UTILIZAÇÃO DE MAPAS AUTO-ORGANIZÁVEIS PARA PREDIÇÃO DE ALARMES EM PLANTAS INDUSTRIAIS

8 a 2 e setembro e 2 UTILIZAÇÃO DE MAPAS AUTO-ORGANIZÁVEIS PARA PREDIÇÃO DE ALARMES EM PLANTAS INDUSTRIAIS SÉRGIO H. BRAUNSTEIN #, ANDRÉ P. LERM #, RAFAEL A. R. LERM #2, ADRIANO V. WERHLI #2, SÍLVIA S.C. BOTELHO #2, EDWALDO O. LIPPE #3 # Instituto Feeral Sul-rio-granense Pelotas, Rio Grane o Sul, Brasil E-mails: shb@pelotas.ifsul.eu.br, 2 aaplerm@gmail.com #2 Universiae Feeral o Rio Grane Rio Grane, Rio Grane o Sul, Brasil E-mails: 3 rafaellerm@gmail.com, 4 werhli@gmail.com, 5 silviacb@furg.br #3 AES Tietê SA Mogi Guaçu, São Paulo, Brasil E-mail: 6 ewalo.lippe@aes.com Abstract The aim of this work is to present the application of regression trees an Kohonen self organizing maps to the evelopment of an inustrial alarm preiction system. First the Atheoretical Regression Trees (ART) algorithm is applie to filter the alarm's pertinent time series. Later, self organizing maps are employe to ientify the ifferent patterns, namely: normal, low risk an high risk. This pattern's nomenclature is relate with the imminent occurrence of an alarm in orer to allow a iagnosis or a prognosis from the current operational plant conition. This stuy use time series measurements of seventy-three variables obtaine from sensors installe in a hyroelectric plant. Measurements were sample over a perio of fifteen months. The results obtaine were use for the evelopment of a preictive system of alarms base on artificial intelligence techniques. Keywors Atheoretical regression trees, Neural network, Preictive maintenance, Self-organizing maps, Time series. Resumo O objetivo este trabalho é apresentar a utilização e técnicas e árvores e regressão e reconhecimento e parões baseao em Mapas Auto-Organizáveis e Kohonen para o esenvolvimento e um sistema computacional voltao à preição e alarmes em plantas inustriais. O algoritmo Atheoretical Regression Trees (ART) é utilizao para subsiiar a filtragem as séries temporais pertinentes ao isparo e um alarme e, posteriormente, os mapas auto-organizáveis são utilizaos para levantar as assinaturas normal, baixo risco e alto risco, cuja semântica se relaciona com a iminência e ocorrência e um alarme, a fim e permitirem a apresentação e iagnóstico e prognóstico a partir a conição vigente e operação a planta. Este estuo utilizou meias e séries temporais e setenta e três variáveis feitas por sensores instalaos em uma usina hirelétrica. As meições foram amostraas em um períoo e quinze meses. Os resultaos obtios permitiram o esenvolvimento e um sistema e preição e alarmes baseao em técnicas e inteligência artificial. Palavras-chave Árvores e Regressão, Manutenção Preitiva, Mapas Auto-Organizáveis, Rees Neurais, Séries Temporais. Introução Em uma ativiae inustrial sabe-se que o custo e a qualiae e um prouto estão intimamente relacionaos com o processo e proução que, por sua vez, está ligao a outros fatores, entre eles a manutenção o processo proutivo. Atualmente, grane importância tem sio aa à manutenção no setor inustrial, visto sua relevante influência na proução e qualiae. Três granes políticas e manutenção poem ser elencaas (Wu et al., 27): Manutenção corretiva: manutenção voltaa à reparação os equipamentos após a falha ter ocorrio. Manutenção preventiva: a inspeção, reparação ou substituição o equipamento é feita em agenamentos pré-eterminaos antes a ocorrência a falha. Sua vantagem é a reução os custos com manutenção, a minimização e imprevistos e custos e horas extras quano comparaa à política e manutenção corretiva. No entanto, a ativiae e manutenção programaa numa ata fixa não consiera o estao os equipamentos. Manutenção preitiva: também conhecia como manutenção baseaa em conições (conition-base maintenance - CBM), além e a ativiae e manutenção ser programaa antes a ocorrência e falha a máquina, consiera as informações coletaas sobre suas conições. As informações sensoriais obtias poem ser utilizaas para estimar o tempo e via resiual o equipamento. Os três elementos principais a manutenção preitiva são i. monitoramento/previsão, ii. iagnóstico/prognóstico e iii. tomaa e ecisão/manutenção (Fu et al., 24). O presente trabalho é resultao o Programa e Pesquisa e Desenvolvimento (P&D) a empresa AES ISSN: 275-895 - Vol. X 539

