Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

MINERAÇÃO DE PROCESSOS PARA A IDENTIFICAÇÃO DE PADRÕES DE FALHAS PARA A

RACIONALIZAÇÃO DE ALARMES

RICARDO E. KONDO, EDUARDO A. P. SANTOS, EDUARDO F. R. LOURES

Programa de Pós-Graduação em Engenharia de Produção e Sistemas - PPGEPS, PUC-PR

Rua Imaculada Conceição, 1155 - Parque Tecnológico - Bloco 3, Curitiba - PR, CEP: 80.215-901
E-mails: ricardo.e.kondo@gmail.com, eduardo.portela@pucpr.br,
eduardo.loures@pucpr.br

CARMELA M. P. BRAGA

Departamento de Engenharia Eletrônica - DELT, UFMG

Avenida Antônio Carlos, 6627, Belo Horizonte - MG, CEP: 31270-901
E-mails: carmela@cpdee.ufmg.br

Abstract ! In general the industries have been affected by anomalies arising from the manufacturing process. Therefore, they
need a reliable system for fault identification for operators to perform quick and effective actions to minimize losses and re-
establish the normal condition of the process. A study of alarm rationalization is presented, according to the alarm management
lifecycle model suggested by ANSI/ISA-18 standard. It is investigated the applicability of the process mining techniques for the
identification of abnormal behavior in order to improve an alarm system through the rationalization, which allows better organi-
zation of data for a better understanding of the process. Results of a simulation study of a hydraulic press, developed in CPN
Tools software, are presented and discussed. The results show that the use of these techniques can help in the identification and
classification of alarms, which is fundamental to an effective rationalization.

Keywords ! Alarm rationalization, process mining, alarm management, fault identification, ANSI/ISA-18, EEMUA.

Resumo ! As indústrias de um modo geral são afetadas por anomalias decorrentes do processo de fabricação. Sendo assim, elas
necessitam de um sistema confiável para a identificação das falhas a fim de que os operadores realizem ações rápidas e efetivas
visando à minimização de perdas e ao restabelecimento das condições normais do processo. Apresenta-se um estudo de raciona-
lização de alarmes, de acordo com o modelo de gerenciamento do ciclo de vida de alarmes sugerido pela norma ANSI/ISA-18.
Investiga-se a aplicabilidade de técnicas de mineração de processo para a identificação de comportamentos anormais, com o in-
tuito de aperfeiçoar um sistema de alarmes por meio de sua racionalização, o que permite uma melhor organização dos dados pa-
ra uma melhor compreensão do processo. Resultados de estudos simulados com o modelo de uma prensa hidráulica, desenvolvi-
do no software CPN Tools, são apresentados e discutidos. Os resultados mostram que o uso destas técnicas pode auxiliar na iden-
tificação e classificação de alarmes, o que é fundamental para uma racionalização eficaz.

Palavras-chave ! Racionalização de alarmes, mineração de processos, gerenciamento de alarmes, identificação de falhas,

ANSI/ISA-18, EEMUA.

1 Introdução configurações de alarmes de acordo com sua neces-

sidade e sem nenhuma documentação ou considera-
ção de projeto adequado, o que geralmente não é
Com os avanços da tecnologia da informação, percebido como um problema, para grande parte das
tornou-se possível coletar, monitorar e supervisionar
indústrias (Habibi, 2006).
os processos produtivos de forma mais eficiente. No
A tarefa de diagnosticar uma falha é dificultada
entanto, estes fatores não induzem, necessariamente,
pelo fato de que as medições de processo muitas
a uma melhor operação de tais processos, sem que as
vezes podem ser insuficientes, incompletas e não
intervenções e melhorias sejam realizadas nos luga-
confiáveis, em função da quantidade de variáveis
res e equipamentos adequados. Neste contexto, os
envolvidas. Desta forma, é comum que os operadores
alarmes possuem um papel fundamental para que as
tomem decisões erradas e realizem ações tornando os
condições anormais do processo sejam informadas
problemas ainda maiores, como relatado em diversos
no momento adequado e de forma clara e compreen-
artigos sobre o tema (Habibi, 2006; Stauffer et al.,
sível para as pessoas responsáveis pela sua operação.
2010; Venkatasubramanian et al., 2003).
O desenvolvimento dos sistemas SCADA
Segundo a norma ANSI/ISA-18 (2009), um a-
(Supervisory Control and Data Acquisition) permiti-
larme é um anúncio para o operador, iniciado por
ram um melhor monitoramento e controle das plantas
uma condição de mau funcionamento de equipamen-
industriais, tornando mais simples o processo de
to, desvio de processo ou condição anormal que
identificação de anomalias. No entanto, os alarmes
requer uma ação. Este anúncio pode ser feito por
são frequentemente configurados e habilitados com
meio de sons audíveis, indicações visuais como pis-
base em procedimentos padrão resultando em um
car de luzes e textos, mudança de cor de fundo ou
número excessivo de alarmes pela inadaptabilidade à
texto, mudanças gráficas e de figuras ou ainda por
planta industrial sob supervisão. Em muitas salas de
mensagens. Um alarme é uma representação por
controle, os operadores são autorizados a alterar
meio da qual uma das características do processo é

ISBN: 978-85-8001-069-5 2958

 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.

