Desenvolvimento de sistema automático de identificação de modos de falhas em máquinas de chave utilizando inteligência artificial

Transcrição

1 Desenvlviment de sistema autmátic de identificaçã de mds de falhas em máquinas de chave utilizand inteligência artificial Gustav Mreira Guilherme Miranda Kallemback Wallisn Barbsa 22ª Semana de Tecnlgia Metrferrviária

2 Mnitrament de Cndiçã Princípi Básic O mnitrament frnece temp para prevençã de falhas e reduçã de gasts inesperads

3 Benefícis para negóci Reduçã de atrass e paradas nã prgramadas Manutençã preditiva Reduçã n númer de falhas Crreçã rápida de falhas Aprvisinament de material e mã de bra crrets Menr temp na via Viés de segurança e prduçã Mair Dispnibilidade Mens chamads de emergência Mair cnheciment sbre cmprtament e causa das falhas Menr númer de falhas nã identificadas

4 AMV - Aparelh de Mudança de Via

5 AMV - Aparelh de Mudança de Via Detalhe de rletes e cnjunt de frente

6 MCH - Máquina de chave Máquina de chave Elétrica Kysan

7 MCH - Máquina de chave

8 Máquinas de chave na EFVM Principais mdels de MCH na linha trnc da EFVM Principais causas de defeits/falhas (2015 e 2016)

9 Máquinas de chave na EFVM MTTR de cerca de 6,14h Média de 2,9 falhas e defeits pr dia Trabalh se cncentrará nas máquinas de chave mdel Kysan (74%) Visará identificar as principais causas de defeits/falhas (Desajustes, Obstruções, Drmentes desquadrads, etc) que crrespnde a 60% d ttal de crrências

10 Mnitrament da cndiçã de MCH N mercad, já tems algumas sluções dispníveis e várias ferrvias n mund utilizam-se de prduts já prnts de mnitrament de máquina de chave. Mnitrament da ptência elétrica demandada pel mtr Cm mtr é de pequen prte e sistema elétric d lcal é rbust, pdese descnsiderar a variaçã de tensã

11 Mnitrament da cndiçã de MCH Sluções d mercad sã de alt cust Pssuem arquitetura fechada Tecnlgia prprietária dificulta a melhria cntínua e a integraçã cm s sistemas legads das empresas Dessa frma, a busca de uma sluçã da própria ferrvia se trna bastante viável

12 Identificaçã de falhas autmática A EFVM pssui cerca de 950 máquinas de chave elétricas Média diária de mvimentações pr dia Geraçã de grande quantidade de dads O sensriament smente nã garante nenhuma vantagem cmpetitiva, pis é necessária a análise das curvas para a classificaçã ds defeits. Sluções mais simples já fram testadas e nenhuma apresentu resultads satisfatóris. A diferença ns tips de cmpnentes mecânics dificulta a parametrizaçã pura e simplesmente de limites de crrente

13 Identificaçã de falhas autmática Exempl de duas curvas classificadas cm de peraçã nrmal. RH07 W21b W21a

14 Falhas de Máquina de Chave Em seu artig, ASADA (2013) diz que geralmente sã três s tips de falhas que pdem afetar funcinament de uma máquina de chave: Falhas abruptas Aparecem de repente, sem qualquer indicaçã prévia; Falha intermitente Falhas que acntecem espradicamente; Falha incipiente Defeit que se desenvlve gradualmente a lng de um períd de temp.

15 Falhas de Máquina de Chave NAKAMURA (1992), em seu estud categriza esse tip de falha incipiente em mds de falhas listads a seguir: Falhas causadas pr cmpnentes da máquina de chave; Falhas causadas pr cmpnentes externs; Falhas causadas pr desalinhament; Falhas causadas pel ambiente;

16 Arquitetura d Sistema RH07 Esquemátic d plan de vias sinalizadas Lcal de Instalaçã

17 Arquitetura d Sistema Relé de acinament da MCH Rede TA CRIO 9075 Unidade Cntrladra e FPGA Transdutr de Crrente (TC) Sala Técnica - Husing Camp - Ferrvia Máquina de Chave (Mtr/Engrenagens/Indicaçã) Data Center Ferrvia

18 Sistema de aquisiçã de dads Firmware Instruções de cnfiguraçã d hardware FPGA Sftware embarcad prgrama para a interface cm firmware, cleta, trata e armazena temprariamente s dads. SO em temp real - VxWrks Sftware Servidr Respnsável pela transferência ds dads d crio para datacenter da ferrvia. Implementa tda a lógica de tratament pr inteligência artificial Cmunica a cndiçã d equipament para Supervisóri Sistema Supervisóri respnsável pr apresentar as usuáris as infrmações críticas para peraçã ds equipaments.

