Você está na página 1de 10
IBP681_11 UM SISTEMA DE MONITORAÇÃO DA CALIBRAÇÃO DE SENSORES – DESENVOLVIMENTO E ESTUDO DE CASO
IBP681_11
UM SISTEMA DE MONITORAÇÃO DA CALIBRAÇÃO DE
SENSORES – DESENVOLVIMENTO E ESTUDO DE CASO
Luigi G. Junior 1 , Fagner N. Bezerra 2 , Angelo D. M. Brun 3 ,
João O. P. Pinto 4 , Ricardo R. Ramos 5
Copyright 2011, Instituto Brasileiro de Petróleo, Gás e Biocombustíveis - IBP
Este Trabalho Técnico foi preparado para apresentação no VI Congresso Rio Automação, realizado nos dias 16 e 17 de maio de
2011, no Rio de Janeiro. Este Trabalho Técnico foi selecionado para apresentação pelo Comitê Técnico d o evento, seguindo as
informações contidas na sinopse e no texto final su bmetido pelo(s) autor(es). O conteúdo do Trabalho Técnico, como apresentado,
não foi revisado pelo IBP. Os organizadores não irão traduzir ou corrigir os textos recebidos. O mater ial conforme, apresentado, não
necessariamente reflete as opiniões do Instituto Br asileiro de Petróleo, Gás e Biocombustíves, Sócios e Representantes. É de
conhecimento e aprovação do(s) autor(es) que este Trabalho Técnico seja publicado nos Anais do VI Congresso Rio Automação.
Resumo

Os sensores, dispositivos responsáveis pela transmissão de dados externos até a unidade de controle, q uando defeituosos ou mal calibrados podem causar baixo de sempenho operacional e econômico do processo em que estão inseridos. Nas indústrias fortemente automatizadas, estes estão entre os componentes que mais necessitam de cuidados para garantir o desempenho desejável da planta industrial. Quando ocorre uma falha em determinados pro cesso, podem ocorrer enormes prejuízos materiais e humanos. Por estas razões, o aumento da confiabilidade é feito por meio de manutenções preventivas, que são realizadas antes d a ocorrência das falhas. Ainda assim, a manutenção preventiva atualmente mais utilizada, que é a periódica, não e limina totalmente a ocorrência de falhas e métodos de prevenção mais eficazes estão se tornando mandatórios. Com esta premissa, a manutenção preditiva tem tido cresce nte aceitação mundial e muitas aplicações práticas podem ser cita das. Uma desvantagem da manutenção preditiva está no uso de

ferramentas dedicadas que necessitam de longo perío do de desenvolvimento e o resultado final se torna específico para

o processo determinado durante o estudo. No entanto , um novo sistema de monitoração e validação foi pr oposto, capaz

de acelerar o desenvolvimento e a implantação da ma nutenção preditiva de sensores. Este sistema vem se ndo desenvolvido a mais de 6 anos, desde da primeira co leta de dados, validação e seleção de modelos auto-associativos, até testes reais, se tornando um produto comercial chamado Sentinell. Este trabalho tem como objetivo apre sentar a cuidadosa abordagem em todas as etapas de desenvolvimento do Sentinell, suas metodologias, as funciona lidades da versão atual do sistema e os resultados dos testes de campo numa planta real de uma estação de compres são de gás natural.

Abstract

The sensors, devices responsible for transmitting d ata to the external control unit, can cause poor op erational and economic performance of its process in the presence of failure. In highly automated industries, these are among the most critical components to ensure desirable perfor mance of the industrial plant. There may offer mate rial and human damages when a failure occurs in some process. Beca use of these reasons, the increased reliability is achieved through preventive maintenances, which are realized prior to the occurrence of failures. Even thought, the cur rently most used preventive maintenance (periodic maintenance) did not totally eliminate the occurrence of failures and more effective methods of prevention are becoming mandatory. Based on this premise, predictive maintenance has been growing accepted worldwide and many practical applications can be cited. A drawback of predictive maintenance is the use of dedicated tools that require long development perio d and the final result becomes specific to the particular process during the study. However, a new monitoring and val idation system has been proposed for accelerating the development and deployment of predictive maintenanc e of sensors. This system has been developed during six years since the first data acquisition, validation and se lection of auto-associative models, until real test s, becoming a commercial product called Sentinell. This paper aims to describe a careful approach in all stages of d evelopment of Sentinell, their methodologies, the features of the current version of the system and the results of field tests on a real plant of a compressor station for natural gas.