identificada e configurada em uma representação Supressão de alarmes não Zero (metodologia de con-
binária para caracterizar o estado "em alarme" ou autorizada trole)
"normal" (Rothenberg, 2009).
Um sistema de alarme confiável é uma ferra- Alteração de atributos de Zero (gerenciamento de
menta vital para a gestão de controle de processos alarmes não autorizada mudanças)
industriais. Trata-se de uma forma muito importante
de monitorar automaticamente as condições da planta Para que a implementação destes requisitos seja
e atrair a atenção do operador do processo para mu- possível, os alarmes devem ser configurados para
danças significativas, que requerem avaliações e informar somente os eventos necessários, evitando
ações rápidas e assertivas, a fim de garantir a integri- informações que possam confundir os operadores.
dade do processo (EEMUA, 2007). Isto pode ser realizado pela racionalização dos alar-
De acordo com a norma ANSI/ISA-18 (2009), mes, que consiste na investigação sistemática da base
uma das principais métricas para um sistema de a- de dados de alarmes para assegurar que seus parâme-
larmes eficaz é a quantidade de alarmes que é apre- tros estão devidamente configurados (Koene e Ve-
sentada ao operador. Para que o operador possua dam, 2000). Segundo a norma EEMUA (2007), o
tempo hábil para interpretar e tomar as ações ade- objetivo da identificação e racionalização é encontrar
quadas, a norma recomenda que o sistema de alarmes o conjunto mínimo de alarmes necessário para man-
sinalize somente um ou dois alarmes a cada 10 minu- ter o processo seguro e sob controle. A racionaliza-
tos. Outra recomendação está relacionada à distribui- ção envolve também a classificação, limites, causas,
ção das prioridades dos alarmes, que não devem consequências e ações corretivas na base de dados de
ultrapassar mais do que quatro níveis. Além disso, alarmes.
para que o operador saiba quais alarmes são os mais O presente artigo propõe a técnica de mineração
importantes, sugere-se que no máximo 5% dos alar- de processos para o suporte a etapa de racionalização
mes sejam configurados com prioridade alta. Estas e de alarmes. De acordo com Aalst (2004), a minera-
outras métricas podem ser visualizadas na Tabela 1. ção de processos é uma método de extração da des-
crição de um processo (e de diversas outras perspec-
Tabela 1. Métricas de desempenho de um sistema de alarmes. tivas deste), estruturado em função de um conjunto
Adaptado da norma ANSI/ISA18-2 (2009). de eventos reais. Isto é obtido por meio da análise do
comportamento da execução das instâncias do pro-
Métrica Objetivo cesso, capturadas no formato de logs (Medeiros,
2006). A mineração de processos possui técnicas que
Alarmes anunciados por Máximo
tempo
Satisfatório
gerenciável
possibilitam a identificação e classificação de even-
tos do processo e que podem ser aplicadas para ava-
Dia ~ 150 ~ 300 liação do comportamento da planta e como ferramen-
ta de suporte para racionalização de alarmes.
Hora ~ 6 (média) ~ 12 (média) O artigo está organizado da seguinte forma. A
Seção e apresenta a abordagem proposta para racio-
10 minutos ~ 1 (média) ~ 2 (média) nalização de alarmes utilizando técnicas de minera-
ção de processos. A Seção 3 realiza uma introdução
Porcentagem de horas sobre a racionalização de alarmes, enquanto a Seção
contendo mais de 30 alar- ~ < 1% 4 apresenta conceitos de mineração de processos e da
mes
ferramenta ProM (Process Mining Framework). A
Número máximo de alarmes
Seção 5 discute um estudo de caso, por meio de estu-
<= 10 do simulado, em que são utilizadas técnicas de mine-
no período de 10 minutos
ração de processo associadas a conceitos de raciona-
Porcentagem de tempo com lização em um modelo de uma prensa hidráulica. A
~ < 1%
enxurrada de alarmes Seção 6 apresenta as conclusões do trabalho e as
perspectivas de trabalhos futuros.
Porcentagem de contribui-
ção dos 10 alarmes mais ~ < 1% a 5%
frequentes
2 Abordagem proposta
Quantidade de alarmes Zero (planos de ações corre-
incômodos tivas) Neste trabalho pretende-se analisar a aplicabili-
dade de técnicas de mineração de processos como
Alarmes contínuos
< 5 por dia, (planos de ações ferramenta de suporte para a identificação de com-
corretivas) portamentos anormais em processos industriais, com
o intuito de aperfeiçoar um sistema de alarmes atra-
Distribuição de prioridades
(alto / médio / baixo) 3 prioridades - 5/5/80%
vés da racionalização dos alarmes desnecessários.
(muito alto / alto / média / 4 prioridades - <1/5/15/80% De acordo com a norma ANSI/ISA-18 (2009), a
baixo) racionalização é uma etapa fundamental no ciclo de
vida do gerenciamento de alarme, pois é a base para

