Equipe: Gabriel A. Costa Lima, PhD, Diretor

Transcrição

1 37ª Reunião Fevereiro Grupo de Benchmarking de Manutenção Tema: Tecnologias Aplicadas na Manutenção para a Gestão do Futuro Palestra: Métodos para Predição de Condição de Equipamentos Equipe: Gabriel A. Costa Lima, PhD, Diretor gabriel.costa.lima@aremas.com.br Alberto Magno Teodoro Filho, MsC, Consultor alberto.magno@aremas.com.br Contato do linked-inn: 1

2 Para Refletirmos... Alguns fariam melhor. Outros fariam pior. Nós, faremos o melhor que pudermos. Autor desconhecido. Não podemos eliminar a incerteza nem o risco de nossas vidas. Mas, podemos gerenciá-los e, assim, obter benefícios. Autor desconhecido. Há somente duas coisas sobre as quais temos certeza: a morte e pagar tributos. Todas as demais são incertas. Adam Smith, Economista, ( ). 2

3 Sumário Acessado em 16/02/ ) Motivações para predição de condição e vida residual de equipamentos 2) Modelos para predição de condição de equipamentos 3) O desafio de estimativa de vida residual de equipamentos 3

4 1) Motivações para predição de condição e vida residual de equipamentos 4

5 1) Motivações para predição de condição e vida residual de equipamentos Pesquisas no Brasil é sempre muito difícil, mas.. Esta pesquisa na McKinsey envolver empresas do mundo todo e estes números podem ser conservadores. Mas, para obter estes resultados não vamos nos iludir: ele não virá com boa vontade mas somente com ciência (modelos matemáticos) e tecnologia( coleta de dados, tratamento de dados, processamento de equações matemática etc.). 5

6 1) Motivações para predição de condição e vida residual de equipamentos Fonte: Hoje tem muita tecnologia. O conhecimento dos dados vale dinheiro. Se somente 20% dos dados são visíveis, há muito espaço para revelar novos dados não visíveis no momento. Mas, para isso faz-se importante novas ferramentas (ciência). 6

7 1) Motivações para predição de condição e vida residual de equipamentos A predição de condição e vida residual de equipamentos pode ser estudada dentro das abordagens de aprendizado supervisionado e não supervisionado: Para se avaliar a condição de um equipamento trata-se de abordagem de classificação (bom, excelente, falha próximo mês etc.). Por outro lado, para previsão de vida residual trata-se de um problema de regressão onde deve-se obter um número e não uma classe. 7

8 2) Modelos para predição de classificação da condição de equipamentos 8

9 2) Modelos para predição de classificação da condição de equipamentos Para a coleta de dados por meio de sensores, é comum que o modelo de predição contenha entre 10 e 30 parâmetros, mas em caso de equipamentos mais complexos pode chegar a 100 parâmetros (uma ilustração de uma turbina eólica se encontra à direita). Cada um dos sensores coleta dados e fazem os registros em forma de séries temporais. O comprimento das séries temporais deve ser suficiente para incluir possíveis sazonalidades típicas das política operacional (mais produção, inverno, verão etc.). Esta base de dados é chamada de dados de treinamento do modelo matemático. 9

10 2) Modelos para predição de classificação da condição de equipamentos Os problemas de classificação são muitos e aparecem em diferentes áreas: A partir de dados de largura, comprimento, diâmetro etc. pode-se prever um tipo de flor; A partir de remetente, assunto, repetições etc. pode-se classificar um com spam ou não; A partir de medida de vibração, temperatura, corrente etc. de diferentes sensores instalados em equipamentos pode-se estimar se ocorre falha ou não nos próximos 30 dias; A partir de dados de imagem pode-se realizar um diagnóstico de presença de algum tipo de tumor; Observa-se que nos problemas de classificação o treinamento dos modelos é por método supervisionado, ou seja, é possível conhecer a classe da variável dependente a partir de valores e classes das variáveis explicativas. 10

