Você está na página 1de 8

A UTILIZAÇÃO DA ANÁLISE DE MÚLTIPLOS PARÂMETROS MONITORADOS PARA

GANHO DE EFICIÊNCIA DE DIAGNÓSTICO AUTOMÁTICO DE HIDROGERADORES.

Sanderson P. S. de Souza Hélio R. T. de Azevedo César R. M. Choquehuanca


Daniel S. Pinheiro

M&D Monitoração e Diagnose Ltda.

RESUMO
As Unidades Geradoras de Energia Elétrica são máquinas complexas e que possuem grande
número de componentes eletromecânicos. Em consequência disso, podem desenvolver diversos
modos de falha, que se inter-relacionam, dificultando a sua identificação, principalmente quando em
estado avançado de desenvolvimento. Ao se analisar os sintomas que esses modos de falha
apresentam ao se desenvolverem, percebe-se que muitos deles são sintomas que se manifestam
através de grandezas ou parâmetros físicos distintos, tais como vibração, temperatura e
contaminação do óleo, por exemplo, no caso de um mancal de guia danificado.
A partir dessa constatação, é fácil entender porque os Sistemas de Monitoração e Diagnóstico
Automático devem, obrigatoriamente, medir e analisar de forma integrada o maior número possível
de grandezas físicas para ter uma função eficiente, ou seja, para ser capaz de identificar, de forma
precoce, os modos de falha mais complexos.
Este trabalho apresenta, resumidamente, algumas das principais características de um Sistema de
Monitoração e Diagnóstico Automático instalado em uma Usina na região Centro Oeste do Brasil. O
trabalho destaca as características do Sistema relacionadas com a medição de múltiplos parâmetros,
incluindo aspectos relativos à necessidade de integração entre ele e o Sistema de Supervisão da
Usina.
O trabalho apresenta também um resultado prático onde a monitoração de múltiplos parâmetros, de
forma integrada, permitiu aumentar a precisão da identificação do modo de falha que estava se
desenvolvendo em uma das Unidades Geradoras.
A conclusão do trabalho apresenta a experiência dos autores sobre a melhoria obtida nos resultados
apresentados pelos Sistemas de Diagnóstico Automático já instalados em usinas brasileiras, ao
longo de mais de uma década, quando estes utilizam a monitoração integrada de múltiplos
parâmetros.

PALAVRAS-CHAVE
Monitoração Adaptativa de Múltiplos Parâmetros; Monitoração da Condição; Diagnóstico Manual;
Diagnóstico Automático.

1. INTRODUÇÃO
A monitoração da condição de máquinas (Machine Condition Monitoring) é o processo de medir
parâmetros físicos (vibração, temperatura, etc.) de máquinas para, através da identificação de
alterações significativas, correlacionar com as falhas estão se desenvolvendo na mesma [1]. A
monitoração da condição é a principal ferramenta da Manutenção Preditiva e passou por grande
evolução ao longo dos últimos anos.
De acordo com [2], a história da monitoração da condição pode ser dividida em três etapas: na
primeira etapa, décadas de 30 e 40, as máquinas eram relativamente simples e não havia muita
preocupação com a indisponibilidade. Na segunda etapa, década de 50 a 70, a monitoração da
condição se tornou prioritária, bem como a redução da indisponibilidade. Na terceira etapa, iniciada
na década de 80, a confiabilidade das máquinas se tornou vital para diversas indústrias, aumentando
ainda mais a responsabilidade do processo da monitoração da condição para atingir esse objetivo.
De forma simultânea a essa evolução, o mesmo ocorreu com os equipamentos de medição.
Inicialmente os sensores e equipamentpos de aquisição de dados eram analógicos, pesados e,
principalmente, caros. Com o desenvolvimento da microeletrônica, esses equipamentos se tornaram
digitais, muito mais leves e compactos, acessíveis a todas as indústrias e com grande capacidade de
comunicação com outros equipamentos. O resultado dessa evolução para a monitoração da
condição foi o aumento exponencial da quantidade de dados disponíveis. Se inicialmente os
Sistemas eram dedicados à aquisição de um tipo específico de grandeza, atualmente, os mais
eficazes são capazes de receber e tratar dados de diversos tipos de sensores, incluindo aqueles já
existentes nos Sistemas de Supervisão. Como consequência pode se afirmar que, entre os maiores
benefícios dessa característica é a possibilidade de identificar um número muito maior de modos de
falha diferentes a partir dos sistemas de monitoração instalados. Por outro lado, o aumento do
esforço necessário para realizar a análise criteriosa desses dados pode ser considerado como o
maior desafio consequente dessa evolução.
Um exemplo interessante de tipo de máquina da qual podemos extrair muitos benefícios a partir dos
dados existentes nos Sistemas de Supervisão são as Unidades Geradoras de Energia Elétrica.
Essas máquinas são muito complexas e possuem grande número de componentes eletromecânicos.
Em consequência disso, podem desenvolver diversos modos de falha, que se inter-relacionam,
dificultando a sua identificação, principalmente quando em estado avançado de desenvolvimento.