1 Mestre em Engenharia Elétrica Pesquisador da UFM S

2 Engenheiro Eletricista Pesquisador da UFMS

3 Mestre, Engenheiro da Computação Pesquisador da UFMS

4 PHD, Engenharia Elétrica Prof. Adjunto da UFMS

5 Engenheiro de Equipamentos Eletrônica Petrobras/Materiais/DEMF/DM

Congresso Rio Automação

VI

1.

Introdução

As operações de manutenção impactam de forma signif icativa nos custos de operação das indústrias de diversos segmentos. Nas indústrias fortemente automatizadas, certos componentes necessitam de cuidados adicionais, como é o caso dos sensores. Todas as malhas de controle, incluindo as malhas de proteção, para garantir o desempenho desejável da planta industrial, dependem da boa calibração dos instrumentos de medição. Isto implica na necessidade de utilização de técnicas para a prevenção de falhas c omo as manutenções periódicas, que são realizadas p or tempo ou por horas de operação. O intervalo entre as manutenções varia para cada instrumento ou processo e depende das recomendações dos fabricantes ou pode ser variada a o longo do tempo pela experiência dos operadores. P ara aumentar a confiabilidade, este intervalo entre as manutençõ es deve ser reduzido, o que torna as manutenções pe riódicas mais caras e excessivas. Ainda assim, defeitos podem oco rrer entre os intervalos de manutenção, sendo neces sária a realização de manutenções corretivas, que não são p rogramadas e são realizadas somente quando as outra s manutenções não foram eficazes. Por outro lado, o aumento dos intervalos entre as manutenções, piora a confiabilid ade do processo aumentando a probabilidade de ocorrência de falhas. Nas plantas que operam com manutenções periódicas, a quantidade de intervenções corretivas pode chegar a um terço do total de intervenções. Desta forma, o desenvolvimento de novas técnicas preventivas, como a manutenção pr editiva, tem despertado o interesse contínuo da ind ústria. A manutenção preditiva consiste em predizer a ocorr ência de uma falha para permitir o agendamento da manutenção antes que esta realmente ocorra. A estimação do estado atual da calibração de um sensor per mite alertar sobre desvios da operação normal que permitirá a re alização das manutenções somente quando necessário. Ferramentas com esta finalidade vêm sendo aplicadas desde a déc ada de 80 no mundo, em aplicações como indústrias q uímicas, usinas termoelétricas e usinas nucleares, como apre sentado por Upadhyaya e Eryurek (1992). Uma desvantagem da manutenção preditiva está no uso de ferramentas ded icadas que necessitam de longo período de desenvolvimento e o resultado final se torna específico para o processo determinado durante o estudo. Mas projetos recente s levaram ao desenvolvimento de uma nova ferramenta, denominada Sentinell, capaz de acelerar este processo de desenvolvimento e poderá permitir a rápida instalação em diversas pla ntas. Nas próximas seções, serão apresentados um resumo dos métodos, os resultados de projetos e os estudos de casos que levaram à constituição da versão atual do Sentinell.

