema
Rel de acionamento
da MCH

Rede TA

CRIO 9075 Unidade Controladora e FPGA

Transdutor de Corrente (TC)


Sala Tcnica - Housing

Campo - Ferrovia
Data Center Ferrovia
Mquina de Chave
(Motor/Engrenagens/Indicao)
Sistema de aquisio de dados

Firmware Instrues de configurao do hardware FPGA

programa para a interface com o firmware, coleta, trata e


Software armazena temporariamente os dados.
embarcado SO em tempo real - VxWorks

Responsvel pela transferncia dos dados do cRIO para o


Software datacenter da ferrovia. Implementa toda a lgica de
tratamento por inteligncia artificial
Servidor
Comunica a condio do equipamento para o Supervisrio

Sistema responsvel por apresentar aos usurios as informaes


Supervisrio crticas para operao dos equipamentos.
Sistema de aquisio de dados

O sistema desenvolvido possui as seguintes


caractersticas:

o Tratamento dos sinais de forma determinstica


o Armazenamento local e remoto
o Comunicao ethernet
o Alta taxa de amostragem por canal, 5kHz
o Alta resoluo das entradas analgicas, 16 bits
Software Supervisrio
o Anlise dos dados
o Examina as mtricas do evento

Tela de anlise de deteco de fases do evento


Software Supervisrio

Tela de anlise da espectral do sinal


Software Supervisrio

Tela de apresentao dos dados tratados e dos clculos de derivada e integral


Algoritmo de Deteco de fases

Fase 1 Acionamento do motor


Fase 2 Movimentao da barra at o instante de conexo
com a cesta
Fase 3 Movimentao do conjunto de frente
Algoritmo de Deteco de fases

Fase 1 Acionamento do motor


Fase 2 Movimentao da barra at o instante de conexo
com a cesta
Fase 3 Movimentao do conjunto de frente
Definio de padres de eventos

Normal O Evento no apresenta nenhum defeito ou


falha

Defeito So o tipo de falha incipiente. A mquina


chave ainda est em funcionamento, porm no est
em sua condio ideal e pode vir a gerar uma falha

Falha A mquina de chave no consegue cumprir sua


funo, necessitando de uma interveno imediata.
Definio de padres de eventos

Os padres classificados como defeito foram separados em


3 problemas:

o Atrito durante a movimentao das agulhas

o Picos de corrente

o Problemas na alimentao eltrica


Definio de padres de eventos

Exemplo de movimento normal


Definio de padres de eventos

Exemplo de movimento com mdio atrito

Exemplo de movimento com alto atrito


Definio de padres de eventos

Exemplo de movimento com pico no destravamento

Exemplo de movimento com pico no travamento


Definio de padres de eventos

Exemplo de anlise da frequncia normal de alimentao

Exemplo de anlise da frequncia anormal de alimentao


Definio de padres de eventos

Exemplo de falha por obstruo


Mtricas coletadas a partir dos eventos

So coletadas cerca de 30 mtricas calculadas a partir da curva de


corrente

Alguns exemplos:

o Durao das trs fases em segundos;


o Percentual de tempo de cada fase em relao ao tempo
total do evento;
o Corrente mdia em cada fase;
o rea compreendida por cada curva em cada fase;
o Coeficiente de Variao do perodo de amostragem
Sintomas e estados de mquina na
operao da MCH

o Normal
o Defeito Mdio atrito
o Defeito Alto atrito
o Defeito Pico Travamento
o Defeito Pico Destravamento
o Defeito Alimentao eltrica
o Falha Obstruo
Sistema hbrido de inteligncia artificial
desenvolvido
Sistema hbrido de inteligncia artificial
desenvolvido
DEFINIO DO SISTEMA DE
INFERNCIA FUZZY
Utilizado o software Matlab, juntamente com o programa acessrio ANFIS.

Devido complexidade do reconhecimento de padres o tipo de sistema


escolhido foi o Takagi-Sugeno.