19 Sistema de aquisiçã de dads O sistema desenvlvid pssui as seguintes características: Tratament ds sinais de frma determinística Armazenament lcal e remt Cmunicaçã ethernet Alta taxa de amstragem pr canal, 5kHz Alta resluçã das entradas analógicas, 16 bits

20 Sftware Supervisóri Análise ds dads Examina as métricas d event Tela de análise de detecçã de fases d event

21 Sftware Supervisóri Tela de análise da espectral d sinal

22 Sftware Supervisóri Tela de apresentaçã ds dads tratads e ds cálculs de derivada e integral

23 Algritm de Detecçã de fases Fase 1 Acinament d mtr Fase 2 Mvimentaçã da barra até instante de cnexã cm a cesta Fase 3 Mvimentaçã d cnjunt de frente

24 Algritm de Detecçã de fases Fase 1 Acinament d mtr Fase 2 Mvimentaçã da barra até instante de cnexã cm a cesta Fase 3 Mvimentaçã d cnjunt de frente

25 Definiçã de padrões de events Nrmal O Event nã apresenta nenhum defeit u falha Defeit Sã tip de falha incipiente. A máquina chave ainda está em funcinament, prém nã está em sua cndiçã ideal e pde vir a gerar uma falha Falha A máquina de chave nã cnsegue cumprir sua funçã, necessitand de uma intervençã imediata.

26 Definiçã de padrões de events Os padrões classificads cm defeit fram separads em 3 prblemas: Atrit durante a mvimentaçã das agulhas Pics de crrente Prblemas na alimentaçã elétrica

27 Definiçã de padrões de events Exempl de mviment nrmal

28 Definiçã de padrões de events Exempl de mviment cm médi atrit Exempl de mviment cm alt atrit

29 Definiçã de padrões de events Exempl de mviment cm pic n destravament Exempl de mviment cm pic n travament

30 Definiçã de padrões de events Exempl de análise da frequência nrmal de alimentaçã Exempl de análise da frequência anrmal de alimentaçã

31 Definiçã de padrões de events Exempl de falha pr bstruçã

32 Métricas cletadas a partir ds events Sã cletadas cerca de 30 métricas calculadas a partir da curva de crrente Alguns exempls: Duraçã das três fases em segunds; Percentual de temp de cada fase em relaçã a temp ttal d event; Crrente média em cada fase; Área cmpreendida pr cada curva em cada fase; Ceficiente de Variaçã d períd de amstragem

33 Sintmas e estads de máquina na peraçã da MCH Nrmal Defeit Médi atrit Defeit Alt atrit Defeit Pic Travament Defeit Pic Destravament Defeit Alimentaçã elétrica Falha Obstruçã

34 Sistema híbrid de inteligência artificial desenvlvid

35 Sistema híbrid de inteligência artificial desenvlvid

36 DEFINIÇÃO DO SISTEMA DE INFERÊNCIA FUZZY Utilizad sftware Matlab, juntamente cm prgrama acessóri ANFIS. Devid à cmplexidade d recnheciment de padrões tip de sistema esclhid fi Takagi-Sugen. Selecinadas 5 métricas para a criaçã d sistema: Crrente média na fase III Instante d valr máxim da terceira fase em %; Média de crrente da fase III em relaçã a fase II; Área cmpreendida pela curva da fase III mens últim valr da fase II Valr % d mair valr da fase III em relaçã a mair valr d event

37 DEFINIÇÃO DO SISTEMA DE INFERÊNCIA FUZZY Duas camadas de classificaçã 1ª Classificaçã 2ª Classificaçã Nrmal Defeit Atrit Médi Alt Defeit Pic Falha - Obstruçã Travament Destravament