8 a 2 e setembro e 2 Tietê juntamente com Instituto Feeral Sul-riogranense e Universiae Feeral o Rio Grane, o qual propõe um sistema computacional e supervisão e iagnóstico voltao à preição e iferentes tipos e alarmes aplicáveis em plantas e geração hiroelétrica a partir e um conjunto e m séries temporais associaas a iferentes granezas monitoraas. As iversas variáveis monitoraas são responsáveis pelos isparos e n alarmes, seno que um único alarme poe estar associao a mais e uma variável ou aina, uma variável poe estar vinculaa a mais e um alarme. O esafio computacional neste trabalho resie em esenvolver um sistema capaz e: a) minerar os aos associaos a caa um os n alarmes existentes, a partir o conjunto e m séries temporais e entraa. Devio à alta imensionaliae os aos e entraa (grane número e sensores monitorano a planta), torna-se necessário selecionar os sensores com maior relevância à ocorrência o alarme. b) a partir a mineração, ientificar como se comportam e se inter-relacionam as variáveis associaas a caa alarme, a fim e extrair automaticamente comportamentos parões existentes antes e caa alarme, aqui enominaos assinaturas. As assinaturas receberão rótulos, tais como normal, baixo risco e alto risco, cuja semântica se relaciona com a iminência e ocorrência e um alarme. A proposta visa o esenvolvimento e um sistema capaz e prever as possíveis falhas (alarmes) no processo e proução em tempo hábil e forma a possibilitar ações e manutenção e gerenciais para evitá-las. Nesta proposta global e trabalho, o presente artigo se etém nas questões e mineração e aos e e classificação as assinaturas quanto a seus rótulos a partir as séries temporais os sensores selecionaos. O trabalho está estruturao em cinco seções, a Seção 2 apresenta trabalhos relacionaos, Seção 3 abora a arquitetura geral o sistema e os métoos aotaos para o seu esenvolvimento, seguino na Seção 4 com testes e resultaos e, por fim, apresentase a conclusão. 2 Trabalhos Relacionaos Esta seção apresenta uma breve revisão bibliográfica realizaa com o intuito e subsiiar o esenvolvimento este trabalho. Em se tratano e manutenção preitiva, a especificação OSA-CBM (Open Systems Architecture for Conition-base Maintenance), arquitetura parão para mover informações em sistemas e manutenção baseaa em conições, ivie o sistema em seis etapas (Penn et al., 26), (Djurjanovic et al., 23): - Aquisição e Daos (Móulo os Sensores); - Manipulação e Daos (Processamento e Sinais); - Monitoramento as Conições; - Avaliação a Saúe; - Prognóstico; - Apoio à Tomaa e Decisão. Diversas ferramentas são utilizaas para o esenvolvimento a especificação OSA-CBM. Uma síntese e algumas estas são (Lee et al., 26): a) Processamento e Sinais: transformaa e Fourier, transformaa Wavelets, tempo-frequência (TF) e extração e características baseaa no moelo o processo ou em conhecimento e especialistas; b) Avaliação a Saúe: regressão logística, rees neurais CMAC, mapas auto-organizáveis e reconhecimento estatístico e parões; c) Diagnóstico: máquina e vetores suporte (SVM) e assinaturas e esempenho; ) Prognóstico: moelo auto-regressivo e méia móvel (ARMA), ree neural recorrente e Elman e Lógica Fuzzy. Na literatura existem várias técnicas e algoritmos para combinar toas as