Selecionadas 5 mtricas para a criao do sistema:


Corrente mdia na fase III
Instante do valor mximo da terceira fase em %;
Mdia de corrente da fase III em relao a fase II;
rea compreendida pela curva da fase III menos o ltimo valor da fase II
Valor % do maior valor da fase III em relao ao maior valor do evento
DEFINIO DO SISTEMA DE
INFERNCIA FUZZY

Duas camadas de classificao


1 Classificao 2 Classificao

Normal
Mdio
Defeito Atrito
Alto

Travamento
Defeito Pico
Destravamento
Falha -
Obstruo
DEFINIO DO SISTEMA DE
INFERNCIA FUZZY
Resultados Obtidos
o Foram coletados dados no perodo de 03/02/2016 a 11/03/2016. Nesse perodo
ocorreram 1.581 eventos.

o Os dados de fevereiro/16, 1.332 eventos, foram separados para o fim de treinamento


do sistema. Os dados de maro/16, 249 eventos, foram usados para o check
independente do sistema proposto

o A parametrizao da primeira etapa de classificao foi:


Cinco entradas

Trs conjuntos fuzzy com funo de pertinncia do tipo trapezoidal;

Funo linear na sada


DEFINIO DO SISTEMA DE
INFERNCIA FUZZY
Resultados Obtidos
Para a parametrizao das demais etapas do mtodo, foi usado o recurso Subtractive
Clustering, o qual analisa os dados por um algoritmo K-means e identifica clusters de
dados.

A partir desses clusters, o sistema gera automaticamente a quantidade de conjuntos


fuzzy e o tipo da funo de pertinncia

Para a camada da classificao dos defeitos de atritos, sistema gerou 9 conjuntos fuzzy
com funo de pertinncia do tipo gaussiana.

Para a camada da classificao dos defeitos de picos, sistema gerou 4 conjuntos fuzzy
com funo de pertinncia do tipo gaussiana.
DEFINIO DO SISTEMA DE
INFERNCIA FUZZY
Resultados Obtidos
Primeira camada de classificao alcanou um alto percentual de acertos em todos os
modos de falhas estudados

Classes Treinamento (%) Teste (%)


Normal 91,69 93,33
Atritos 96,01 88,46
Picos 97,35 87,27
Obstruo 100 100
Total 94,81 90,42
DEFINIO DO SISTEMA DE
INFERNCIA FUZZY
Resultados Obtidos
Primeira camada de classificao alcanou um alto percentual de acertos em todos os
modos de falhas estudados

Classes Treinamento (%) Teste (%)


Boa 91,69 93,33
Atritos 96,01 88,46
Picos 97,35 87,27
Obstruo 100 100
Total 94,81 90,42
DEFINIO DO SISTEMA DE
INFERNCIA FUZZY
Resultados Obtidos
A segunda camada de classificao dos modos de atritos, pode-se ver que separao
no perfeita e possui um certo nvel de confuso.

Isso est em linha com a experincia dos engenheiros do processo pois a separao
visual passvel de erros, visto que em muitos casos a classificao entre mdio e alto
atrito tnue.

Classes Treinamento (%) Teste (%)


Mdio atrito 84,12 78,57
Alto atrito 92,39 89,47
Total 89,04 85,71
DEFINIO DO SISTEMA DE
INFERNCIA FUZZY
Resultados Obtidos
A segunda camada de classificao dos modos de picos, pode-se ver que separao
perfeita e possui um grande nvel de acerto.

Isso est em linha com a experincia dos engenheiros do processo pois a separao
visual trivial.

Classes Treinamento (%) Teste (%)


Pico destravamento 100 100
Pico travamento 100 100
Total 100 100
Resultados Obtidos Mdulo Fuzzy
Resumo
Pode-se considerar que a probabilidade de acerto do modo de falha agregado
a multiplicao dos percentuais das camadas
BOA

MDIO ATRITO

2
camada -
Atritos

ALTO ATRITO
Eventos 1
camada

PICO
DESTRAVAMENTO
2
camada -
Picos

PICO
TRAVAMENTO

OBSTRUO
Sistema hbrido de inteligncia artificial
desenvolvido
RNA Rede Neural Artificial
o Redes neurais possuem ampla capacidade de reconhecimento de
padres

o Podem trabalhar com grande volume de entradas e dados. No caso,


as entradas so todas as mtricas coletadas

o Principais caractersticas:
Feed-foward de duas camadas
Funo de ativao do tipo Sigmide
Definio do nmero de neurnios pelo mtodo Kolmogorov
RNA 3 Etapas de Classificao
1 Classificao 2 Classificao 3 Classificao

Mdio

Normal Atrito

Alto

Defeito

Travamento

Falha - Obstruo Pico

Destravamento
RNA 3 Etapas de Classificao
1 Classificao 2 Classificao 3 Classificao