38 DEFINIÇÃO DO SISTEMA DE INFERÊNCIA FUZZY Resultads Obtids Fram cletads dads n períd de 03/02/2016 a 11/03/2016. Nesse períd crreram events. Os dads de fevereir/16, events, fram separads para fim de treinament d sistema. Os dads de març/16, 249 events, fram usads para check independente d sistema prpst A parametrizaçã da primeira etapa de classificaçã fi: Cinc entradas Três cnjunts fuzzy cm funçã de pertinência d tip trapezidal; Funçã linear na saída

39 DEFINIÇÃO DO SISTEMA DE INFERÊNCIA FUZZY Resultads Obtids Para a parametrizaçã das demais etapas d métd, fi usad recurs Subtractive Clustering, qual analisa s dads pr um algritm K-means e identifica clusters de dads. A partir desses clusters, sistema gera autmaticamente a quantidade de cnjunts fuzzy e tip da funçã de pertinência Para a camada da classificaçã ds defeits de atrits, sistema geru 9 cnjunts fuzzy cm funçã de pertinência d tip gaussiana. Para a camada da classificaçã ds defeits de pics, sistema geru 4 cnjunts fuzzy cm funçã de pertinência d tip gaussiana.

40 DEFINIÇÃO DO SISTEMA DE INFERÊNCIA FUZZY Resultads Obtids Primeira camada de classificaçã alcançu um alt percentual de acerts em tds s mds de falhas estudads Classes Treinament (%) Teste (%) Nrmal 91,69 93,33 Atrits 96,01 88,46 Pics 97,35 87,27 Obstruçã Ttal 94,81 90,42

41 DEFINIÇÃO DO SISTEMA DE INFERÊNCIA FUZZY Resultads Obtids Primeira camada de classificaçã alcançu um alt percentual de acerts em tds s mds de falhas estudads Classes Treinament (%) Teste (%) Ba 91,69 93,33 Atrits 96,01 88,46 Pics 97,35 87,27 Obstruçã Ttal 94,81 90,42

42 DEFINIÇÃO DO SISTEMA DE INFERÊNCIA FUZZY Resultads Obtids A segunda camada de classificaçã ds mds de atrits, pde-se ver que separaçã nã é perfeita e pssui um cert nível de cnfusã. Iss está em linha cm a experiência ds engenheirs d prcess pis a separaçã visual é passível de errs, vist que em muits cass a classificaçã entre médi e alt atrit é tênue. Classes Treinament (%) Teste (%) Médi atrit 84,12 78,57 Alt atrit 92,39 89,47 Ttal 89,04 85,71

43 DEFINIÇÃO DO SISTEMA DE INFERÊNCIA FUZZY Resultads Obtids A segunda camada de classificaçã ds mds de pics, pde-se ver que separaçã é perfeita e pssui um grande nível de acert. Iss está em linha cm a experiência ds engenheirs d prcess pis a separaçã visual é trivial. Classes Treinament (%) Teste (%) Pic destravament Pic travament Ttal

44 Resultads Obtids Módul Fuzzy Resum Pde-se cnsiderar que a prbabilidade de acert d md de falha agregad é a multiplicaçã ds percentuais das camadas BOA MÉDIO ATRITO Events 1º camada 2º camada - Atrits ALTO ATRITO 2º camada - Pics PICO DESTRAVAMENTO PICO TRAVAMENTO OBSTRUÇÃO

45 Sistema híbrid de inteligência artificial desenvlvid

46 RNA Rede Neural Artificial Redes neurais pssuem ampla capacidade de recnheciment de padrões Pdem trabalhar cm grande vlume de entradas e dads. N cas, as entradas sã tdas as métricas cletadas Principais características: Feed-fward de duas camadas Funçã de ativaçã d tip Sigmóide Definiçã d númer de neurônis pel métd Klmgrv

47 RNA 3 Etapas de Classificaçã 1ª Classificaçã 2ª Classificaçã 3ª Classificaçã Médi Nrmal Atrit Alt Defeit Travament Falha - Obstruçã Pic Destravament

48 RNA 3 Etapas de Classificaçã 1ª Classificaçã 2ª Classificaçã 3ª Classificaçã Médi Nrmal Atrit Alt Defeit Travament Falha - Obstruçã Pic Destravament