11 2) Modelos para predição de classificação da condição de equipamentos Os principais modelos matemáticos candidatos à solução e auxiliar a escolha gerencial são: Modelo de regressão logística Modelo de regressões categóricas Modelo de análise linear discriminante (LDA) Modelo de máquina de vetor de suporte Modelo de árvore de decisão Modelo de redes neurais A longo deste item serão apresentados diversos exemplos de alguns destes modelos de modo a ilustrar uma aplicação. Em virtude de tempo, nem sempre é possível um detalhamento completo de cada um dos modelos. Nesta palestra vamos mostrar apenas o método de regressão logística para a classificação da condição de motores em função de resultados de análises de óleo. 11

12 2) Modelos para predição de classificação da condição de equipamentos Em sistema de transporte de mineração composto por caminhões fora de estrada o motor é um importante. Trata-se de um item caro (pense em R$ 2 milhões) e com uma estimativa de vida operação de 8.000h a h. Os principais modos de falhas são degradações e, para isso, são realizadas medições de diferentes particulado em óleo ao longo do tempo. As principais variáveis monitoradas nas análises de óleo são: 12

13 2) Modelos para predição de classificação da condição de equipamentos No caso de mineração é comum que as análises sejam realizadas em laboratórios de terceiros. Como o número de equipamentos é grande, milhares de dados são registrados. Para um estudo de caso, consultar: Note que estes dados foram coletados de modo a realizar um previsão de falha nos próximos 30 dias porque o gerente pode tomar a decisão de realizar uma substituição do óleo existente e, assim, evitar uma falha. A seguir encontra-se uma base de dados hipotética (gerada por simulação) onde se aplica regressão logística para auxiliar o laudo de laboratório a prever falha nos próximos 30 dias. 13

14 2) Modelos para predição de classificação da condição de equipamentos Matriz de dados para serem usadas no modelo de predição de condição dos motores: Testes mensais Variáveis monitoradas Fe Na Si Pb Cu Oxidação Condição nos próximos 30 dias 1 91,9 65,1 28,6 32,2 40,1 Não Falha 2 94,1 65,5 30,6 45,7 48,2 Sim Falha 3 80, ,6 40,1 42 Não Não falha 4 91,5 58,3 31,9 34,4 30,5 Não Não falha 5 95,6 55,2 28,7 31,6 30,2 Não Não falha ,6 34,7 43,4 45,8 Sim Não falha 7 81,5 47,5 20,8 31,7 48,5 Sim Não falha 8 89,5 66,8 21,3 34,9 31,4 Sim Não falha 9 80, ,5 37,9 48,6 Sim Não falha 10 89,6 45,2 27,9 34,4 38,5 Sim Não falha ,4 28,5 35,1 47,7 Sim Não falha 12 94,9 49, ,9 46,6 Não Falha 13 97,9 41, ,4 38,6 Sim Falha 14 96, ,3 45,3 Sim Não falha 15 86,4 51, ,4 39,6 Sim Não falha 16 86,3 43,6 28, ,4 Sim Não falha 17 96,9 62,1 39,4 49,3 35,6 Não Falha , ,5 38,3 Sim Não falha 19 88,2 49, ,3 43,7 Não Não falha 20 81,4 62,6 32,1 38,6 31,1 Sim Falha Algumas considerações importantes: O modelo permite estimar se o motor falha (em função das condições do óleo) no próximo mês; Para que seja possível uma boa classificação, faz-se necessário dados de falhas. Mas, nem sempre ocorre na prática e isso pode ser superado por meio de simulação; Este modelo é muito útil em caso de grande quantidade de equipamentos onde não se tem tempo para análise de cada um individualmente por um engenheiro; 14