ISBN: 978-85-8001-069-5 2959

 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
a implementação de uma configuração de alarmes
funcional e de alto desempenho. Desta forma, esta
etapa da racionalização se torna mais eficaz uma vez
que são identificados os eventos que ocasionaram os
alarmes de acordo com suas características. Porém, a
análise dos dados não é uma tarefa simples, pois uma
planta industrial pode gerar milhares de registros em
um dia de produção. Assim, torna-se necessária a
utilização de técnicas que permitam que o grande
volume de dados seja transformado em informações
úteis para a interpretação e tomada de decisão pelo
operador.
Neste sentido a mineração de processos encontra
motivação, buscando descobrir, monitorar e otimizar
processos reais, através da extração do conhecimento
existente nos registros de eventos do processo, gera-
dos pelos sistemas de informação. Em acréscimo, a
mineração de processos também pode ser utilizada
para monitorar sistemas ou processos operacionais,
como descritos em Medeiros et al. (2007). Dentre as
diversas técnicas existentes parar a mineração de
processos, algumas delas são capazes de: agrupar
sequências de eventos em função de sua similarida-
de; classificar eventos pela frequência, identificar
eventos anormais se comparado a um modelo de
referência; analisar a duração de eventos; analisar a
probabilidade entre eventos sequenciados, entre
outros.
Sendo assim, este artigo busca explorar algumas
técnicas de mineração de processos, visando extrair
informações que estejam relacionadas a algumas
métricas de desempenho de um sistema de alarmes,
conforme sugerido pela norma ANSI/ISA-18 (2009).
Estas informações podem servir como referência
para racionalização de alarmes desnecessários e, por
consequência, para aperfeiçoar o sistema de supervi-
são e monitoramento de alarmes.
3 Racionalização de alarmes
De acordo com o modelo de ciclo de vida do ge-
renciamento de alarmes mostrado na Figura 1
(ANSI/ISA-18, 2009), após definida a filosofia de
alarmes, a identificação e a racionalização são as
próximas etapas a serem analisadas. Segundo Dunn e
Sands (2005), a identificação de possíveis alarmes
pode ser feita por vários métodos, como uma análise
de risco de processo ou investigações sobre os inci-
dentes. No entanto, estes métodos não são detalha-
dos, com exceção de problemas em alarmes de moni-
toramento rotineiros.
Na fase de racionalização cada potencial alarme
é testado baseado nos critérios da filosofia de alarme.
Visa-se comprovar se o mesmo atende aos requisitos
e, assim, ser efetivamente considerado um alarme e
poder sinalizar uma condição de anomalia. Os alar-
mes são analisados para definir seus atributos (como
limite, prioridade, classificação e tipo). A prioridade
de um alarme deve ser definida com base na gravida-
de das consequências e no tempo de resposta. Já a
classificação identifica grupos de alarmes com carac-
ISBN: 978-85-8001-069-5
terísticas semelhantes (por exemplo, ambiental ou
segurança) e requisitos comuns para o treinamento,
testes, documentação ou retenção de dados (Stauffer
et al., 2010).
Desta forma, a racionalização implica na redu-
ção de alarmes desnecessários, o que pode ser obtido
por meio do ajuste de parâmetros no sistema de a-
larmes como: redefinição do grau de severidade,
diminuição de eventos de sinalização, supressão de
alarmes redundantes, priorização em casos de alar-
mes sequenciados, eliminação de alarmes com fre-
quência e prioridade baixíssima, entre outros.
A priorização é uma das mais importantes ativi-
dades na etapa de racionalização. A norma EEMUA
(2007) apresenta três níveis de prioridades - baixo,
médio e alto - para uma eficiente caracterização da
condição normal de alarmes. A priorização eficaz
preconiza que a maioria dos alarmes seja atribuída
com baixa prioridade (menos importante) e o menor
número de alarmes com prioridade alta (mais impor-
tante). Além disso, as prioridades devem estar ali-
nhadas com o tempo de resposta permitido, bem
como o nível de consequência, de tal forma que os
alarmes com prioridades mais baixas possuem con-
sequências menos graves e tempos de resposta mais
longos. Já os alarmes com prioridades mais altas
possuem consequências mais sérias e com o tempo
de resposta mais baixo (ANSI/ISA-18, 2009).
Filosofia de
alarmes
Identificação
Gerenciamento
Racionalização
de mudanças
Projeto
Implementação
Monitoramento
Operação
Manutenção
Auditoria
Figura 1. Ciclo de vida do gerenciamento de alarmes. Adaptado da
norma ANSI/ISA-18 (2009).
No entanto, a tarefa de lidar com eventos anor-
mais e emergenciais tornou-se cada vez mais difícil,
devido à complexidade das plantas industriais. Se-
gundo Bailey (1984), em processos de grande porte
podem existir até 1500 variáveis de processo sendo
2960
 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
