Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
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/ 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.
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.
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;
[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