2. O PROCESSO DE DIAGNÓSTICO
Antes de definir o que os autores consideram como o Processo de Diagnóstico, é importante definir o
processo de desenvolvimento dos modos de falha. Conforme descrito em [3], as máquinas sofrem,
naturalmente, ao longo de sua vida útil, desgaste na medida em que operam. A consequência da
ocorrência desse desgaste nas máquinas é o desenvolvimento de modos de falha em seus
respectivos componentes. Esses modos de falha, por sua vez, que podem se desenvolver de forma
independente ou inter-relacionados, apresentam características ou sintomas, que precisam ser
analisados para que os modos de falha possam ser identificados. Apesar da necessidade de analisar
os sintomas para identificar os modos de falha, esses não podem ser medidos diretamente nas
máquinas. Ao invés disso, esses sintomas são identificados a partir da medição de alterações das
grandezas físicas monitoradas.
A Figura 1 apresenta um diagrama com a representação gráfica do processo de desenvolvimento de
modos de falha. No diagrama são apresentados três conjuntos, o primeiro (verde) da esquerda para
a direita, representa todos os modos de falha potenciais que podem ser desenvolvidos pelos
componentes de uma determinada máquina. O segundo conjunto (amarelo) representa os sintomas
que são apresentados pelos componentes na medida em que os modos de falha se desenvolvem.
Por último, o terceiro conjunto (vermelho) representa as grandezas monitoradas, cujos valores são
alterados quando os sintomas dos modos de falha se desenvolvem.

Figura 1 – Diagrama do “processo de desenvolvimento de modos de falha”.

2/ 8
O processo de diagnóstico de falhas em máquinas pode ser estabelecido como o processo inverso
ao de desenvolvimento de modos de falha, ou seja, é através dele que o Especialista ou um Sistema
Computacional, a partir de dados medidos, extrai sintomas, os combina e infere sobre o/os modos de
falha que estão se desenvolvendo (a partir do conjunto vermelho para o verde).
Analisando a Figura 1, é fácil intuir que, a monitoração do maior número possível de parâmetros
físicos do equipamento permite a extração de maior quantidade de sintomas e por consequência, a
identificação de maior quantidade de modos de falha. É importante observar, a partir da figura, que
um mesmo modo de falha pode gerar mais de um sintoma, assim como vários modos de falha
podem contribuir para o mesmo sintoma. A mesma observação vale para a etapa seguinte, entre
“sintomas” e “parâmetros”. Por isso é muito importante uma estratégia de identificação a partir do
início da falha (Detecção precoce), para que seja possível identificar de forma inequívoca a
verdadeira causa raiz do modo de falha em desenvolvimento. O grande benefício dessa estratégia é
reduzir o risco de uma parada intempestiva da máquina, causada por um modo de falha, ou modos
de falha consequentes deste, cuja evolução não estava sendo acompanhada.
Apesar do grande benefício que pode ser obtido com a monitoração de uma grande quantidade de
dados, é necessário fazê-lo de forma cuidadosa para que esses dados sejam verdadeiramente úteis
ao processo de diagnóstico (manual ou automático). Na próxima seção do trabalho será apresentado
o conceito de monitoração adaptativa de múltiplos parâmetros, necessário para viabilizar o processo
de diagnóstico, conforme apresentado na Figura 1.