monitoradas em frações de segundos, levando a so-
brecarga de informações.
Tendo em vista tais condições, ações indevidas
ou mal interpretadas por parte dos operadores, po-
dem aumentar exponencialmente as dimensões do
problema. Estatísticas mostram que cerca de 70%
dos acidentes industriais são causados por erro hu-
mano, impactando diretamente na economia, segu-
rança e meio ambiente (Venkatasubramanian, 2003).
Através da racionalização é esperado um número
menor de ativação dos alarmes bem como a redução
dos alarmes de avisos, transitórios e obsoletos. Sendo
assim, a resposta dos operadores poderá ser mais
eficaz, uma vez que os alarmes serão mais confiáveis
sem que haja uma sobrecarga de alarmes desnecessá-
rios e muitas vezes redundantes.
4 Mineração de processos
Atualmente as organizações têm se mostrado ex-
tremamente eficientes para capturar, organizar e
armazenar grandes quantidades de dados, obtidos de
suas operações diárias. Porém, a maioria ainda não
utiliza adequadamente essa quantidade de dados para
transformá-la em conhecimento que possa ser utili-
zado em suas próprias atividades (Song et al., 2009).
A mineração de dados, ou data mining, consiste
no uso de técnicas automáticas de exploração de
grandes quantidades de dados de forma a descobrir
novos padrões de associações, mudanças, anomalias
e estruturas significativas, que não seriam possíveis
de entender ou analisar devido à complexidade e
dimensão da base de dados. A mineração de dados
envolve a integração de técnicas multidisciplinares
como: banco de dados, estatística, aprendizado de
máquina, alto desempenho computacional, reconhe-
cimento de padrões, redes neurais, visualização de
dados, recuperação de informações, entre outros
(Zhang et al., 2009).
A mineração de processos (process mining), é
uma disciplina localizada entre o aprendizado de
máquina e mineração de dados, e a modelagem de
processos e análise. Um dos elementos-chave da
mineração de processos é a ênfase no estabelecimen-
to de uma relação entre um modelo de processo e a
realidade, capturada sob a forma de registros de e-
ventos. Com isso, esta técnica busca descobrir, moni-
torar e otimizar processos através dos dados extraí-
dos dos sistemas atuais.
A mineração de processos pode ser classificada
em três grupos, sendo o primeiro o da descoberta.
Esta técnica leva em consideração um registro de
eventos e produz um modelo, sem que haja a neces-
sidade de qualquer informação adicional. O segundo
tipo é o de conformidade, onde o modelo do processo
existente é comparado com um registro de eventos.
Assim, através da verificação de conformidade pode-
se analisar se os acontecimentos estão de acordo com
os registros armazenados, sendo possível detectar,
localizar e explicar os desvios existentes no processo.
O terceiro tipo de mineração é o de aprimoramento.
ISBN: 978-85-8001-069-5
Neste caso, esta técnica busca estender ou aperfeiço-
ar o modelo do processo, através das informações
geradas no decorrer dos eventos (Aalst, 2010).
Na última década, as técnicas de mineração de
processos foram implementadas em diferentes pers-
pectivas e diversos níveis de hierarquia, seja para a
identificação do fluxo de processos de negócios (A-
alst et al., 2007; Mans et al., 2008; Agrawal et al.,
1998), para a verificação de conformidade e otimiza-
ção de máquinas (Rozinat et al, 2009; Günther et al.,
2008), para o monitoramento do desempenho de
sistemas (Kannan et al., 2008; Aalst et al., 2011),
entre outros.
4.1 ProM
No decorrer dos últimos anos, diversas platafor-
mas de mineração foram desenvolvidas, sejam elas
acadêmicas (EMiT, Little Thumb, InWoLvE, Process
Miner e MinSoN) ou comerciais (ARIS PPM, HP
BPI e ILOG JViews), com o objetivo de extrair in-
formações dos processos através de registros de e-
ventos (Dongen, et al., 2005). No entanto, cada plata-
forma utiliza diferentes formatos para a geração e
interpretação dos arquivos de registros, além de apre-
sentar seus resultados de maneiras distintas.
Segundo Bezerra et al. (2009), o ProM possui
uma plataforma aberta e baseada em plug-ins, para a
mineração de processos. Sua estrutura é flexível
quando se trata do formato de entrada e saída das
informações, além de permitir a fácil reutilização de
código durante a execução de novas técnicas de mi-
neração do processo. Atualmente, a versão 5.2 do
ProM possui mais de 280 plug-ins, distribuídos em:
mineração de processos, análise, importação, expor-
tação, conversão e filtros (Aalst, 2010).
Por meio da análise dos plug-ins busca-se identi-
ficar sua aplicabilidade em processos industriais para
a extração de informações pertinentes à racionaliza-
ção de alarmes, uma vez que inicialmente os plug-ins
foram concebidos para a descoberta, conformidade e
o aprimoramento de processos de negócios (Aalst,
2010).