Mdio

Normal Atrito

Alto

Defeito

Travamento

Falha - Obstruo Pico

Destravamento
RNA 3 Etapas de Classificao
1 Classificao 2 Classificao 3 Classificao

Mdio

Normal Atrito

Alto

Defeito

Travamento

Falha - Obstruo Pico

Destravamento
RNA 3 Etapas de Classificao
1 Classificao 2 Classificao 3 Classificao

Mdio

Normal Atrito

Alto

Defeito

Travamento

Falha - Obstruo Pico

Destravamento
RNA 3 Etapas Classificao

Matriz de confuso 1
Etapa de Classificao
RNA 3 Etapas Classificao

Matriz de confuso 2
Etapa de Classificao
(Defeitos Atrito ou Pico
de corrente)
RNA 3 Etapas Classificao

Matriz de confuso 3
Etapa de Classificao
(Atrito)
RNA 3 Etapas Classificao

Matriz de confuso 3
Etapa de Classificao
(Picos de corrente)
RNA 3 Etapas Classificao

1 Etapa 2 Etapa 3 Etapa

100% Alto Atrito 82,3%


Normal 92,7%
Atrito

Mdio Atrito 88,4%


95,9%
Defeito
Pico Travamento 100%
95,7%
Pico

Falha (Obstruo) 100% Pico Destravamento 100%

Diagrama resumo treinamento 3 etapas


Sistema hbrido de inteligncia artificial
desenvolvido
Resultados sistema hbrido

Nvel de resposta - Estado da mquina Nvel de resposta - Sintomas

Estado da mquina Acertos Totais (%) Sintoma Acertos Totais (%)

Normal 92,20 Normal 92,20

Defeito 96,29 Alimentao Eltrica 100,00

Falha 100,00 Pico destravamento 94,57

Mdia Total 95,52 Mdio Atrito 82,77

Alto atrito 83,82

Pico travamento 94,57

Obstruo 100,00

Mdia Total 91,16


Concluses
A assinatura de corrente de uma mquina de chave demonstra uma srie de sintomas
de defeitos que analisados da forma correta, podem gerar uma vantagem para a
manuteno em relao a possveis impactos na ferrovia.

Para que essa anlise seja possvel, necessrio dividir a curva de corrente da mquina
de chave em fases.

Mais importante que saber se a mquina est em falha ou no, saber o provvel
motivo da falha. Isso pode ser alcanado com o sistema proposto.

Proporcionar s equipes de manuteno mais informaes nos atendimentos as


ocorrncias com o nvel de acerto superior a 90%.

importante observar que o mtodo conseguiu separar com 100% de certeza a falha da
MCH, o que trar um grande ganho manuteno e operao desse equipamento.
Trabalhos Futuros

Um prximo passo importante a ampliao do conhecimento dos


modos de falha, a instalao do sistema em outros pontos da
ferrovia.

Aplicar o sistema desenvolvido para os demais modelos de mquinas


de chave

O desenvolvimento de uma arquitetura com custo ainda mais


acessvel
Referncias

ASADA, T.; ROBERTS, C.; KOSEKI, T. An algorithm for improved performance of railway
condition monitoring equipment: Alternating-current point machine case
study. Transportation Research Part C: Emerging Technologies, v.30, p.81-92, May 2013.
MRQUEZ, Fausto P. G.; SCHMID, Felix; COLLADO, Javier C. Wear assessment employing
remote condition monitoring: a case study. Wear, v. 255, n. 712, , p.1209-1220, August
September 2003.
MRQUEZ, Fausto P. G.; SCHMID, Felix; TERCERO, DIEGO J. P.; Unobserved Component
models applied to the assessment of wear in railway points: A case study. European
Journal of Operational Research, v.176, n.3, p.1703-1712, 1 February 2007.
NAKAMURA, K., 1992. Tentetsu Souchi [The point machine]. Japan Railway Electrical
Engineering Association.
Desenvolvimento de sistema
automtico de identificao de modos
de falhas em mquinas de chave
utilizando inteligncia artificial
Gustavo Moreira - gustavo.moreira@vale.com
Guilherme Miranda Kallemback guilherme.kallemback@vale.com
Wallison Barbosa wallison.barbosa@vale.com

22 Semana de Tecnologia Metroferroviria

Você também pode gostar