3. MONITORAÇÃO ADAPTATIVA DE MÚLTIPLOS PARÂMETROS


A Figura 2 abaixo representa, de forma conceitual gráfica, dois valores medidos de qualquer
grandeza monitorada: temperatura, pressão, vazão ou o valor instantâneo da oscilação do eixo ou
da vibração de uma estrutura. O retângulo da esquerda representa o valor inicial medido,
considerando como seu “valor de referência” para uma condição “saudável”, enquanto que o da
direita representa o valor atual, medido durante sua operação subsequente à medição do valor
inicial.
Considerando que o comprimento do retângulo seja proporcional ao valor medido da grandeza, a
primeira impressão que se tem ao analisar a figura é que a condição “de saúde” da máquina piorou
(supondo que valores maiores significam condição pior). O processo tradicional de monitoração de
máquinas utiliza a lógica “bruta” apresentada na Figura 2: após a instalação do Sistema, limites de
alarme são configurados a partir de um critério (Normas ou histórico, por exemplo). Quando o valor
atual da medição ultrapassa o limite configurado (neste caso, para maior), um alarme seria gerado.

Figura 2 – Medição inicial x medição atual.


Para poder explicar a fragilidade do processo tradicional, será considerado que o valor medido de
qualquer grandeza física possa ser dividido em parcelas de contribuição. O modelo escolhido é o
apresentado na Figura 3. Na Figura, o valor medido da grandeza foi dividido, a título de exemplo, em
cinco parcelas. Ou seja, o valor medido, é influenciado ou depende dos seguintes fatores:
 Equipamento ok: a parcela de “Equipamento ok” representa o valor que a grandeza
apresentaria, mesmo que nenhum modo de falha estivesse se desenvolvendo;
 Meio ambiente: a parcela “Meio ambiente” representa a influência da temperatura ambiente,
umidade ou outros fatores ambientais, diretos ou indiretos, no valor da grandeza;
 Ponto de operação: a parcela “Ponto de operação” representa a influência da condição em
que o equipamento está operando no valor da grandeza;

3/ 8
 Modo de falha: no caso do diagnóstico, é a parcela mais importante. Representa a influência
que o “Modo de falha” que está se desenvolvendo tem no valor da grandeza;
 Outros fatores: é a parcela que reúne todos os demais fatores que possuem influência no
valor da grandeza, mas que não foram individualmente relacionados, ou não temos
informações sobre eles.
A Figura 3 apresenta de forma gráfica a decomposição do valor medido de uma determinada
grandeza nos fatores listados acima. É importante destacar que não houve preocupação em
determinar proporcionalidade entre os fatores, a figura é meramente ilustrativa.

Figura 3 – Diagrama com a decomposição do valor medido de uma grandeza qualquer.


Utilizando o modelo acima para representar os valores atual e inicial apresentados na Figura 2, uma
possibilidade de decomposição desses valores é a apresentada abaixo. Nesta representação
observa-se que a diferença entre os valores inicial e atual deveu-se apenas a alterações no ponto de
operação do equipamento e nas condições ambientais. A parcela referente ao modo de falha, e que
indica piora na condição da máquina, não se alterou. Ou seja, a condição de saúde da máquina,
inferido a partir do parâmetro abaixo, na prática não foi alterada, apesar de o valor atual medido ser
muito diferente do valor inicial. Pode-se depreender a partir dessa análise que a estratégia
tradicional de monitoração da condição é muito suscetível a ocorrência de alarmes falsos,
principalmente nas máquinas em que o ponto de operação e as condições ambientais possuem
grande influência nos valores medidos, como no caso de Unidades Hidrogeradoras.

Figura 4 – Representação de um alarme falso gerado pela estratégia tradicional de monitoração.


A Monitoração Adaptativa de Múltiplos Parâmetros por sua vez, foi uma estratégia desenvolvida pela
M&D Monitoração e Diagnose para evitar a ocorrência de alarmes falsos e “não detecções”, que a
estratégia tradicional de monitoração não é capaz de evitar. Nessa estratégia, fatores como meio
ambiente e ponto de operação da máquina são considerados no processo de monitoração, de forma
que é realizada uma estratégia seletiva para geração de alarmes.
Desta forma, a Monitoração Adaptativa de Múltiplos Parâmetros pode ser definida como o processo
de coleta de assinaturas da máquina que está sendo monitorada, considerando as influências do
meio ambiente e de seu ponto de operação. Naturalmente, essa assinatura deve ser composta pelo
maior número possível de grandezas físicas, pelo motivo apresentado na seção anterior.
Decompondo novamente as medições, Inicial e Atual, apresentadas na Figura 2, agora de acordo
com a estratégia de monitoração adaptativa, o resultado obtido seria o apresentado na Figura 5.
Nesta figura observa-se que toda a variação identificada nas duas medições está concentrada na
4/ 8
parcela modo de falha. Ou seja, a estratégia de monitoração adaptativa é capaz de identificar o
ponto de operação atual da máquina, bem como validar e pré-processar os sinais para
eliminar/minimizar a influência do ambiente na medição, reduzindo a ocorrência de alarmes falsos
e/ou de “não detecções”.