informações parciais oriunas e iferentes sensores a fim e se obter uma maior precisão e iagnóstico e prognóstico, entre eles (Jarine et al., 26). (Faceli, 2): a) Méia Poneraa: consiste no cálculo a méia poneraa as informações reunantes provenientes e um conjunto e sensores; b) Algoritmos e Agrupamentos (clusters): os aos são agrupaos em conjuntos naturais que são interpretaos por um analista que busca por categorias e objetos significativos; c) Rees Neurais Artificiais: sistemas treinaos para mapear aos e entraa em categorias e saía selecionaas. (Casoetto et al., 23) aplica a méia poneraa os valores e confiança e esempenho iniviuais os sensores para obtenção o valor e confiança (CV) e esempenho a fusão e sensores em um experimento realizao em uma máquina e sola. Altos valores e CV inicam alta sobreposição e, consequentemente, o esempenho mais próximo o comportamento normal (Djurjanovic et al., 23). (Mora et al., 29) utiliza k-means para apresentar uma solução alternativa para o problema a continuiae o serviço em sistemas e istribuição e energia associaa à localização e falha. (Morgan et al., 28) aplica mapa autoorganizável em combinação com o algoritmo k- means para organizar as falhas potenciais e um motor iesel 2 cilinros - 2 tempos e a respectiva localização e falhas com o objetivo e melhorar a segurança e eficiência entro a inústria naval em termos e sistemas e iagnóstico. Técnicas estatísticas, a exemplo e métoos e árvores, poem ser utilizaas para reução imensional, reuzino o volume e informações a serem introuzias nos classificaores (Tonon, 24), (Electronic Statistics Textbook website. [Online]). ISSN: 275-895 - Vol. X 54

8 a 2 e setembro e 2 3 Metoologia Aplicaa A Fig. apresenta uma visão geral o sistema proposto neste trabalho. Séries Temporais Históricas S, S, 2..., S n Séries Selecionaas S, S2,..., k << n Treinamento A partir a Fig., estacam-se três etapas: a) Mineração e Daos: Filtragem o Sinal - Extração e Daos: elimina possíveis ruíos, atenuano altas frequências presentes nos sinais; b) Mineração e Daos: Seleção e Sensores - Função Utiliae: métoo automático que seleciona sensores com maior relevância à ocorrência o alarme, uma vez que aa a alta imensionaliae os aos e entraa (grane número e sensores monitorano a planta) e à complexiae as possíveis inter-relações entre tais variáveis, busca-se um métoo automático e seleção e séries pertinentes; c) Previsão e Alarmes: Análise Multivariaa e Parões Temporais - Assinaturas e Risco a Planta: etapa responsável por fornecer a previsão os possíveis alarmes, através a eterminação e assinaturas associaas ao grau e risco e alarme. Para as etapas a e b são utilizaas, como aos e entraa, séries temporais associaas a uma janela e histórico. Tal janela congrega o conjunto e amostras sensoriais e correspone ao menor intervalo e tempo entre a saía e um alarme (correção a causa geraora) e o novo isparo este (Fig. 2). Leitura Bruta o Sensor - Normalizaa Sk.9.8.7.6.5 Atheoretical Regression Trees (ART) Reconhecimento e Parão [s, s 2,..., s k ] 5 Variável.9 Disparo.8 5 s, s2, K, s k s2, s22, K, s2k M M M sm, sm2, K, smk Variável.95 Disparo n.9 5 Algoritmo 2 SOM Algoritmo 3 Aquisição e Daos online s, s, 2 K, s k Variável n -5 2 4 Tempo (min).9 Disparo.8 5 Variável n.9.8.7 ao a serie quebra estrutural meia subconjunto Rótulos e Assinaturas e Risco Disparo n 5 Função Utiliae / Algoritmo Série Temporal Sensor 27 - janela anterior ao isparo 6 o alarme 5 Sensor fator Vetores Protótipos (Rótulos e Assinaturas e Risco).4 2 3 4 5 6 7 8 Figura 2. Série Temporal o Sensor 27 para um os Disparos e um Alarme normal baixo risco alto risco Figura R. Arquitetura Geral o Sistema e Preição [s, s 2,..., s k ] 5 Fator.5 Fator e Utiliae ϕ, ϕ, 2..., ϕ n Assinaturas e Risco a Planta