2. História do desenvolvimento do Sentinell As técnicas de monitoramento da calibração de senso res
2.
História do desenvolvimento do Sentinell
As técnicas de monitoramento da calibração de senso res aplicada a manutenção preditiva, vem sendo usad a a
mais de 3 décadas no mundo, porém estes estudos são relativamente recentes no Brasil. Em 2004 foi inic iado um
projeto pioneiro no país baseado nas experiências o btidas em usinas nucleares americanas, que culminou em uma
parceria entre a Universidade Federal do Mato Grosso do Sul e a Petrobras. Este primeiro projeto consistiu na coleta de
dados em uma estação de compressão de gás natural e na avaliação de diferentes métodos estatísticos e de inteligência
artificial para a criação dos modelos baseados nestes dados. Posteriormente, em 2008 iniciou-se o dese nvolvimento para
transformar a metodologia desenvolvida em um produto de software, que foi nomeado Sentinell. Durante e stes projetos,
foi identificada a necessidade de realizar o gerenc iamento da manutenção, que possibilitasse implantar a manutenção
preditiva gradativamente de modo efetivo, levando o início de um novo desenvolvimento desde 2010.
O estudo de diferentes tipos de modelos, com base e m dados reais levantados no primeiro projeto, compr ovou
que o modelo de regressão kernel auto-associativo ( RKAA) foi o mais adequado para diversos processos p ela sua
generalização e facilidade de aprendizagem. Foram c omparados também os modelos com regressão linear, c om redes
neurais auto-associativas (RNAA) e com a técnica de estimação de estados multivariável (do inglês, MSE T). Além das
experiências adquiridas quanto ao agrupamento dos sensores, treinamento e refinamento dos modelos, o p rimeiro
projeto também gerou um software dedicado a planta escolhida para monitorar a calibração dos sensores e foi testado
on-line pela primeira vez em 2007.
O software desenvolvido, embora fosse capaz de moni torar os sensores, apresentou uma desvantagem quanto a
flexibilidade do seu uso. Além de ser dedicado à planta de estudo, impedindo a sua utilização em difer entes indústrias, o
software também não permitia atualizações para muda nças na planta. Desta forma, o segundo projeto viso u transformar
o mesmo software, com o método RKAA escolhido, com flexibilidade de cadastrar sensores e telas, de tre inar os
modelos de forma intuitiva e ajustar filtros de ala rmes, de modo que pudesse ser instalado em qualquer processo
automatizado. O código e a marca Sentinell foram re gistrados no INPI e possuem arte confeccionada por uma agência
de propaganda especializada. Atualmente, está em pr ocesso de enquadramento à norma NBR ISO/IEC 9126 de
qualidade de software.
O desenvolvimento mais recente relacionado ao siste ma de gerenciamento da manutenção surgiu devido à
resistência natural que foi identificada na indústr ia. Ainda que o sistema monitora a calibração e for neça alarmes
precisos quanto a sua real condição, é necessário c onvencer tecnicamente e administrativamente a modificar o sistema
de manutenção periódica anterior. De fato, não se p ode substituir drasticamente a manutenção periódica sem que a
2

Congresso Rio Automação

VI

confiabilidade dos alarmes da periódica seja confir mada para cada sensor. ainda outras questões como garantia de fabricantes, normas e procedimentos internos, que p recisam ser verificadas. Portanto, embora não seja vital para o monitoramento da calibração de sensores, o gerencia mento das manutenções se mostrou essencial para dar suporte a decisões quanto às estratégias de manutenção adotad as. Este módulo está detalhado na seção 4. A Figura 1 ilustra a evolução das interfaces do pro grama até a sua apresentação comercial com marca registrada.

apresentação comercial com marca registrada. Figura 1. Evolução ilustrativa do Sentinell
apresentação comercial com marca registrada. Figura 1. Evolução ilustrativa do Sentinell

Figura 1. Evolução ilustrativa do Sentinell da esquerda para a direita

3. Revisão dos métodos avaliados

As técnicas de estimação utilizadas para o monitor amento geralmente são baseadas em modelos auto- associativos por serem constituídos em dados ou construídos analiticamente. De acordo com o tipo de si stema de controle da planta é possível permitir a construção de modelos algébricos, entretanto, alguns modelos baseados em dados (empíricos) têm características úteis para a melhoria da confiabilidade. Na Figura 2, é apresentado o procedimento para a d etecção da falta do sensor.

para a d etecção da falta do sensor. Figura 2. Procedimento para detecção de

Figura 2. Procedimento para detecção de falta O sistema de monitoramento Sentinell aumenta a confiabilidade dos cálculos e decisões, baseado em med idas de processo efetuadas por meio de monitoramento contínuo dos sinais residuais de saída processados pelo software. Os

sinais residuais de saída correspondem à diferença entre os valores medidos e os valores estimados, fo rnecidos pelo modelo empírico embarcado. A verificação de calibra ção garante a operação correta dos sensores de proc esso do sistema, sinalizando quando a recalibração do senso r é necessária, através de avaliação estatística co ntínua das saídas residuais.

3.1.