Figura 5 – Representação de um alarme gerado pela estratégia de monitoração adaptativa.


A próxima seção deste trabalho apresenta um diagrama da arquitetura do Sistema de Monitoração e
Diagnóstico Automático instalado em uma Usina Hidrelétrica da Região Centro-Oeste do Brasil.

4. COMUNICAÇÃO COM O SISTEMA DE SUPERVISÃO


Conforme descrito nas seções anteriores, a Monitoração Adaptativa de Múltiplos Parâmetros é uma
estratégia extremamente eficaz para a monitoração e diagnóstico automático de máquinas, incluindo
as Unidades Geradoras. Porém, sua eficácia depende da disponibilidade de diversos dados
(temperatura, pressão, vazão, potência ativa, entre outros). No caso específico de Unidades
Geradoras, o Sistema Digital de Supervisão e Controle concentra, normalmente, todos os dados
necessários. Desta forma, a realização de comunicação entre o Sistema de Diagnóstico Automático
e o de Supervisão é a forma ótima de se obter os dados de que são necessários para a execução da
tarefa.
A figura abaixo apresenta a arquitetura do Sistema de Diagnóstico Automático instalado. No
diagrama são representadas duas fontes de dados do Sistema, a unidade de aquisição de dados,
responsável pela aquisição dos sinais dinâmicos (oscilação do eixo, vibração da estrutura, pulsação
de pressão, entreferro, por exemplo) e o cabo de comunicação com o Sistema de Supervisão, de
onde são obtidos os sinas estáticos (temperatura do ferro, cobre, sapatas, níveis, potência ativa,
queda, posição de válvulas, entre outros).

Figura 6 – Arquitetura do Sistema de Diagnóstico Automático.

5/ 8
Neste caso, a comunicação com o Sistema de Supervisão foi realizada através de protocolo de
comunicação (Modbus TCP/IP). Durante a etapa de implantação do Sistema, a empresa responsável
pela manutenção do Sistema de Supervisão foi contratada para configurar um mapa de memória
contendo os sinais analógicos e digitais selecionados em consenso com a equipe de operação e
manutenção da Usina. É importante destacar que, por questões de segurança, o mapa de memória
foi configurado em uma área de leitura apenas. Esta decisão aumenta a segurança da comunicação
entre os dois Sistemas, sendo impossível o envio de comandos do Sistema de Diagnóstico
Automático para o de Supervisão.
Após a configuração do mapa de memória, as etapas seguintes foram: configurar no Sistema MDM
os sinais analógicos e digitais, seguido de testes na Usina. A realização de testes na Usina é
fundamental para garantir que nenhum parâmetro está com o seu endereçamento errado, sendo a
principal atividade do comissionamento da comunicação entre os Sistemas. Finalizado o teste, o
Sistema de Diagnóstico Automático está pronto para iniciar a aquisição/análise dos dados.