Seleção as Séries pto. corte -5 2 4 Tempo (min) Figura. Arquitetura Geral o Sistema e Preição 3. Mineração e Daos: Filtragem o Sinal - Extração e Daos A etapa Extração e Daos tem como objetivo ientificar os subconjuntos presentes nas séries temporais os sinais monitoraos pelo sistema supervisório a usina, seno, portanto, responsável pelas quebras estruturais nas séries temporais. Nesta etapa o algoritmo e árvores e regressão e mínimos quaraos enominao Atheoretical Regression Trees (ART) é implementao. Neste, um noo t é iviio em esquera e ireita escenentes, (t e e t ), para reuzir o esvio a variável resposta. Assim, o algoritmo seleciona a ivisão s para a qual ( t ) [ SS( t ) SS( )] SS ( ) e ( ) t e t SS e + t () é máximo, one 2 SS ( t) = t( y ( ) ) ( = ) yi i y t, i, K, n (2) é a soma os quaraos para o noo t. Os termos SS são a soma os quaraos a esquera e ireita escenentes, respectivamente. Teno em vista que t e e t são sucessivas partições e t e SS ( t) eles poem ser consieraos como seno a soma os quaraos o noo t. Assim, o critério e ivisão consiste em minimizar, em toas as partições binárias e t, a soma os quaraos o grupo. Então, MSS t = SS t + SS t (3) y s ( ) [ ( ) ( )] Uma vez que a partição binária e um noo é encontraa, o processo e ivisão é aplicao separaamente e recursivamente para caa subconjunto até que estes cheguem a uma imensão mínima ou nenhuma melhora o critério possa ser alcançaa (Cappelli et al., 25). A aplicação o métoo ART neste problema é motivaa pela necessiae a busca, para os n isparos o alarme, e um comportamento parão as variáveis antes a ocorrência o mesmo. 3.2 Mineração e Daos: Seleção e Sensores Função Utiliae A etapa Função Utiliae filtra e forma automática (sem a presença e um especialista a planta) a alta imensionaliae os sinais monitoraos (variáveis/sensores), resultano no subconjunto e sensores pertinentes ao isparo e um alarme. Esta etapa tem como base os resultaos obtios na etapa Extração e Daos. A obtenção as quebras estruturais as séries temporais através a etapa Extração e Daos e, consequentemente, a obtenção as méias os regimes e operação as variáveis (méias os subconjuntos as séries formaos) antes a ocorrência o alarme proporcionam o cálculo o fator e utiliae e caa variável. Este tem como finaliae ientificar o grau e importância a variável para o isparo e e ISSN: 275-895 - Vol. X 54

8 a 2 e setembro e 2 um alarme e possibilitar a reução e imensionaliae os aos para a etapa e previsão. Neste trabalho propõe-se e forma original um métoo para a escolha o subconjunto e sensores associaos a um eterminao alarme a partir a efinição o fator e utiliae aa por: µ Amax_ isp ϕs = σ (4) one ϕ é o fator e utiliae o sensor s. O termo s µ A max_ isp é obtio em função e A max_ isp z e, one A max_ isp z é a amplitue máxima o sensor e igual ao maior móulo a iferença entre as méias os regimes e operação contíguos em caa isparo z o alarme e é o total e isparos o alarme. Assim, o termo µ correspone à méia estas A max_ isp amplitues máximas, seno efinio por Amax_ ispz z= µ A = (5) max_ isp Finalmente, o termo σ t representa o esvioparão os instantes e tempo em que ocorrem as amplitues máximas o sensor em caa isparo z. O estabelecimento e um ponto e corte explicita, e forma automática, quais variáveis apresentam fortes possibiliaes e serem as responsáveis pelo isparo e um eterminao alarme, uma vez que um fator e utiliae maior que o ponto e corte implica a utilização a variável para a preição aquele. As variáveis selecionaas serão a entraa para o classificaor (Fig. ). 