15 2) Modelos para predição de classificação da condição de equipamentos A partir destes dados o gerente deseja: Desenvolver um modelo para predição de condição de motores nos próximos 30 dias; Elaborar um classificador de modo que possa ser utilizado à medida que novos dados das variáveis monitoradas foram geradas nos laboratórios; Analisar as limitações do Excel em grande modelos de aprendizado, sobretudo na parte de otimização; Discutir outros pontos que julgar importantes. 15

16 2) Modelos para predição de classificação da condição de equipamentos Desenvolvimento do modelo logístico: Passo 4: Predição do modelo logístico Codificação da resposta Resultado do modelo de regressão linear (Bo+B1X1+B2X2+B3X3+B4X4+B5X5) Predição do modelo logístico (0 a 1) Erro de predição Passo 3: Treinamento do modelo logístico Beta 0 2,000 Beta 1 2, ,04 1,00 1,00 Beta 2 0, ,94 1,00 1,00 Beta 3-10, ,51 1,00 0,00 Beta 4-1, ,81 1,00 0,00 Beta 5 4, ,69 1,00 0, ,62 1,00 0,00 Passo 6: Modelo a ser testado na prática Variáveis monitoradas Testes mensais Fe Na Si Pb Cu Oxidação Condição nos próximos 30 dias 34 88,4 41,5 34,3 31,5 31,9 Sim Falha Com estes parâmetros do treinamento do modelo a partir dos dados históricos, agora já pode começar a fazer predições da condição do equipamentos. 16

17 3) O desafio de estimativa de vida residual de equipamentos 17

18 3) O desafio de estimativa de vida residual de equipamentos A predição de vida remanescente de equipamentos e classificação da saúde de equipamentos é um dos sonhos dos gestores de manutenção. Mas, pode-se utilizar modelos em qualquer situação? Os modelos de coleta de dados por meio de monitoramento não são aplicados a todos os componentes, mas apenas à aqueles que possuem algum tipo de DEGRADAÇÃO (em torno de 30% dos componentes nas referências ao lado). 18

19 3) O desafio de estimativa de vida residual de equipamentos Ilustração (Pecht & Kang, 2018, p. 165) do problema de predição de vida remanescente (RUL): Para predição de vida residual há diversos métodos: estatísticos, manual, regressão, séries temporais diversas, redes neurais etc. No curso vamos mostrar exemplos simples desta previsão. Portanto, os melhores modelos permitem uma estimativa da distribuição de probabilidade da vida residual. Quanto melhor o modelo, mais precisa será esta distribuição, mas jamais sem alguma incerteza na predição. 19

20 3) O desafio de estimativa de vida residual de equipamentos As principais abordagens para a estimativa quantitativa de vida residual dos componentes são: Modelos de variabilidade de dados de vida (requer alguns tempos até a falha) Modelos de regressão linear (usa dados de monitoramento do progresso para a falha) Modelos de regressão não-linear (usa dados de monitoramento doprogresso para a falha) Modelos de séries temporais (ARIMA, alisamentos etc.) (usa dados de monitoramento do progresso para a falha) Modelos compostos por séries temporais e regressões (usa dados de monitoramento do progresso para a falha) Modelos de redes neurais (usa dados de monitoramento doprogresso para a falha) Aqui neste palestra vamos mostrar de forma aberta e clara os modelos de estimativa de vida remanescente por meio de (a) modelos de variabilidade de dados de vida e (b) modelos de regressão linear. Para as pessoas que tiverem interesse nos demais modelos, a AREMAS possui o treinamento AR 110: Aplicações de machine learning em manutenção, gestão de ativos e outras áreas. 20