Modelos Auto-Associativos

Cada modelo auto-associativo apresenta uma metodologia para estimação de erros de calibração de senso res. O objetivo da Regressão linear é encontrar a matriz M que multiplica uma matriz X composta pelas variáveis de entrada aproximando os valores da matriz Y que é composta pelas variáveis de saída. A Técnica de Estimação de Estado Multivariada também chamado de MSET (do inglês: Multivariate State Estimation Technique), refere-se à um método de mod elagem baseado em memória, devido a existência de u ma matriz de dados contendo uma forma de dados históricos. Essa matriz é chamada de matriz de memória e é um sub conjunto dos dados de treinamento. Para construir essa matriz de memória do MSET, necessita-se determinar quantas observações utilizadas e como selecioná-las do conj unto dos dados de treino. Uma Rede neural auto-associativa (Auto-Associative Neural Network - AANN) é uma em que as saídas são treinadas para emular as entradas dentro de uma faixa apropriada sendo usadas como uma solução alterna tiva em diagnóstico de sensores. Desenvolvido por Kramer (1 991), estas redes conseguem capturar o relacionamento entre os sinais que tem algum grau de relação entre eles. Co mo resultado, qualquer saída específica mostra virt ualmente nenhuma mudança quando o padrão de entrada correspo ndente for distorcido pelo ruído, por dados faltand o ou por não linearidades. Essa característica permite que essas redes detectem desvios comparando a medida do sensor com a correspondente estimativa da rede (Hines e Uhrig, 1 998).

3

Congresso Rio Automação

VI

A técnica Modelos Parciais apresentado por Galotto (2006) possui como finalid ade aumentar a capacidade de rejeição de falta dos modelos. Esse método consiste em dividir o modelo em n modelos parciais com o ob jetivo de isolar as faltas. Em modelos auto-associativos convencionais todas as entradas são combinadas para for necer uma estimação das mesmas entradas nas saídas. Os modelo s parciais podem ser construídos utilizando qualque r técnica de regressão, incluindo a combinação delas. Portanto, essa não é uma técnica de regressão, mas é uma técnica para melhorar a robustez dos modelos. De todos os modelos analisados, durante a elaboraç ão da interface gráfica do programa optou-se por ad otar apenas o método de Regressão linear Kernel, por este simplificar o processo de análise e consequentemente diminuírem o tamanho do algoritmo. Pelos resultados obtidos, verificou-se que o modelo Kernel apresenta em média os melhores resultados para a maioria dos grupos testados. Visto que esses modelo s apresentam a maior probabilidade de detecções de falta com pequenos desvios e baixa probabilidade de alarmes falsos.

3.2. Regressão Kernel Auto-Associativa

Essa é uma técnica não paramétrica, porque todas a s estimações são feitas baseadas no conjunto de dados de treinamento. A Regressão Kernel é basicamente uma Regressão Localmente Ponderada, em Atkeson et. al. (1996), onde os pesos são calculados com base em uma função Kernel. muitos tipos de funções Kernel, mas a f unção utilizada neste trabalho é a gaussiana, que é a mais usual. Dado um ponto a ser estimado, as distâncias entre esse ponto e todos os outros pontos no conjunto de dados são calculadas, e então a função Kernel é aplicada para essas distâncias de modo que os pontos mais pr óximos terão os maiores pesos. Graficamente, isso é o equivalente a traçar a função Kernel sobre o ponto a ser estimad o como mostra a Figura 3.

a ser estimad o como mostra a Figura 3. Figura 3. Funcionamento da regressão de

Figura 3. Funcionamento da regressão de Kernel

Para cada nova entrada uma nova função Kernel é tr açada centrada no ponto de entrada em questão. Os valores encontrados com essa função Kernel são os pesos aplicados sobre os dados. De modo que a estimação será encontrada

de acordo com a Equação 1.

ˆ

Y =

Y

data

W X

(

data

,

X

)

W X

(

data

,

X

)

(1)

Esse modelo também pode fazer mapeamentos não line ares. É interessante notar também que mesmo se o ponto a ser estimado estiver longe dos dados, então a estimação sempre será um valor em torno do conjunto de dados. Portanto, é importante que os dados de treinamento representem bem a faixa de operação. Quando os dados de saída são iguais aos de entrada a regressão, possui a capacidade de associar os da dos entre eles automaticamente. Portanto ela também pode ser chamada de Regressão Kernel Auto-Associativa (RKAA) neste caso.

Aprendizagem dos modelos.

Existem importantes medidas de desempenho que auxiliam a definir a qualidade de cada modelo: a precisão, a robustez e o espalhamento. Eles podem mostrar se o modelo pode piorar a performance do sistema em cond ições normais de operação e se o modelo poderá melhorar a performance em condições de falta. A média e a var iância do erro são usadas para o cálculo da incerteza que também e stá relacionada com a precisão e pode ser usada como outra medida de performance. O agrupamento dos sensores é um procedimento impor tante para evitar a construção de modelos com sinai s irrelevantes ou sem a quantidade necessária de sina is. Adicionar mais sinais do que o necessário pode aumentar a variância das estimações e inserir menos sinais pod e aumentar a média do erro (bias) da estimação.