3.3 Previsão e Alarmes: Análise Multivariaa e Parões Temporais Assinaturas e Risco a Planta t A etapa Assinaturas e Risco a Planta tem por objetivo levantar as assinaturas normal, baixo risco e alto risco a planta e apresentar iagnóstico e prognóstico a partir a conição vigente e operação. Nesta etapa trabalha-se apenas com o grupo e sensores selecionaos pela etapa anterior. Rótulos e assinaturas e risco e alarmes efinirão assinaturas a serem associaas ao grupo a caa instante e tempo t e amostragem. Propõe-se a utilização e Mapas Auto-organizáveis (Haykin, 999), (Freeman e Skapura), (Costa, 999) como técnica e agrupamento. Em analogia a um semáforo, foram aotaos os rótulos vere, amarelo e vermelho para serem os escritores as assinaturas e risco a planta, seno: a) rótulo vere: assinatura normal, conição normal e operação; b) rótulo amarelo: assinatura baixo risco, conição e instabiliae, um alarme poe vir a ocorrer em méio prazo; c) rótulo vermelho: assinatura alto risco, conição e falha, risco iminente e ocorrência e alarme. A entraa o classificaor será o grupo e sensores selecionaos pela etapa anterior. As séries temporais históricas estes sensores serão utilizaas para o treinamento a ree neural. Após o treinamento, os aos são particionaos em grupos, cujos integrantes são o mais semelhantes entre si (representaos em branco) e os aos que pertencem a grupos iferentes, apresentam a menor semelhança possível (fronteiras os grupos - representaos em preto). Um e- xemplo e mapeamento é apresentao na Fig. 3. Neuronio 2 4 6 8 2 4 Mapa Auto-Organizável e Kohonen - Gri 5 x 5 2 4 6 8 2 4 Neuronio Figura 3. Formação e Clusters após treinamento a Ree Neural Os agrupamentos resultantes os Mapas Autoorganizáveis receberão os rótulos e assinaturas e risco eterminaos. Como caa grupo poe conter vários neurônios, efine-se como representante(s) e um grupo aquele(s) neurônio(s) com maior número e vitórias, a fim e que este(s) venha(m) a fornecer uma boa aproximação o espaço e entraa. O vetor peso este(s) neurônio(s) representará um os rótulos e assinaturas e risco. De posse estes vetores (vetores protótipos), as leituras online os sensores envolvios iretamente com o isparo e um alarme são rotulaas, forneceno o grau e iminência e risco, ou seja, as assinaturas e risco a planta. Isto possibilita fornecer o iagnóstico/prognóstico a conição e operação vigente a planta através e sinais visuais e acoro com a convenção aotaa. 4 Testes e Resultaos A proposta é testaa e analisaa em uma usina geraora e energia elétrica. Esta possui um sistema supervisório e controle e aquisição e aos o processo inustrial (Supervisory Control an Data Acquisition - SCADA) que fornece leituras online e sensores, bem como um histórico estes. Diferentes alarmes (7) ocorrem ao longo o monitoramento e busca-se estabelecer a previsão estes a partir as séries temporais associaas às informações monitoraas. A escolha o alarme para ter seu iagnóstico realizao foi feita em função o seu número e isparos ocorrio no histórico e 5 meses, seno consieraos isparos válios aqueles com uma janela temporal mínima e 6,5 horas entre ois isparos consecutivos o alarme (intervalo e tempo entre o retorno a operação após a correção a causa geraora o alarme até o novo isparo este), e maneira que em ISSN: 275-895 - Vol. X 542

8 a 2 e setembro e 2 caa isparo não existam outras ocorrências este mesmo alarme. O objetivo este critério é apurar causas a ocorrência o alarme sem a possibiliae e sua própria interferência. A escolha esta janela temporal foi feita em função a inâmica a planta. A amostra os aos utilizaa se refere às meições feitas por setenta e três sensores e uma as uniaes geraoras a planta. O alarme selecionao, aqui chamao alarme A, apresentou 8 isparos. Leitura Bruta o Sensor - Normalizaa.9.8.7.6.5.4 2 3 4 5 6 7 8 Aplicaram-se as séries temporais históricas os setenta e três sensores na etapa Extração e Daos e calculou-se o fator e utiliae e toos os sensores, conforme equação (4) a etapa