21 3) O desafio de estimativa de vida residual de equipamentos Mas, afinal, o que é vida residual? Vamos mostrar por meio de um exemplo com o mínimo de formulação matemática: 1) Dados encontrados em campo 2) Estimativa de vida residual (anos) Pessoas Tempo de vida (anos) A partir de zero Média de vida residual Expectativa de ao nascer 51,75 Expectativa de vida daqueles que chegam a 20 anos 66,11 46,11 Expectativa de vida daqueles que chegam a 40 anos 76,00 36,00 Expectativa de vida daqueles que chegam a 65 anos 86,20 21,20 A expectativa de vida daquelas pessoas que chegam a 65 anos é a média de vida dos que passaram de 65 anos, ou seja, média de 95, 78, 85,84 e 89 = 86, 2 anos. Portanto, a vida residual é 86,2 65 = 21,20 anos. Você pode usar este exemplo simples para entender o que é a vida residual em diferentes momentos no tempo. Agora, pense em transformadores, pneus de caminhão etc. 21

22 3) O desafio de estimativa de vida residual de equipamentos Uma concessionária de geração de energia elétrica deseja realizar o monitoramento do processo até a falha de componentes de um determinado equipamento (pense geradores, transformadores etc.). Ela emprega 26 sensores para monitorar a condição dos elementos substituíveis por meio de dados de variáveis como concentração de particulado em fluidos, temperatura, vibração etc.). Obs.: neste curso, o nosso foco NÃO é onde instalar, tipo de sensor, confiabilidade de sensor etc., mas sim na análise de dados (tratamento, predição e tomada de decisão). A seguir ilustra-se uma série temporal de um sensor: Nota-se que há uma série de dados históricos que são coletados em campo. No entanto, a empresa precisa de previsão para se planejar sobre os eventos do futuro (falha ou operação). Neste caso faz-se uso de um modelo bem mais complexo de modo a realizar a previsão da medida de degradação (temperatura, vibração etc.) obtida por cada um dos sensores para os futuro. 22

23 3) O desafio de estimativa de vida residual de equipamentos Neste caso deste problema, tem-se 26 sensores coletando dados com intervalo de 100 horas de operação de 26 componentes diferentes. Estes componentes se encontram na configuração tipo série e, portanto, a falha de qualquer um deles causa a falha do equipamento. Comp-1 Comp-2 Comp-3... Comp-26 Os componentes funcionam desde que o nível do sinal (vibração, temperatura etc.) esteja abaixo de 950. Portanto, caso p sinal atinja 950 ocorrerá a falha do componente e, com isso, também a falha do sistema. A base de dados de treinamento é grande e possui 2 mil registros. Para isso, vamos inovar e treinar o seguinte modelo matemático: Degradação t = Degradação t 1 + Taxa degradação degradação t 1 degradação to + Perturbação N(1; 2) O modelo acima poderia ser diferentes em função do tipo de dados encontrado na prática. Nota-se que podemos treinar qualquer modelo matemático para representar uma determinada situação em particular. Esta trata-se de uma tarefa importante mas, depois de algum tempo, pode-se estabelecer modelos matemáticos típicos para motores, compressores etc. 23

24 3) O desafio de estimativa de vida residual de equipamentos O gerente responder às seguintes perguntas: Realizar uma predição de falha para cada um dos 26 componentes por meio de dados de seus sensores; Realizar uma predição de tempo falha do equipamento considerando-se que os componentes se encontrem na configuração tipo série; Construir a curva de confiabilidade da população de sensores e realizar estimativa da vida residual dos elementos em caso desubstituição dos componentes em grupo; A empresa sempre compra seus componentes com base no menor custo de aquisição (licitação). Mas, na prática o custo está alto comparado a outras empresas. Por isso, o gerente foi conversar o pessoal de suprimentos e eles disseram que a culpa é da especificação dos engenheiros. Por outro lado, os engenheiros dizem que a culpa é do pessoal de suprimentos. Como podemos ajudar a empresa a reduzir custos com esta situação? Dica: pense em como usar o MTTF a seu favor!! A seguir uma discussão dos resultados. 24