5 Aplicação da abordagem proposta
Para o presente trabalho, inicialmente desenvol-
veu-se o modelo simplificado de uma máquina indus-
trial. Este modelo é capaz de gerar registros de even-
tos com condições normais e anormais de operação.
Algumas técnicas de mineração de processos foram
utilizadas sobre estes dados para a descoberta e agru-
pamento de padrões comportamentais da sequência
dos eventos.
Na fase de modelagem, utilizou-se o CPN Tools
(Ratzer et al., 2003) para a concepção do modelo de
uma prensa hidráulica industrial (representada es-
quematicamente na Figura 3), conforme indicado na
Figura 2. Este é o exemplo a ser explorado no pre-
sente artigo. Apesar de simplificado, seu conceito de
funcionamento é semelhante a diversos tipos de má-
2961
 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
quinas, uma vez que ela inicia, executa e finaliza seu
ciclo de operação.
Figura 2. Modelo simplificado de uma prensa industrial.
Figura 3. Representação esquemática da prensa industrial.
O modelo é composto por um cilindro trava e
um cilindro de prensagem. Assim, uma vez que a
peça é alimentada na máquina, o primeiro cilindro
trava a peça e o segundo realiza a prensagem. Após
isso, os cilindros retornam a sua posição inicial e ao
retirar a peça, o ciclo é finalizado. A Tabela 2 apre-
senta exemplos de traces1 gerados pela simulação.
Tabela 2. Exemplos de traces da simulação.
Id Traces
Alimentar máquina (Normal), Iniciar ciclo (Normal),
Avançar cilindro trava (Normal), Avançar cilindro
1 prensagem (Normal), Recuar cilindro prensagem (Nor-
mal), Recuar cilindro trava (Normal), Peça aprovada
(Normal), Peça retirada (Normal)
Alimentar máquina (Normal), Iniciar ciclo (Normal),
Avançar cilindro trava (Normal), Avançar cilindro
prensagem (Sobrecorrente motor P0), Reset falha (So-
2 1
brecorrente motor P0), Recuar cilindro prensagem (Nor-
mal), Recuar cilindro trava (Normal), Peça aprovada
(Normal), Peça retirada (Normal)
1
Trace: sequencia de eventos em uma instância do processo –
(Song, 2009).
ISBN: 978-85-8001-069-5
Alimentar máquina (Normal), Iniciar ciclo (Normal),
Avançar cilindro trava (Pressão baixa P2), Pressão
restabelecida (Pressão baixa P2), Reset falha (Pressão
baixa P2), Recuar cilindro prensagem (Sobercorrente
3
motor P0), Reset falha (Sobrecorrente motor P0), Recuar
cilindro prensagem (Normal), Recuar cilindro trava
(Normal), Peça rejeitada (Normal), Peça retirada (Nor-
mal)
Durante a atuação dos cilindros podem ocorrer
condições anormais identificadas como: sobre cor-
rente no motor da unidade hidráulica (prioridade alta
- 0), falha nos cilindros (prioridade média - 1) e pres-
são baixa (prioridade baixa - 2).
Para o presente experimento, considerou-se que
cada peça representa um case2 (instância do proces-
so), inicializado no momento em que a peça é colo-
cada na máquina e finalizada quando a mesma é
retirada. Dessa forma, o ciclo de vida de uma instân-
cia coincide com o ciclo de operação da prensa hi-
dráulica. Cada transição possui uma função de escrita
em um registro, sendo armazenada a identificação do
case, atividade, tipo de evento e timestamp, confor-
me indicado na Tabela 3.
Através da simulação, gerou-se uma amostra de
1000 traces para a análise. Em seguida utilizou-se a
ferramenta ProM Import para agrupar estes registros
em um arquivo único, no formato MXML conforme
descrito por Medeiros e Günther (2006). Este registro
de eventos foi então utilizado no ProM para a fase de
mineração de processos. A fim de priorizar a análise,
primeiramente aplicou-se um filtro de eventos, sepa-
rando somente o tipo de evento “Normal” e o de
prioridade mais alta, sem envolvimento com outros
alarmes, neste caso, indicado por “Sobre corrente no
motor da unidade hidráulica”.
Após a utilização do filtro, dos 1000 traces ini-
ciais, permaneceram 869 traces. Em seguida aplicou-
se o plug-in Trace Clustering. Baseado em um con-
junto de características, este plug-in calcula a distân-
cia relativa entre os cases, agrupando-os em subcon-
juntos de acordo com sua similaridade. Estes subcon-
juntos podem ser analisados independentemente uns
dos outros, simplificando a análise e melhorando a
qualidade dos resultados (Song et al., 2008).
Tabela 3. Exemplo de logs em um mesmo case.
Tipo de
Case Atividade Timestamp
evento
2012-03-06
1 Alimentar máquina Normal
01:24:21.000
2012-03-06
1 Iniciar ciclo Normal
01:25:30.000
2012-03-06
Avançar cilindro trava Normal
01:25:55.000
Falha 2012-03-06
1 Avançar cilindro prensagem
cilindro 01:26:12.000
Falha 2012-03-06
1 Reset falha
cilindro 01:26:46.000
2
Case: identificador ou instância do processo (Aalst, 2008),
utilizado para distinguir diferentes execuções em um mesmo
processo.
2962
 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
2012-03-06
1 Recuar cilindro prensagem Normal
01:26:58.000
2012-03-06
1 Recuar cilindro trava Normal
