7º CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM PETRÓLEO E GÁS

7º CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM PETRÓLEO E GÁS TÍTULO DO TRABALHO: DESENVOLVIMENTO DE SOFTWARE ESPECIALISTA UTILIZANDO LÓGICA FUZZY PARA MANUTENÇÃO PREDITIVA EM MOTORES DIESEL, COM ÊNFASE NO ESTUDO DA TRIBOLOGIA. AUTORES: Carlos Rodrigues Pereira Belchior belchior@peno.coppe.ufrj.br, Ricardo Martins Pereira de Lima Bolsista PRH-03 ANP, ricardompdelima@oceanica.ufrj.br INSTITUIÇÃO: Engenharia Oceânica, Centro Tecnológico, COPPE/UFRJ

DESENVOLVIMENTO DE SOFTWARE ESPECIALISTA UTILIZANDO LÓGICA FUZZY PARA MANUTENÇÃO PREDITIVA EM MOTORES DIESEL, COM ÊNFASE NO ESTUDO DA TRIBOLOGIA. Abstract To predict the failure modes of a Diesel engine we have to use several condition monitoring techniques. Besides the trend analysis of engine performance parameters, the technique of lub oil condition monitoring is widely used for warning against failure in Diesel engines. It seeks to improve engine predictive maintenance by increasing availability, reliability, reducing maintenance cost and failures in operation. The technique presented in this paper entails a regular and periodic sampling of the engine lubricant oil followed by a laboratory analysis of its condition degradation and contamination. The analyzed data is then stored in a computerized data base for rapid manipulation and graphical retrieval to identify abnormal trends that characterizes the development of a future failure of engine component. Engine diagnosis is then presented by an Expert System. KEY WORDS; Condition Monitoring, Oil Analysis, Wear Behavior, Fuzzy System. Introdução Nos dias de hoje a competitividade da indústria está relacionada a dezenas de fatores, dentre eles a manutenção. É um campo de pesquisa, onde existe espaço para avanços tecnológicos e redução significativa do custo global da atividade econômica. É fácil perceber que dentre os tipos de manutenção, a preditiva apresenta os menores custos. Devido à substituição de peças e utilização de mão de obra exclusivamente quando necessário para operação do motor com confiabilidade desejável, proporcionando assim um aumento na competitividade da indústria naval e offshore, segundo Braucks [1]. Além destes outros fatores são observados com a utilização desta técnica uma maior disponibilidade, confiabilidade e segurança dos equipamentos marítimos. Partindo desses conceitos tornasse bastante viável o estudo de sistemas especialistas aplicados à manutenção, através da análise de óleo lubrificante e parâmetros operacionais. Conforme Belchior et al [2] esta pesquisa tem foco na redução do custo através do diagnóstico preditivo e desempenho de motores e seus componentes, utilizando um sistema inteligente que representa a forma do raciocínio humano, disponibilizando os conhecimentos e vivência prática de profissionais especializados em manutenção com base na condição. A atualização do sistema especialista LUBECOPPE, possibilitou a obtenção de um software com maior eficiência preditiva, através da atualização do banco de dados e implementação de novos parâmetros de entrada. A preditiva se coloca como solução elaborada e ainda requer quebra de paradigmas para excelência em sua aplicação. As principais técnicas da manutenção preditiva são inspeção visual, análise de óleo Lubrificante, análise acústica e análise de vibração. Há necessidade de mão de obra especializada para as análises, nem sempre disponível. Já com o monitoramento não existe essa necessidade, de acordo com Nogueira e Real [3]. Metodologia 1.1 Conceitos teóricos O conhecimento técnico adquirido por profissionais com anos de trabalho na área de manutenção de motores são a base fundamental para um sistema especialista (I.A). Parâmetros de entrada são estudados de acordo com Belchior et al [2]. A obtenção dos dados pode ser realizada de forma on-line através de sensores ou de forma off-line, onde os dados são obtidos através de análises em óleo lubrificante. Para o software proposto serão adotados os dois modelos, a depender das características do motor diesel monitorado.