25 3) O desafio de estimativa de vida residual de equipamentos 3,0E ,000 2,5E ,000 2,0E ,000 1,5E ,000 1,0E ,000 5,0E ,000 0,0E ,000-5,0E Tempo ,00% 90,00% 80,00% 70,00% Confiabilidade 1030,000 Densidade de probabilidade de falha Condição do elementro Resultados do modelo, discussão e comentários: 60,00% 50,00% 40,00% 30,00% 20,00% 10,00% 0,00% Tempo (hora) Note que os resultados acima são válidos para a população de componentes (todos os dados dos sensores) e não para cada componentes individualmente (dado de apenas 1 sensor). Além disso, nota-se que a curva de confiabilidade possui uma grande estabilidade (100%) no intervalo de zero até horas de operação e, a seguir, diminui e seu valor em horas é próximo a zero. Logo, uma decisão macro poderia ser substituir os componentes em torno de 60 mil horas. 25

26 3) O desafio de estimativa de vida residual de equipamentos Resultados de vida residual, comentários e discussões: Valor inicial (condição) Limiar de falha (condição) Parâmetro de referência Valor em horas Parâmetro preliminar Parâmetro mínimo para horas Parâmetro final Predição de falha (horas) Média de predição de falha Esperança de vida residual (horas) Tempo acumulado de 900,0 operação ,001% 902,7 923,4 903,6 905,4 902,7 910,4 915,2 917,4 913,8 902,0 0,003% 0,023% 0,004% 0,005% 0,003% 0,010% 0,015% 0,017% 0,014% 0,002% 0,007% Máximo 0,023% Média 0,008% P90 0,016% 0,007% 0,023% 0,007% 0,007% 0,007% 0,010% 0,015% 0,017% 0,014% 0,007% Média do momento da falha real Diferença (%) Passo Tempo Threshold Sensor 1 Sensor 2 Sensor 3 Sensor 4 Sensor 5 Sensor 6 Sensor 7 Sensor 8 Sensor 9 Sensor (horas) (limite) Um modelo semelhante pode ser utilizado para prever as quando ocorrerão as falhas bem como vida residual de diversos componentes em grandes equipamentos como hidrogeradores, aerogeradores, caminhões fora-de-estrada etc. Mas, aí precisamos mais que planilhas e sim uma ferramenta robusta! 26

27 Expertise & Discussões finais 27

28 Atividades de espertise Áreas O nosso expertise em treinamentos: AREMAS - Treinamentos, Consultorias, Serviços, Software, P&D Gestão de ativos físicos Momento ótimo de troca de ativos Escolha entre aquisição ou reforma, retrofit, etc Avaliação de confiabilidade e confiabilidade de sistemas Simulação de performance de diferentes planos de manutenção Revisão de diferentes planos de manutenção Análise de e diagnóstico de indicadores de manutenção Taxa de retorno de preditivas, preventivas, etc Confiabilidade humana Quantificação de risco economico-financeiro Elaboração de modelo de fluxo de caixa de projetos (expansão, trocas, etc) Avaliação de taxa de retorno de projetos Modelos de previsão de preço, vendas, estoques, etc Simulação resultados em projetos de Seis Sigma Avaliação econômica de melhorias operacionais Risco de taxa de retorno inferior à esperada Alocação investimentos em portfólios de ativos Otimização de estoques para minimizar custos Avalição de risco em engenharia (projetos, processos etc.) HAZOP SIL, LOPA Simulação RAMS Árvore de falha (FTA) Árvore de falha (ETA) AQR FMEA APP Simulação & otimização na tomada de decisão gerencial Simulação de filas Identificação de gargalos Simulação de produção Dimensionamento de equipamentos Dimensionamento de pátios Simulação de perdas de faturamento Planejamento de produção Identificação de design ótimo Planos de manutenção com base em RCM Modelo de determinação de equipes HAZID Modelos de tomada de decisão multicritérios 28

