Detecção de falha e isolamento - Fault detection and isolation

A detecção, isolamento e recuperação de falhas ( FDIR ) é um subcampo da engenharia de controle que se preocupa em monitorar um sistema, identificar quando uma falha ocorreu e apontar o tipo de falha e sua localização. Duas abordagens podem ser distinguidas: Um reconhecimento de padrão direto de leituras do sensor que indicam uma falha e uma análise da discrepância entre as leituras do sensor e os valores esperados, derivados de algum modelo. No último caso, é típico que uma falha seja considerada detectada se a discrepância ou residual ficar acima de um certo limite. É então tarefa do isolamento de falhas categorizar o tipo de falha e sua localização na máquina. As técnicas de detecção e isolamento de falhas ( FDI ) podem ser amplamente classificadas em duas categorias. Isso inclui FDI baseado em modelo e FDI baseado em processamento de sinal.

Baseado em modelo

Exemplo de lógica FDI baseada em modelo para um atuador em um sistema de controle de elevador de aeronave

Em técnicas de IDE baseadas em modelo, algum modelo do sistema é usado para decidir sobre a ocorrência de falha. O modelo do sistema pode ser matemático ou baseado em conhecimento. Algumas das técnicas de IDE baseadas em modelo incluem abordagem baseada no observador, abordagem de espaço de paridade e métodos baseados em identificação de parâmetro. Há outra tendência de esquemas de IED baseados em modelos, chamados de métodos de associação de conjuntos. Esses métodos garantem a detecção de falhas sob certas condições. A principal diferença é que ao invés de encontrar o modelo mais provável, essas técnicas omitem os modelos, que não são compatíveis com os dados.

O exemplo mostrado na figura à direita ilustra uma técnica FDI baseada em modelo para um controlador reativo de elevador de aeronave por meio do uso de uma tabela verdade e um gráfico de estado. A tabela verdade define como o controlador reage às falhas detectadas e o gráfico de estado define como o controlador alterna entre os diferentes modos de operação (passivo, ativo, standby, desligado e isolado) de cada atuador. Por exemplo, se uma falha for detectada no sistema hidráulico 1, a tabela verdade envia um evento para o gráfico de estado que o atuador interno esquerdo deve ser desligado. Um dos benefícios desta técnica de IDE baseada em modelo é que este controlador reativo também pode ser conectado a um modelo de tempo contínuo da hidráulica do atuador, permitindo o estudo de transientes de comutação.

FDI baseado em processamento de sinal

No FDI baseado em processamento de sinal, algumas operações matemáticas ou estatísticas são realizadas nas medições, ou alguma rede neural é treinada usando medições para extrair as informações sobre a falha.

Um bom exemplo de FDI baseado em processamento de sinal é a refletometria no domínio do tempo, onde um sinal é enviado por um cabo ou linha elétrica e o sinal refletido é comparado matematicamente ao sinal original para identificar falhas. Spread Spectrum Time Domain Reflectometry, por exemplo, envolve o envio de um sinal de spread spectrum por uma linha de fio para detectar falhas de fio. Vários métodos de agrupamento também foram propostos para identificar a nova falha e segmentar um determinado sinal em segmentos normais e defeituosos.

Diagnóstico de falha da máquina

O diagnóstico de falhas de máquinas é um campo da engenharia mecânica preocupado em encontrar falhas que surgem em máquinas. Uma parte particularmente bem desenvolvida se aplica especificamente a máquinas rotativas, um dos tipos mais comuns encontrados. Para identificar as falhas mais prováveis ​​que levam à falha, muitos métodos são usados ​​para coleta de dados, incluindo monitoramento de vibração , imagem térmica , análise de partículas de óleo, etc. Em seguida, esses dados são processados ​​utilizando métodos como análise espectral , análise de wavelet, transformada de wavelet, curto prazo Transformada de Fourier, expansão de Gabor, distribuição de Wigner-Ville (WVD), cepstrum, biespectro, método de correlação, análise espectral de alta resolução, análise de forma de onda (no domínio do tempo, porque a análise espectral geralmente diz respeito apenas à distribuição de frequência e não à informação de fase) e outros. Os resultados desta análise são usados ​​em uma análise da causa raiz da falha para determinar a causa original da falha. Por exemplo, se uma falha de rolamento for diagnosticada, é provável que o rolamento não tenha sido danificado na instalação, mas sim como consequência de outro erro de instalação (por exemplo, desalinhamento) que levou a danos no rolamento. Diagnosticar o estado danificado do rolamento não é suficiente para fins de manutenção de precisão. A causa raiz precisa ser identificada e corrigida. Se isso não for feito, o rolamento de substituição logo se desgastará pelo mesmo motivo e a máquina sofrerá mais danos, permanecendo perigosa. Obviamente, a causa também pode ser visível como resultado da análise espectral realizada no estágio de coleta de dados, mas pode nem sempre ser o caso.