Atenção especial deverá ser dada aos resultados obtidos visando identificar as áreas limítrofes entre resultados normais e anormais, de acordo com Azevedo [4]. Tornasse importante ressaltar que os valores limites são diferentes para cada equipamento, porém são específicos para cada modelo de um determinado fabricante, sendo utilizado os valores limites fornecidos para cada tipo de motor. Para facilidade na análise e reconhecimento de padrões de ressonância nos dados monitorados, será realizada a inferência fuzzy, buscando avaliar a pertinência para processo de degradação e contaminação do óleo. 1.2 Lógica Fuzzy Á logica Clássica ou booleana se mostra pouco eficiente, em casos de representação de pensamento humano, e o motivo está ligado ao modelo matemático utilizado para representar o sistema, que possui um certo grau de incerteza. Este fato inibe a utilização de técnicas booleanas. Segundo Lotfi A. Zadeh [5] a teoria dos conjuntos nebulosos ou fuzzy busca representar o raciocínio humano, com sua característica imprecisa na tomada de decisão. Com isto os valores numéricos tomam forma de variáveis linguísticas. Diferente da lógica convencional também chamada crisp, a fuzzy é construída associando-se um valor μ(x) a uma proposição x, indicando o grau de veracidade dessa proposição, definindo assim uma função de cada variável linguística implementada. Sendo μ(x) uma função genérica, podendo ser representada por diferentes funções, dentre elas a gaussiana, trapezoidal e triangular, cujo conjunto imagem está entre zero e um, não apenas zero ou um, como apresentado na ordenada da figura 1.1. A implementação de variáveis linguísticas nos inputs e outputs são definição na lógica fuzzy, é realizada de acordo com o tipo de função pertinência que mais se adeque ao problema em estudo. Conforme exibido na Fig. 1.1 a temperatura de operação do motor Diesel em C, representada por um conjunto Fuzzy, onde os elementos pertencentes ao conjunto são valores possíveis para temperatura do motor, representada na abcissa da fig. 1.1. A função pertinência pode ser constituída graficamente por um conjunto de pares ordenados {(µtemp(x), x) x ϵ X}, onde µtemp(x) representa o valor entre zero e um da pertinência, para cada elemento x do conjunto (TEMP. C). Cada variável linguística possui sua respectiva função pertinência, exemplos (BAIXA, NORMAL, ALTA e MUITO ALTA). Veja figura 1.1, conforme Biondi et al [6]: 1.3 Inferência. Fig. 1.1 Gráfico da função de pertinência A inferência é o mecanismo responsável pelo processamento das informações adquiridas pelo input, determinando os valores do output do software e por fim o diagnóstico do motor. Segundo Biondi et al [6], o processo de inferência combina regras de associação, comutação e distribuição, onde é feita uma varredura em todos os elementos de cada conjunto fuzzy. Com base nas operações e propriedades dos conjuntos nebulosos poderemos iniciar a construção da base de regras, através de regras IF-AND-THEN, de acordo com o conhecimento fornecido pelo técnico especializado. A relação entre quantidade de inputs e regras de inferência é exponencial, ou seja, o número de regras possíveis na matriz de inferência. Por este motivo a programação é realizada em cascata, onde cada sistema Tribológico e de degradação do óleo será testado individualmente. 1.4 Variáveis de entrada (Input) As variáveis de entrada são denominadas inputs no modelo off-line do software. Estas são obtidas através da análise do óleo lubrificante com o objetivo de monitorar a degradação e