Função Utiliae. Fator e Utiliae Normalizao.8 x -3.6.4.2.8.6.4.2 Disparo 6 Sensor 27 - apos ART Leitura Sensor Quebra Estrutural Méia Subconjunto Figura 4. Comportamento e uma as variáveis antes a ocorrência e um os isparos o alarme A e as quebras estruturais na sua série temporal após a aplicação o ART. O momento e alarme encontra-se no limite a ireita o gráfico. SENSORES DA PLANTA x FATOR UTILIDADE 2 3 4 5 6 7 8 Sensor Figura 5. Saía a Etapa Função Utiliae Fator e Utiliae Normalizao Méia o Fator e Utiliae Ponto e Corte (PC) O gráfico a Fig. 5 permite observar que apenas vinte e uma variáveis apresentam fator e utiliae acima o ponto e corte estabelecio. Assim seno, foi realizaa a reução imensional os aos e entraa para o classificaor, e forma que caa instante e tempo a janela temporal (aproximaamente 3s entre uma leitura e outra a janela) passou a a- presentar 2 imensões ao invés e 73. Tal reução permitiu a otimização o treinamento a ree, bem como a otimização a etapa e reconhecimento, evio ao fato e serem consieraos apenas aqueles sensores relevantes para o isparo o alarme em questão. Foram testaas iferentes topologias e ree, one a melhor ree foi obtia com um gri e imensões 3x3, ou seja, 9 neurônios. O classificaor, através a comparação entre os aos e entraa usaos para o treinamento a ree (séries históricas os 2 sensores) e a topologia e ree neural aotaa, apresentou como vetores protótipos os neurônios, 24, 3, 75, 84, 87, 884, 886 e 888. De posse estes vetores, toos os aos amostraos são apresentaos à ree - etapa e reconhecimento e parão. 8 6 4 2 2 4 6 Disparo 3 - Sensor 27 8 6 4 2 8 6 4 2 Disparo 5 - Sensor 27 2 4 6 Disparo 7 - Sensor 27 8 6 4 2 Disparo - Sensor 27 2 4 6 2 4 6 2 4 6 Disparo 8 - Sensor 27 8 A simulação apresentaa supõe que a metoologia esenvolvia para o sistema computacional e supervisão e iagnóstico voltao à preição inteligente e alarmes em plantas inustriais tenha obtio sucesso. Os resultaos visualizaos na Fig. 6 permitem algumas aboragens conclusivas: ) o sistema é capaz e fornecer aequaamente iagnósticos e prognósticos a partir e janelas temporais escolhias e acoro com aspectos operacionais o sistema e proução; 2) a primeira inicação e risco iminente e o- corrência e alarme (assinatura alto risco) ocorreu, em sua grane maioria, no mínimo com 34 min. e anteceência o isparo o alarme, o que possibilita ações preventivas para tentar evitá-lo; 3) a capaciae e generalização a ree neural é verificaa pelo fato e que, com apenas 25% os aos amostraos utilizaos em seu treinamento, obteve-se o levantamento aequao as assinaturas e risco o alarme A para os outros 75% os aos amostraos. 4 3 2 2 4 6 Disparo 4 - Sensor 27 8 6 4 2 8 6 4 2 6 4 2 Disparo 2 - Sensor 27 2 4 6 Disparo 6 - Sensor 27 2 4 6 Figura 6. Assinaturas e Risco o Alarme A na Etapa e Reconhecimento Assinatura Normal Assinatura Baixo Risco Assinatura Alto Risco Momento o Alarme ISSN: 275-895 - Vol. X 543

8 a 2 e setembro e 2 5 Conclusão Neste trabalho foi proposto um métoo envolveno mineração e aos e agrupamento para a preição e alarmes iscretos em sistemas e alta imensão e séries temporais. A proposta foi aplicaa no projeto e P&D Sistema e Diagnóstico e Usinas Hirelétricas junto à planta e geração hirelétrica a empresa AES Tietê. O Sistema e Preição implementou e forma automática as etapas e filtragem, extração e características e análise multivariaa o comportamento temporal associao à previsão. A metoologia empregaa na amostra os aos para a filtragem foi Atheoretical Regression Trees (ART), a qual foi motivaa pela necessiae a busca, para os n isparos o alarme, e um comportamento parão as variáveis antes a ocorrência o mesmo. Foi apresentao um métoo para a seleção os sensores correlacionaos com caa alarme, o qual fornece um fator e