5. CASO PRÁTICO
Após a entrada em operação do Sistema, no primeiro semestre do ano de 2015, ocorreu uma
oportunidade interessante para comprovar a eficiência da estratégia de Monitoração Adaptativa de
Múltiplos Parâmetros. No mês de março daquele ano ocorreu uma chuva muito intensa na região,
cuja vegetação é de transição entre a do Pantanal e a Amazônica (de grande porte). Em
consequência dessa chuva, uma grande quantidade de vegetação foi arrastada pelo Rio, obstruindo
a grade da tomada d’água. Na ocasião, o Sistema de Diagnóstico começou a enviar por e-mail
relatório informando uma possível obstrução da grade.
A equipe de Suporte Técnico e Acompanhamento do Sistema, ao receber os e-mails, elaborou
alguns gráficos para confirmar o diagnóstico inserido no relatório enviado por e-mail. Para isso, foi
usada a ferramenta de processamento de sinais: Análise Sequencial. Esta ferramenta permite a
inclusão de vários sinais superpostos e possui duas escalas, uma na direita do gráfico e outra à sua
esquerda. O objetivo principal da ferramenta é visualizar a forma de dois sinais que eventualmente
possuam valores muito diferentes como, por exemplo, temperatura e oscilação do eixo.
Na figura abaixo é apresentado um dos gráficos que foram elaborados na época. No gráfico, é
apresentada a posição do distribuidor em função da potência ativa. Os pontos com a cor azul são os
estados iniciais (Referências) da Unidade Geradora, enquanto que os pontos com a cor vermelha
são os estados atuais (Registros Alarmados). Para gerar o gráfico foram utilizadas as Referências
que possuíam potência ativa maior que 0,0 MW e Registros do período entre 01/03/2015 e
30/04/2015.

Figura 7 – Análise sequencial da posição do distribuidor.


6/ 8
Analisando o gráfico, observa-se que, ao longo de praticamente toda a faixa de potência ativa em
que a Unidade Geradora opera, os valores dos estados iniciais e atuais são muito próximos.
Surgindo diferença somente na faixa de potências superiores a 35 MW.
Quando a grade está limpa, para cada dupla de valores (potência ativa e queda bruta) tem-se um
valor de posição do distribuidor. Na medida em que a grade é obstruída, o regulador de velocidade
precisa aumentar a abertura do distribuidor para compensar a perda de carga. Em casos extremos,
mesmo na abertura máxima a Unidade Geradora não consegue fornecer a potência ativa
necessária, mesmo que inferior à nominal.
Desta forma uma grande diferença entre o valor atual e inicial da abertura para uma determinada
potência é um indicador confiável da ocorrência de obstrução na grade da tomada d’água. Na Figura
8 é apresentado um gráfico mais detalhado da abertura do distribuidor. No gráfico podem ser
observados dois pontos, nos quais a diferença entre o estado atual e inicial foi maior que 20%,
conforme destacado pelas setas azuis.

Figura 8 – Detalhe da análise sequencial da posição do distribuidor.


De posse dos gráficos, foi feito contato com a Usina para informar o que estava sendo observado,
indicativos de obstrução da grade. Após alguns dias, foi confirmado o diagnóstico enviado no relatório do
Sistema de Diagnóstico Automático.

6. CONCLUSÕES
Conforme descrito ao longo do trabalho, e exemplificado a partir de um estudo de caso real, o processo
da Monitoração da Condição de Máquinas pode parecer simples, mas conforme demonstrado, para que
os dados monitorados sejam efetivamente úteis para o processo de Diagnóstico faz-se necessário
utilizar alguma estratégia mais avançada que contemple condicionamento e pré-processamento dos
dados adquiridos. No caso dos autores, já com mais de 15 anos de experiência na aplicação de
Sistemas de Monitoração e Diagnóstico Automático em usinas brasileiras e, mais recentemente, em
usinas fora do Brasil, a abordagem através de Monitoração Adaptativa de Múltiplos Parâmetros tem
trazido resultados bastante relevantes.
A identificação do ponto de operação, a validação dos dados e a exclusão do efeito do meio ambiente
são imprescindíveis para o bom funcionamento dos Sistemas de Diagnóstico Automático, bem como
para evitar alarmes falsos (falso positivos ou não detecção).

7/ 8
7. AGRADECIMENTOS
Os autores agradecem a todos os usuários do Sistema MDM pelas sugestões e pela troca de
informações a respeito dos modos de falhas identificados pelo Sistema.

8. REFERÊNCIAS
[1] Wikipedia, Condition Monitoring, acessado em 14/04/2016;

[2] Equipment Condition Monitoring: A History, Scanimetrics, acessado em 14/04/2016;

[3] Relatório sobre a Aquisição do Conhecimento, Etapa 9, Projeto de P&D Aneel, “Desenvolvimento de
Sistema Inteligente para Otimização de Rotas de Operação e Manutenção de Usinas de Geração de
Energia Elétrica”

8/ 8