contaminação do mesmo, como exposto em George S. et al [7]. A seguir descrevemos as variáveis utilizadas para avaliar a degradação: Viscosidade cinemática é medida a 40ºC ou 100ºC. As principais normas utilizadas para a definição dos ensaios de viscosidade são: ASTM D445 e NBR 10441. Um aumento em relação a valores nominais poderá indicar contaminação do óleo Lubrificante por partículas insolúveis ou umidade. Esta contaminação tem como origem produtos da combustão ou sistema de refrigeração. Valores altos de viscosidade associados à oxidação e ou nitração do lubrificante poderão ser devidos ao trabalho do motor em temperaturas elevadas ou intervalo de troca do lubrificante prolongado. Uma diminuição abrupta na viscosidade poderá significar uma contaminação do lubrificante por combustível, sendo a principal causa injeção de misturas ricas acima do normal, indicando problemas no sistema de injeção ou rede de retorno. Outra causa combustão com baixa eficiência ocasionada por injetores ou válvulas vazando, desgaste da camisa e/ou pistão, padrão de spray pobre. Baixa reserva alcalina, representada por baixos valores de TBN, que é medido de acordo com a norma ASTM D974. Sua unidade é mg de KOH por grama de óleo lubrificante. Pode representar a contaminação por ácido sulfúrico proveniente do enxofre contido no combustível. Como forma de prevenção deverá ser selecionado um óleo lubrificante cujo valor limite é o número de TBN. Indicado para a porcentagem de enxofre encontrada no combustível utilizado, assim como o intervalo de troca. Poderá ter ocorrido a oxidação do óleo devido a operação do motor em temperaturas excessivas, contaminação por combustível com alto teor de enxofre, oxidação do lubrificante ou falha na purificação do óleo. Resultado da Cromatografia a gás, teste normalizada pela ASTM D3524, mostrando a presença de óleo combustível em porcentagem de massa. Sua causa principal é o excesso de combustível durante a combustão ocasionado por injetores superdimensionados ou ainda problemas de entupimento na rede de retorno. Teor de Insolúvel, teste normalizado pela ASTM D893, medido em porcentagem de massa. Amostra é dividida em duas. Uma diluída em Pentano e outra diluída com Tolueno. O resultado é obtido através de sedimentação ou precipitação. Um elevado valor deste pode representar presença de resinas de oxidação (lacas e vernizes) ou aditivos degradados. Teor de água, sendo a presença de água no lubrificante considerada contaminação do sistema. Os Valores podem ser obtidos de maneiras diferentes dentre elas estão Karl Fischer, destilação, normalizadas pelos testes ASTM D1744 e a ASTM D95. Ponto de fulgor, determinado pelo teste ASTM D92 que define a menor temperatura cujo lubrificante começa a desprender vapores que poderão ocasionar a combustão do lubrificante. Este é um importante parâmetro para avaliar a condição de segurança na operação. Importante para avaliar a contaminação do lubrificante com produtos de diferente ponto de fulgor. Para o caso da avaliação da contaminação do óleo por desgaste dos componentes, o sistema Tribológico do motor deverá ser conhecido, apresentado por Torquato [8]. O motor é dividido em oito sistemas que apresentam atrito, compostos de peças banhadas pelo óleo lubrificante. Essa divisão se mostra importante, pois a partir da identificação da composição química das peças será obtido o prognostico havendo incidência do material nos testes e será associado ao desgaste da peça. A figura 1.2, Santos [9], apresenta todos esses componentes, estes são responsáveis pela transformação da energia da combustão em energia mecânica sendo eles: Camisa/ Anel, Anel / Sulco do anel (pistão), Saia da camisa/pistão, Pino do pistão / Furo do pistão, Pino do pistão / Biela, Saia do pino do pistão/ Pistão Articulado, Coroa do pistão/ camisa (pistão Articulado), Anel de óleo / Mandril. Fig. 1.2 Componentes do motor diesel A Porcentagem dos Materiais no óleo lubrificante, que compõem as peças mostradas na figura 1.2, será a variável para o monitoramento e avaliação do desgaste de cada componente especifico. São