utiliae. Fatores e utiliae foram calculaos para toas as variáveis presentes na amostra e o estabelecimento e um ponto e corte permitiu a seleção aquelas que apresentam maior probabiliae e uma relação ireta com o isparo e um eterminao alarme. Reconhecimento e parões meiante utilização e Mapas Auto-Organizáveis e Kohonen foi aplicao para a classificação e grupos referentes às assinaturas e risco e um processo inustrial. A proposta foi testaa e analisaa para a previsão e alarmes em uma usina hirelétrica. O métoo foi aplicao a um cenário composto e histórico e isparo e um alarme. Os resultaos obtios valiaram a proposta, uma vez que foram levantaos () o conjunto e sensores responsáveis pelos isparos o alarme e (2) as assinaturas e risco aequaas ao problema. Atualmente o métoo está seno aplicao ao histórico completo e alarmes a usina, e forma a contribuir para a sua valiação e ajustes finais. Agraecimentos Os autores gostariam e agraecer a AES Tietê financiaora o projeto pela base e aos utilizaa neste trabalho. Referências Bibliográficas Cappelli, C., Penny, R.N., Reale, M. (25). Detecting Multiple Mean Breaks At Unknown Points With Atheoretical Regression Trees. International Congress on Moelling an Simulation - Avances an Applications for Management an Decision Making. Casoetto, N., Djurjanovic, D., Mayor, R., Ni, J., Lee, J. (23). Multisensor Process Performance Assessment Through Use of Autoregressive Moeling an Feature Maps. Journal of Manufacturing Systems, Vol. 22, No.. Costa, J.A. (999). Classificação Automática e Análise e Daos por Rees Neurais Auto- Organizáveis. Tese e Doutorao - Faculae e Engenharia Elétrica e e Computação, Unicamp. Djurjanovic, D., Lee, J., Ni, J. (23). Watchog Agent an infotronics-base prognostics approach for prouct performance egraation assessment an preiction. Avance Engineering Informatics, 7, 9 25. Faceli, K. (2). Combinação e métoos e inteligência artificial para fusão e sensores. USP São Carlos. Freeman, J.A., Skapura, D.M.. Neural Networks Algorithms, Applications, an Programming Technique. Fu, C., Ye, L., Liu, Y., Yu, R., Iung, B., Cheng, Y. an Zeng, Y. (24). Preictive Maintenance in Intelligent-Control-Maintenance-Management System for Hyroelectric Generating Unit. IEEE Transactions on Energy Conversion, Vol. 9, No.. Haykin, S. (999). Neural Networks, 2ª e., Prentice Hall, Upper Sale River, New Jersey. Jarine, A.K.S., Lin, D., Banjevic, D. (26). A review on machinery iagnostics an prognostics implementing conition-base maintenance. Mechanical Systems an Signal Processing, 2, 483 5. Lee, J., Ni, J., Djurjanovic, D., Qiu, H., Liao, H. (26). Intelligent prognostics tools an e- maintenance. Computers in Inustry, 57, 476 489. Mora, J., Cormane, J. an Orónez, G. (29). Kmeans algorithm an mixture istributions for locating faults in power systems, Electric Power Systems Research, vol. 79, pp.74-72. Morgan, I., Liu, H., Turnbull, G., Brown, D. (28). Preictive Unsupervise Organisation in Marine Engine Fault Detection, em IEEE- International Joint Conference on Neural Networks, pp. 249-256. Penn State University, The Boeing Company, Machinery Information Management Open Stanars Alliance (26). Open Systems Architecture for Conition-base Maintenance (OSA-CBM). Tonon Jr., W (24). Reconhecimento e Símbolos Elétricos, Dissertação M. Inf. Aplic., Pontifícia Universiae Católica o Paraná, Curitiba, Brasil. Wu, S., Gebraeel, N., Lawley, M.A., Yih, Y. (27). A Neural Network Integrate Decision Support System for Conition-Base Optimal Preictive Maintenance Policy. IEEE Transactions on Systems, Man, an Cybernetics Part A: Systems an Humans, Vol. 37, No. 2. (29) Electronic Statistics Textbook website. [Online]. Disponível: http://statsoft.com/textbook/stathome.html ISSN: 275-895 - Vol. X 544