29 O nosso expertise em desenvolvimento consultorias: Lista recente de projetos de consultoria: Empresa VALE Projeto SIMULAÇÃO DE CAPACIDADE DE PRODUÇÃO DE PROJETOS E OTIMIZAÇÃO DE DESIGN DE EQUIPAMENTOS (PROJETO SALOBO) PETROBRAS VALE Brookfield SOUZA CRUZ FERBASA MODELOS PARA DIMENSIONAMENTO DE SOBRESSALENTES, OTIMIZAÇÃO DE PLANOS DE MANUTENÇÃO EM PLATAFORMAS OFFSHORE REVISÃO ESTRATÉGICAS DE PLANOS DE MANUTENÇAO E OTIIMIZAÇÃO DE SOBRESSALENTES (PROJETO S-11D) REVISÃO DE PLANOS DE MANUTENÇÃO COM BASE CONFIABILIDADE DE DIVERSAS USINAS HIDRELÉTRICAS REVISÃO DE PLANO DE MANUTENÇÃO COM USO DA METODOLOGIA RCMCost PARA OTIMIZAÇÃO DE DISPONIBILIDADE/CUSTO MODELO PARA ESTIMATIVA DE VIDA ECONÔMICA DE FROTAS DE EQUIPAMETNOS DE MINA SUBSTERRÂNEA 29

30 O nosso expertise em desenvolvimento de projetos de P&D para melhorias operacionais: Lista de projetos de P&D recentes: Empresa COPEL Projeto PD / MODELOS MATEMÁTICOS E COMPUTACIONAIS NÃO-CONVENCIONAIS PARA FORMAÇÃO DE BASE DE CONFIABILIDADE DE ATIVOS ORIENTADA PARA ATIVIDADES DE MANUTENÇÃO NA GERAÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA AES COPEL PD /2010. DESENVOLVIMENTO DE PLATAFORMA COMPUTACIONAL PARA MODELAGEM DA VIDA ECONÔMICA DE ATIVOS EMPREGADOS EM ATIVIDADES OPERACIONAIS DE EMPRESAS GERADORAS DE ENERGIA ELÉTRICA PD / DESENVOLVIMENTO DE UM MODELO MATEMÁTICO AVANÇADO E SUA IMPLEMENTAÇÃO EM SOFTWARE PARA O DIMENSIONAMENTO OTIMIZADO DE RECURSOS DE MANUTENÇÃO (EQUIPES, EQUIPAMENTOS, INSTRUMENTOS, SOBRESSALENTES, ETC.) EM DISTRIBUIÇÃO DE ENERGIA ELÉTRICA Brookfield MODELO DE SIMULAÇÃO ESTOCÁSTICA PARA SIMULAR A SENSIBILDIADE DA FRONTEIRA DE OBJETIVOS CONFLITANTES ENTRE CUSTO E DISPONIBILIDADE EM FUNÇÃO DE POLÍTICAS DE MANUTENÇÃO CTEEP PD / FERRAMENTAS PARA O ESTUDO DA CONFIABILIDADE INTEGRADA ESTRATÉGICA EM CONEXÕES DE CABOS DE LINHAS AÉREAS DE ALTA TENSÃO - ETAPA FINAL AES SISTEMA COMPUTACIONAL PARA GERAÇÃO DE PROCEDIMENTOS DINÂMICOS COMO SUPORTE À TOMADA DE DECISÃO PARA O AUMENTO DA SEGURANÇA DE PESSOAS, ATIVOS E MEIO AMBIENTE NAS USINAS HIDRELÉTRICAS 30

31 37ª Reunião Fevereiro Grupo de Benchmarking de Manutenção Tema: Tecnologias Aplicadas na Manutenção para a Gestão do Futuro Palestra: Métodos para Predição de Condição de Equipamentos Discussões, comentários & referências Equipe: Gabriel A. Costa Lima, PhD, Diretor gabriel.costa.lima@aremas.com.br Alberto Magno Teodoro Filho, MsC, Consultor alberto.magno@aremas.com.br Contato do linked-inn: 31