A técnica mais comum para detectar falhas é a técnica de análise de tempo-frequência. Para uma máquina rotativa, a velocidade de rotação da máquina (geralmente conhecida como RPM ) não é uma constante, especialmente durante os estágios de inicialização e desligamento da máquina. Mesmo se a máquina estiver funcionando no estado estacionário, a velocidade de rotação irá variar em torno de um valor médio no estado estacionário, e essa variação depende da carga e de outros fatores. Uma vez que os sinais de som e vibração obtidos de uma máquina rotativa estão fortemente relacionados à sua velocidade de rotação, pode-se dizer que são sinais variantes no tempo por natureza. Esses recursos de variação de tempo carregam as assinaturas de falha da máquina. Conseqüentemente, como esses recursos são extraídos e interpretados é importante para aplicações de pesquisa e industriais.

O método mais comum usado na análise de sinal é a FFT , ou transformada de Fourier. A transformada de Fourier e sua contraparte inversa oferecem duas perspectivas para estudar um sinal: via domínio do tempo ou via domínio da frequência. O espectro baseado em FFT de um sinal de tempo nos mostra a existência de seu conteúdo de frequência. Ao estudar estes e suas relações de magnitude ou fase, podemos obter vários tipos de informações, como harmônicos , bandas laterais , frequência de batimento , frequência de falha de rolamento e assim por diante. No entanto, o FFT é adequado apenas para sinais cujos conteúdos de frequência não mudam com o tempo; no entanto, como mencionado acima, os conteúdos de frequência dos sinais de som e vibração obtidos de uma máquina rotativa são muito dependentes do tempo. Por esse motivo, os espectros baseados em FFT são incapazes de detectar como os conteúdos de frequência se desenvolvem ao longo do tempo. Para ser mais específico, se o RPM de uma máquina está aumentando ou diminuindo durante seu período de inicialização ou desligamento, sua largura de banda no espectro FFT se tornará muito maior do que seria simplesmente para o estado estacionário. Portanto, em tal caso, os harmônicos não são tão distinguíveis no espectro.

A abordagem de frequência de tempo para diagnóstico de falha de máquina pode ser dividida em duas grandes categorias: métodos lineares e métodos quadráticos. A diferença é que as transformações lineares podem ser invertidas para construir o sinal de tempo, portanto, são mais adequadas para processamento de sinal, como redução de ruído e filtragem de variação no tempo. Embora o método quadrático descreva a distribuição de energia de um sinal no domínio de frequência de tempo conjunto, que é útil para análise, classificação e detecção de características de sinal, as informações de fase são perdidas na representação de frequência de tempo quadrática; além disso, as histórias de tempo não podem ser reconstruídas com este método.

A transformada de Fourier de curto prazo ( STFT ) e a transformada de Gabor são dois algoritmos comumente usados ​​como métodos lineares de tempo-frequência. Se considerarmos a análise de frequência de tempo linear como a evolução do FFT convencional , então a análise de frequência de tempo quadrática seria a contraparte do espectro de potência. Os algoritmos quadráticos incluem o espectrograma Gabor, a classe de Cohen e o espectrograma adaptativo. A principal vantagem da análise de frequência de tempo é descobrir os padrões de mudanças de frequência, que geralmente representam a natureza do sinal. Desde que esse padrão seja identificado, a falha da máquina associada a esse padrão pode ser identificada. Outro uso importante da análise de frequência de tempo é a capacidade de filtrar um componente de frequência específico usando um filtro de variação de tempo.

Diagnóstico de falha robusto

Na prática, as incertezas do modelo e o ruído de medição podem complicar a detecção e o isolamento de falhas.

Como resultado, o uso de diagnósticos de falhas para atender às necessidades industriais de uma forma econômica e para reduzir os custos de manutenção sem exigir mais investimentos do que o custo do que deve ser evitado em primeiro lugar, requer um esquema eficaz de aplicá-los. Este é o assunto de manutenção, reparo e operações ; as diferentes estratégias incluem:

Detecção e diagnóstico de falhas usando inteligência artificial

Técnicas de aprendizado de máquina para detecção e diagnóstico de falhas

Veja também: Aprendizado de máquina

Na detecção e diagnóstico de falhas, os modelos de classificação matemática que, na verdade, pertencem a métodos de aprendizagem supervisionados , são treinados no conjunto de treinamento de um conjunto de dados rotulado para identificar com precisão as redundâncias, falhas e amostras anômalas. Nas últimas décadas, diversos modelos de classificação e pré - processamento foram desenvolvidos e propostos nesta área de pesquisa. O algoritmo K -nearest-neighbors ( k NN) é uma das técnicas mais antigas que tem sido usada para resolver problemas de detecção e diagnóstico de falhas. Apesar da lógica simples que esse algoritmo baseado em instância tem, existem alguns problemas com grande dimensionalidade e tempo de processamento quando ele é usado em grandes conjuntos de dados . Uma vez que k NN não é capaz de extrair automaticamente os recursos para superar a maldição da dimensionalidade , muitas vezes algumas técnicas de pré-processamento de dados como análise de componente principal (PCA), análise discriminante linear (LDA) ou análise de correlação canônica (CCA) o acompanham para alcançar um melhor performance. Em muitos casos industriais, a eficácia de k NN tem sido comparada com outros métodos, especialmente com modelos de classificação mais complexos, como Support Vector Machines (SVMs), que é amplamente utilizado neste campo. Graças ao seu mapeamento não linear apropriado usando métodos de kernel , os SVMs têm um desempenho impressionante na generalização, mesmo com pequenos dados de treinamento. No entanto, os SVMs gerais não têm extração automática de recursos e, assim como k NN , costumam ser associados a uma técnica de pré-processamento de dados . Outra desvantagem dos SVMs é que seu desempenho é altamente sensível aos parâmetros iniciais, particularmente aos métodos do kernel , portanto, em cada conjunto de dados de sinal , um processo de ajuste de parâmetro deve ser conduzido primeiro. Portanto, a baixa velocidade da fase de treinamento é uma limitação dos SVMs quando se trata de sua utilização em casos de detecção e diagnóstico de falhas.

Forma de onda no domínio do tempo (parte superior) e CWTS (parte inferior) de um sinal normal

As Redes Neurais Artificiais (RNAs) estão entre os algoritmos de classificação matemática mais desenvolvidos e amplamente utilizados na detecção e diagnóstico de falhas. As RNAs são bem conhecidas por suas eficientes capacidades de autoaprendizagem das relações complexas (que geralmente existem inerentemente na detecção de falhas e problemas de diagnóstico) e são fáceis de operar. Outra vantagem das RNAs é que elas realizam a extração automática de características alocando pesos desprezíveis para as características irrelevantes, ajudando o sistema a evitar lidar com outro extrator de características. No entanto, as RNAs tendem a se ajustar ao conjunto de treinamento, o que terá consequências de ter uma precisão de validação pobre no conjunto de validação. Portanto, muitas vezes, alguns termos de regularização e conhecimento prévio são adicionados ao modelo de RNA para evitar overfiting e obter um desempenho superior. Além disso, determinar adequadamente o tamanho da camada oculta precisa de um ajuste exaustivo dos parâmetros, para evitar aproximações pobres e capacidades de generalização. Em geral, diferentes modelos de SVMs e ANNs (ou seja, Redes Neurais de Retropropagação e Perceptron Multi-Layer ) têm mostrado desempenhos bem-sucedidos na detecção e diagnóstico de falhas em setores como caixa de engrenagens , peças de máquinas (ou seja, rolamentos mecânicos ), compressores , vento e gás turbinas e placas de aço .

Técnicas de aprendizado profundo para detecção e diagnóstico de falhas

Arquitetura típica de uma rede neural convolucional
Veja também: Aprendizagem profunda

Com os avanços da pesquisa em RNAs e o advento de algoritmos de aprendizado profundo usando camadas profundas e complexas, novos modelos de classificação foram desenvolvidos para lidar com a detecção e diagnóstico de falhas. A maioria dos modelos de aprendizado superficial extraem alguns valores de recursos de sinais, causando uma redução de dimensionalidade do sinal original . Usando redes neurais convolucionais , o escalograma de transformada wavelet contínua pode ser classificado diretamente em classes normais e defeituosas. Essa técnica evita omitir qualquer mensagem de falha importante e resulta em um melhor desempenho de detecção e diagnóstico de falha. Além disso, ao transformar sinais em construções de imagem, redes neurais convolucionais 2D podem ser implementadas para identificar sinais defeituosos de recursos de imagem de vibração.

Redes de crença profunda , máquinas de Boltzmann restritas e Autoencoders são outras arquiteturas de redes neurais profundas que têm sido usadas com sucesso neste campo de pesquisa. Em comparação com o aprendizado de máquina tradicional , devido à sua arquitetura profunda, os modelos de aprendizado profundo são capazes de aprender estruturas mais complexas de conjuntos de dados ; no entanto, eles precisam de amostras maiores e tempo de processamento mais longo para obter maior precisão.

Recuperação de falhas

Veja também

Referências