01:27:08.000
2012-03-06
1 Peça reprovada Normal
01:27:14.000
2012-03-06
1 Peça retirada Normal
01:27:30.000
Para o cálculo da similaridade entre os traces, u-
tilizou-se a medida da distância Euclidiana (Duda et
al., 2000), também conhecida como distância métrica
(Bortolossi, 2003), representada pela equação 1:
n 2
( )
Dist . Euclid . c j , ck = ∑ i jl − ikl (1)
l =1
Considerando um espaço n-dimensional, n cor-
responde ao número de itens extraídos do registro do
processo, o case cj representa o vetor (ij1, ij2, ..., ijn),
sendo que cada ijk corresponde ao número de apari-
ções do item k no case j (Song et al., 2009).
Para identificar os clusters, utilizou-se o algo-
ritmo Quality Threshold, que define o diâmetro má-
ximo de cada cluster em função do limite de qualida-
de. Este método é considerado do tipo previsível,
uma vez que sempre gera o mesmo resultado quando
executado por diversas vezes, além de não ser neces-
sário especificar inicialmente a quantidade de clus-
ters desejada (Song et al., 2009). A Tabela 4 indica a
classificação dos clusters em função da frequência
com que os traces se repetiram.
Tabela 4. Principais clusters e seus respectivos traces.
Cluster Frequência Trace
Alimentar máquina (Normal), Iniciar
ciclo (Normal), Avançar cilindro trava
(Normal), Avançar cilindro prensagem
0 46,5% (Normal), Recuar cilindro prensagem
(Normal), Recuar cilindro trava (Nor-
mal), Peça rejeitada (Normal), Peça
retirada (Normal)
Alimentar máquina (Normal), Iniciar
ciclo (Normal), Avançar cilindro trava
(Normal), Avançar cilindro prensagem
1 46,5% (Normal), Recuar cilindro prensagem
(Normal), Recuar cilindro trava (Nor-
mal), Peça aprovada (Normal), Peça
retirada (Normal)
Alimentar máquina (Normal), Iniciar
ciclo (Normal), Avançar cilindro trava
(Sobrecorrente motor), Reset falha
266 1,5% (Sobrecorrente motor), Recuar cilindro
prensagem (Normal), Recuar cilindro
trava (Normal), Peça aprovada (Nor-
mal), Peça retirada (Normal)
Alimentar máquina (Normal), Iniciar
ciclo (Normal), Avançar cilindro trava
(Sobrecorrente motor), Reset falha
89 1,2% (Sobrecorrente motor), Recuar cilindro
prensagem (Normal), Recuar cilindro
trava (Normal), Peça rejeitada (Nor-
mal), Peça retirada (Normal)
ISBN: 978-85-8001-069-5
Alimentar máquina (Normal), Iniciar
ciclo (Normal), Avançar cilindro trava
(Normal), Avançar cilindro prensagem
(Sobrecorrente motor), Reset falha
57 1,0%
(Sobrecorrente motor), Recuar cilindro
prensagem (Normal), Recuar cilindro
trava (Normal), Peça rejeitada (Nor-
mal), Peça retirada (Normal)
Os clusters 0 e 1 ocorreram com a maior fre-
quência, totalizando 46,5% cada um, pois são as
condições normais de operação, ou seja, sem condi-
ções de falha. Os demais clusters apresentam condi-
ções de falhas que totalizam 7,0%, sendo que o clus-
ter 266 representa que 1,5% das falhas relacionadas à
“Sobrecorrente do motor” possuíram o mesmo com-
portamento. Para identificar as frequências das falhas
com prioridade média e baixa, a mesma metodologia
pode ser aplicada.
Conforme descrito por Bezerra et al. (2009), o
plug-in Conformance Checker pode ser aplicado para
verificar a conformidade de um trace em relação a
um modelo de referência. Esta conformidade é apre-
sentada através de um índice, conhecido como fit-
ness, que representa a capacidade do modelo de re-
produzir o registro, sendo assim, um fitness de 1.0
indica que o modelo é compatível com cada trace do
registro. A reprodução de cada trace inicia-se pelo
registro do ponto inicial no modelo e, em seguida, as
transições pertencentes aos eventos de um trace são
disparados um após o outro. Enquanto isso se realiza
a contagem dos tokens que deveriam ter sido criados
artificialmente e o número de tokens que foram dei-
xados no modelo, indicando que o processo foi não
devidamente completado.
Para este caso, o modelo de referência foi obtido
pelo agrupamento dos clusters 0 e 1, pois represen-
tam as condições normais de operação da máquina.
Ao aplicar o plug-in do modelo de referência em
relação ao cluster 266 e 1, obteve-se um fitness de
0,85714287 e 1,0 respectivamente. Neste último, o
fitness não poderia ser diferente deste valor, uma vez
que este cluster fez parte da criação do modelo de
referência.
O plug-in Performance Sequence Diagram A-
nalysis fornece meios para acessar o desempenho de
um sistema (Kannan et al., 2008). Este plug-in é
capaz de gerar informações sobre comportamentos
comuns no registro de eventos, agrupando-os con-
forme sua sequencia, além de identificar o tempo de
atravessamento entre os mesmos.
Dados estatísticos relacionados ao tempo de a-
travessamento para cada padrão são apresentados,
podendo ser utilizados para determinar quais padrões
possuem um comportamento semelhante, quais são
raros e quais resultam em um alto tempo de atraves-
samento, possibilitando a análise das ocorrências e o