4

Congresso Rio Automação

VI

Através do modelo de Kernel é possível realizar o aperfeiçoamento do programa inserindo trechos de gr áficos que mais se aproximam do funcionamento real do sistema, tais atualizações da memória Kernel devem ser realizadas por uma pessoa especializada que identifique o func ionamento normal da planta por meio da funcionalida de “adicionar memória” presente no software. Algumas variáveis são muito correlacionadas e outr as não são relacionadas com nenhuma outra. A qualid ade da estimação pode ser piorada se os sinais não corr elacionados forem usados na estimação ou se poucos sinais forem usados como comentado na seção anterior. Portanto, é importante fazer o agrupamento correto antes da c onstrução do modelo. O coeficiente de correlação linear é um bom indicador para verificar se os sinais são relacionados entre si. Para evitar a indicação de alarmes falsos durante os pulsos transitórios decorrentes das partidas e p aradas de equipamentos, existe a configuração do “filtro do modelo no tempo” no qual o usuário define uma consta nte que funciona como um parâmetro regulador para a sensibilidade do software aos picos. Quanto maior o número , menos sensível aos picos. Basicamente, o software conside ra amostras passadas ponderadas com a amostra atual, assim, quando ocorre apenas um pico de curta duração o software não fornece avisos de alarme devido aos baixo s valores de amostras passadas. Para garantir uma melhor qualidade das estimações é necessário ajustar a largura de banda ou o suporte da função Kernel. Para grandes larguras de banda a solução fica sobreamortecida e as estimações são disto rcidas como mostra a Figura 4. Por isso a regressão Kernel tamb ém possui o efeito de filtro, onde a freqüência de corte está relacionada com a largura de banda da função Kernel.

Figura 4. Estimações para uma grande largura de banda Para pequenas larguras de banda as
Figura 4. Estimações para uma grande largura de banda
Para pequenas larguras de banda as estimações se tornam ruidosas com grande variância, como mostra a
Figura 5. Embora isso gere alta precisão para os da dos de treino, que são os dados armazenados na memó ria, não haverá
boa precisão com os dados de teste, porque o modelo passa a se ajustar ao ruído.
Figura 5. Estimações para uma pequena largura de ba nda
A otimização da largura de banda deve ser feita de acordo com os dados disponíveis para o treinamento . Para
dados normalizados com média zero e desvio padrão unitário, a largura de banda ótima tende a estar pró ximo de um.
Contudo, o ajuste deste parâmetro normalmente é um procedimento aconselhável.

4. Módulo de gerenciamento da manutenção

Apesar dos benefícios oriundos da aplicação do método preditivo de manutenção, ainda ocorre uma prática conservadora nas indústrias que impede uma mudança repentina de substituição da manutenção periódica. Desta maneira, houve a necessidade de desenvolver uma metodologia de transição gradativa entre as manutençõe s por meio da ferramenta auxiliar Sentinela.

5

Congresso Rio Automação

VI

Ferramenta que permite demonstrar a evolução da co nfiabilidade dos alarmes gerados pelo software Sentinell ao longo do modelo até que o seu grau de confiança se torne suficiente para predominar, ou até mesmo s ubstituir para a preditiva, a manutenção periódica de determinado in strumento. A adoção da manutenção preditiva deve ser feito a partir do consentimento dos responsáveis por cada p rocesso ao passo que o software fornece as informações rele vantes para orientá-los durante as decisões por meio da emissão de relatórios e documentos descritivos sobre a situaçã o de cada sensor e permitindo a visualização dos da dos em forma de gráfico.

4.1.

Métricas de desempenho

As métricas de desempenho são as principais definições necessárias para determinar o nível de satisfa ção de

cada estratégia de manutenção. Através da quantidade proporcional de manutenções, taxa de acerto e eficiência determinados pelo mode lo

matemático proposto possibilita discriminar a metod ologia de transição a ser utilizado e avaliar de mo do quantitativo e qualitativo a eficácia do programa nas manutenções no decorrer das atividades do processo industrial o que proporciona ao gestor do sistema a segurança necessária para re alizar a transição. Conforme especificado na Tabela 1, o cadastramento dos registros de manutenção realizado pelos técnic os fornece dados importantes para analisar o comportamento das manutenções, permitindo coletar informaçõe s sobre data, motivo e descrição da execução do serviço, os custo s operacionais da utilização de recur