49 RNA 3 Etapas de Classificaçã 1ª Classificaçã 2ª Classificaçã 3ª Classificaçã Médi Nrmal Atrit Alt Defeit Travament Falha - Obstruçã Pic Destravament

50 RNA 3 Etapas de Classificaçã 1ª Classificaçã 2ª Classificaçã 3ª Classificaçã Médi Nrmal Atrit Alt Defeit Travament Falha - Obstruçã Pic Destravament

51 RNA 3 Etapas Classificaçã Matriz de cnfusã 1ª Etapa de Classificaçã

52 RNA 3 Etapas Classificaçã Matriz de cnfusã 2ª Etapa de Classificaçã (Defeits Atrit u Pic de crrente)

53 RNA 3 Etapas Classificaçã Matriz de cnfusã 3ª Etapa de Classificaçã (Atrit)

54 RNA 3 Etapas Classificaçã Matriz de cnfusã 3ª Etapa de Classificaçã (Pics de crrente)

55 RNA 3 Etapas Classificaçã 1ª Etapa 2ª Etapa 3ª Etapa Nrmal 92,7% 100% Atrit Alt Atrit 82,3% Defeit 95,9% 95,7% Médi Atrit Pic Travament 88,4% 100% Pic Falha (Obstruçã) 100% Pic Destravament 100% Diagrama resum treinament 3 etapas

56 Sistema híbrid de inteligência artificial desenvlvid

57 Resultads sistema híbrid Nível de respsta - Estad da máquina Nível de respsta - Sintmas Estad da máquina Acerts Ttais (%) Nrmal 92,20 Defeit 96,29 Falha 100,00 Média Ttal 95,52 Sintma Acerts Ttais (%) Nrmal 92,20 Alimentaçã Elétrica 100,00 Pic destravament 94,57 Médi Atrit 82,77 Alt atrit 83,82 Pic travament 94,57 Obstruçã 100,00 Média Ttal 91,16

58 Cnclusões A assinatura de crrente de uma máquina de chave demnstra uma série de sintmas de defeits que analisads da frma crreta, pdem gerar uma vantagem para a manutençã em relaçã a pssíveis impacts na ferrvia. Para que essa análise seja pssível, é necessári dividir a curva de crrente da máquina de chave em fases. Mais imprtante que saber se a máquina está em falha u nã, é saber prvável mtiv da falha. Iss pde ser alcançad cm sistema prpst. Prprcinará às equipes de manutençã mais infrmações ns atendiments as crrências cm nível de acert superir a 90%. É imprtante bservar que métd cnseguiu separar cm 100% de certeza a falha da MCH, que trará um grande ganh à manutençã e peraçã desse equipament.

59 Trabalhs Futurs Um próxim pass imprtante a ampliaçã d cnheciment ds mds de falha, é a instalaçã d sistema em utrs pnts da ferrvia. Aplicar sistema desenvlvid para s demais mdels de máquinas de chave O desenvlviment de uma arquitetura cm cust ainda mais acessível

60 Referências ASADA, T.; ROBERTS, C.; KOSEKI, T. An algrithm fr imprved perfrmance f railway cnditin mnitring equipment: Alternating-current pint machine case study. Transprtatin Research Part C: Emerging Technlgies, v.30, p.81-92, May MÁRQUEZ, Faust P. G.; SCHMID, Felix; COLLADO, Javier C. Wear assessment emplying remte cnditin mnitring: a case study. Wear, v. 255, n. 7 12,, p , August September MÁRQUEZ, Faust P. G.; SCHMID, Felix; TERCERO, DIEGO J. P.; Unbserved Cmpnent mdels applied t the assessment f wear in railway pints: A case study. Eurpean Jurnal f Operatinal Research, v.176, n.3, p , 1 February NAKAMURA, K., Tentetsu Suchi [The pint machine]. Japan Railway Electrical Engineering Assciatin.

61 Desenvlviment de sistema autmátic de identificaçã de mds de falhas em máquinas de chave utilizand inteligência artificial Gustav Mreira - gustav.mreira@vale.cm Guilherme Miranda Kallemback guilherme.kallemback@vale.cm Wallisn Barbsa wallisn.barbsa@vale.cm 22ª Semana de Tecnlgia Metrferrviária