impacto no desempenho do sistema. Neste caso,
selecionaram-se somente os eventos da falha “Sobre-
corrente do motor”. A Tabela 5 apresenta a frequên-
cia com que estes alarmes específicos foram dispara-
dos, além de mostrar a duração mínima e máxima
com que este padrão de alarme permaneceu ativo.
2963
 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
Por meio destas informações obtidas através dos
métodos de mineração de processos, pode-se estabe-
lecer uma relação com as métricas recomendadas
pela norma ANSI/ISA-18-2 (2009), para um sistema
de alarmes eficaz. Para a identificação da frequência
dos alarmes em intervalos pré-definidos (dia, hora,
10 minutos, número máximo, etc.) os registros po-
dem ser tratados, inicialmente, e então minerados
para fornecer as informações dentro dos intervalos
desejados. Já as métricas relacionadas à duração
podem ser contabilizadas conforme o período com
que um ou mais alarmes permaneceram ativos. Além
disso, de acordo com a prioridade, os alarmes tam-
bém podem ser classificados e analisados individu-
almente, conforme o nível de criticidade de cada um.
Tabela 5. Principais eventos causadores de alarmes.
Duração
Pattern Evento Frequência
mínima
Avançar
0 37,3% 1 min.
cilindro trava
Avançar
1 cilindro pren- 22,4% 4 min.
sagem
Recuar cilin-
2 19,4% 2 min.
dro prensagem
Para o exemplo em análise, em função da identi-
ficação das falhas, através da criticidade, frequência,
sequencia de eventos e duração, é possível estabele-
cer um plano de ações a fim de racionalizar alguns
alarmes por meio de sua diminuição ou eliminação,
seja pela melhoria no processo ou mesmo pelo ajuste
de parâmetros no sistema de alarmes.
6 Conclusões
O artigo aborda técnicas de mineração de pro-
cessos como ferramenta de associação e análise para
a identificação de padrões comportamentais de ope-
ração normal e de falhas. Os resultados podem ser
utilizados como parâmetros para a racionalização de
alarmes, conforme sugerido pelas normas ANSI/ISA-
18 e EEMUA, uma vez que a sequência dos eventos
é identificada, seja pela frequência das ocorrências,
nível de severidade ou mesmo através do fitness.
Neste caso, a racionalização é realizada objeti-
vando a melhoria do processo. Uma vez identificado
o comportamento da condição anormal, é possível
eliminar ou reajustar os parâmetros do sistema de
alarme. Desta forma, é possível reduzir à quantidade
de alarmes, eliminando aqueles que não desempe-
nham a função efetiva de alarme, tornando mais clara
a visualização em casos de falha e diminuindo os
erros de interpretação por parte dos operadores.
Neste artigo, como os registros de eventos foram
gerados por meio de simulação, não foi possível
ISBN: 978-85-8001-069-5
representar algumas condições. É necessário um
estudo de caso para uma análise mais aprofundada,
com mais condições de falhas e diferentes variáveis.
Assim, será possível avaliar com mais clareza os
resultados desta técnica para a racionalização de
alarmes.
Entretanto, os resultados obtidos são promisso-
res no sentido do levantamento comportamental do
processo industrial, por meio da base de dados de um
sistema de alarmes. A compreensão do comporta-
mento dos eventos no processo torna a racionalização
mais eficaz, uma vez que os eventos originadores dos
alarmes podem ser identificados e analisados indivi-
dualmente.
Como sugestão de trabalhos futuros, recomenda-
se um estudo de caso em uma planta industrial real,
com diversas variantes a fim de validar os conceitos
abordados neste artigo. Outras técnicas de mineração
Duração de processos também deverão ser analisadas, em
máxima função do nível de abstração necessário para o caso
em estudo, como o Frequency Abstraction Miner e
Heuristic Miner. Além disso, o plug-in Conformance
3 min.
Checker pode ser explorado para a verificação da
conformidade, onde se leva em consideração não
7 min. somente o fitness, mas também parâmetros como o
behavioral appropriateness e structural appropria-
teness para apresentar o grau de precisão que o mo-
delo descreve o comportamento observado, em con-
5 min. junto com o grau de clareza representado pelo mode-
lo (Rozinat e Aalst, 2006).
Referências bibliográficas
Aalst, W.M.P. and Weijters, A.J.M.M. (2004).
Process mining: a research agenda. Computers in
Industry, vol. 53, pp. 231-244.
Aalst, W.M.P.; Reijers, H.A.; Weijters, A.J.M.M.;
Dongen, B.F.; Medeiros, A.K.A.; Song, M. and
Verbeek H.M.W. (2007). Business Process
Mining: An Industrial Application. Journal
Information Systems, vol. 32, Issue 5, UK.
Aalst, W.M.P. and Verbeek, H.M.W. (2008). Process
Mining in Web Services: TheWebSphere Case.
Bulletin of the IEEE Computer Society
Technical Committee on Data
Engineering, 31(3), pp. 45-48.
Aalst, W.M.P. (2010). Process Mining – Discovery,
conformance and enhancement of business
processes. Springer.
Aalst, W.M.P.; Schonenberg, M.H. and Song, M.
(2011). Time prediction based on process
mining. Journal Information Systems, vol. 36
Issue 2, UK.
Agrawal, R.; Gunopulos, D. and Leymann, F. (1998).
Mining Process Models from Workflow Logs.
EDBT '98 Proceedings of the 6th International
Conference on Extending Database Technology:
Advances in Database Technology, Springer-
Verlag London, UK.
2964
 Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ANSI/ISA-18.00.02 (2009). Management of Alarm
Systems for the Process Industries. ISA,
Research Triangle Park.
Bailey, S. J. (1984). From desktop to plant floor, a
CRT is the control operators window on the
process. Control Engineering 31 (6), pp. 86-90.
Bezerra, F.; Wainer, J. and Aalst, W.M.P. (2009).
Anomaly Detection Using Process Mining.
Enterprise Business Process and Information
Systems Modeling.
Bortolossi, H. J. (2003). Cálculo diferencial a várias
variáveis: Uma introdução à teoria de
otimização. Loyola, pp. 619.
Cortes S., Porcaro M. R. e Lifschitz S. (2002).
Mineração de dados - Funcionalidades, técnicas
e abordagens. PUC-Rio Inf. MMC.
Dongen, B.F.; Medeiros, A.K.A.; Verbeek, H.M.W.;
Weijters, A.J.M.M. and Aalst, W.M.P., June
2005. The ProM framework: A new era in
process mining tool support. International
Conference, ICATPN 2005, Miami, USA.
Duda, R.O.; Hart, P.E. and Stork, D.G. (2000).
Pattern Classification. Wiley-Interscience, New
York, NY, USA.
Dunn, D.G. and Sands, N.P., October 2005. ISA-
SP18 - Alarm Systems Management and Design
Guide. ISA EXPO.
EEMUA (2007). Alarm Systems: A Guide to
Design, Management and Procurement, The
Engineering Equipment and Materials Users
Association. Publication 191, 2nd , London.
Günther, C.W.; Rozinat, A.; Aalst, W.M.P. and
Uden, K. (2008). Monitoring deployed
Application Usage with Process Mining. BPM
Center Report BPM-08-11, BPMcenter.org.
Habibi, E. and Hollifield, B., September 2006. Alarm
systems greatly affect offshore facilities amid
high oil process. World Oil Magazine, vol. 227,
No. 9.
Kannan, V.; Aalst, W. and Voorhoeve, M. (2008).
Formal Modeling and Analysis by Simulation of
Data Paths in Digital Document Printers.
Proceedings of the Nineth Workshop on the
Practical Use of Coloured Petri Nets and CPN
Tools (CPN 2008), vol. 588 of DAIMI, pp. 27-
46, Aarhus, Denmark.
Koene, J. and Vedam, H. (2000). Alarm
Management and Rationalization. Third
International Conference on Loss Prevention.
Magalhães, G. (2006). Introdução à metodologia da
pesquisa, caminhos da ciência e tecnologia.
Ática, São Paulo.
Mans, R.S.; Schonenberg, M.H.; Song, M.; Aalst,
W.M.P. and Bakker, P.J.M. (2008). Process
Mining In Healthcare. BIOSTEC 2008, CCIS
25, pp. 425–438.
Medeiros, A.K.A. (2006). Genetic Process Mining.
PhD thesis, Eindhoven University of
Technology, NL.
Medeiros, A.K.A. and Günther, C.W. (2006).
Process Mining: Using CPN Tools to Create
Test Logs for Mining Algorithms. Proceedings
ISBN: 978-85-8001-069-5
of the Sixth Workshop and Tutorial on Practical
Use of Coloured Petri Nets and the CPN Tools.
Medeiros, A.K.A.; Guzzo, A.; Greco, G.; Aalst,
W.M.P.; Weijters, A.J.M.M.; Dongen, B. and
Saccà, D. (2007). Process Mining Based on
Clustering: A Quest for Precision. In
Proceedings of Business Process Management
Workshops.
Ratzer, A. V.; Wells, L.; Lassen, H. M.; Laursen, M.;
Qvortrup, J. F.; Stissing, M. S.; Westergaard,
M.; Christensen, S. and Jensen, K. (2003). CPN
Tools for Editing, Simulating, and Analysing
Coloured Petri Nets. Applications and Theory of
Petri Nets 2003: 24th International Conference,
ICATPN 2003.
Rothenberg, D.H. (2009). Alarm Management for
Process Control – A Best Practice Guide for
Design. Implementation, and Use of Industrial
Alarm Systems, Momentum Press, New York.
Rozinat, A. and Aalst, W.M.P. (2006). Conformance
Testing: Measuring the Fit and Appropriateness
of Event Logs and Process Models. BPM 2005
Workshops (Workshop on Business Process
Intelligence).
Rozinat, A.; Jong, I.S.M.; Günther, C.W. and Aalst,
W.M.P. (2009). Process Mining Applied to the
Test Process of Wafer Steppers in ASML. IEEE
Transactions on Systems, Man, and Cybernetics
- Part C: Applications and Reviews, vol. 39, No.
4, pp. 474–479.
Song, M.; Günther C. and Aalst, W.M.P., September
2008. Trace clustering in process mining.
Proceedings of the 4th Workshop on Business
Process Intelligence (BPI'08).
Stauffer, T.; Sands, N.P. and Dunn, D.G. (2010).
Alarm Management and ISA-18 – A Journey,
Not A Destination. Texas A&M Instrumentation
Symposium.
Venkatasubramanian, V.; Rengaswamy, R.; Yin, K.
and Kavuri, S.N. (2003). A review of process
fault detection and diagnosis Part I: Quantitative
model-based methods. Computers and Chemical
Engineering, pp. 293-311.
Zhang, Y.; Zhang, J.; Ma, J. and Wang, Z. (2009).
Fault Detection Based on Data Mining Theory.
IEEE.
2965