eles (Al; Pb; Cr; Cu; Fe; Sn; Si; Ag; Na; Mg; Zn; Mo; Mn; Ni) obtidos através do teste de Análise espectrométrica e ferrografia que verifica o teor das partículas não metálicas e metálicas. 1.5 Respostas do sistema (Output) Os outputs do software são os diagnósticos obtidos após a análise do óleo lubrificante, dentre eles se destacam: Contaminação por água ou liquido refrigerante, Contaminação por combustível, Contaminação por sólidos, Baixa Reserva Alcalina, Oxidação, Nitração e Sulfatação do lubrificante. A condição de desgaste dos componentes do motor é obtida com análise da presença de partículas metálicas e a correlação com os componentes químicos de cada peça banhada por óleo lubrificante e que sofre atrito. Resultados e Discussão O estudo de caso é verificação da condição do motor Diesel SULZER 7RTA 84M, referenciado pela Engenheira Naval, Santos [9]. O óleo lubrificante indicado pelo fabricante do motor é o TALUSIA UNIVERSAL LS40. No primeiro teste são estudados os parâmetros de viscosidade e ponto de fulgor. Valores abaixo dos limites foram introduzidos na Fig. 2.2 de Lima [10], que mostra as funções de pertinências referentes as variáveis de entrada, os inputs e outputs. Fig. 2.2 Função de Pertinência do software. Software LUBE, 2013 A partir do conhecimento informado pelo especialista é possível montar uma base de regras de inferências obtendo o gráfico apresentado na Fig. 2.3, Lima [10], onde a área azul representa condição normal do motor. A zona em vermelho representa a região onde o diagnóstico é condição anormal do lubrificante, por possível contaminação por combustível. Fig. 2.3 Gráfico da base de regras de inferência número 1 do software. Software LUBE, 2013. No segundo teste a viscosidade e o teor de água são inseridos com valores acima dos limites em relação ao óleo novo. A partir do conhecimento informado pelo especialista é possível montar uma base de regras de inferências obtendo o gráfico apresentado na Fig. 2.4 de Lima [10] onde a área verde representa condição normal do motor.

A zona em vermelho representa a região onde o diagnóstico obtido é aumento da viscosidade, possível contaminação com água. A causa provável é o vazamento da jaqueta refrigerante, resfriadores de óleo, respiradores de tanque ou problemas no sistema de filtragem. Fig. 2.4 Gráfico da base de regras de inferência número 2 do software. Software LUBE, 2013. No terceiro teste, a variável viscosidade em cst a 40 C é alterada para valor acima do normal. Já o TBN é alterado para valor abaixo do limite recomendado pelo fabricante do motor. A partir do conhecimento informado pelo especialista é possível montar uma base de regras de inferências obtendo o gráfico apresentado na Fig. 2.5, Lima R. M. P. [10], onde a área em verde representa condição normal do motor. A zona em azul representa a região onde o diagnóstico é contaminação do óleo lubrificante tendo como origem produtos da combustão ou sistema de refrigeração. Valores altos de viscosidade associados à oxidação e ou nitração do lubrificante poderão ser devidos ao trabalho do motor em temperaturas elevadas ou intervalo de troca do lubrificante prolongado. Fig. 2.5 Gráfico da base de regras de inferência número 3 do software. Software LUBE, 2013. No quarto teste, no valor da análise do teor de Insolúveis e viscosidade cinemática, são aplicados valores acima dos limites indicado pelo fabricante do motor. A partir do conhecimento informado pelo especialista, é possível montar uma base de regras de inferências obtendo o gráfico apresentado na Fig. 2.6, conforme Lima [10], onde a área em verde representa condição normal do motor. A zona em azul representa a região onde o diagnostico obtido é aumento da viscosidade por possível contaminação com partículas sólidas, causa admissão de partículas de poeira por falha de filtragem no sistema de admissão de ar, segundo C. Ulrich et al [11].

Fig. 2.6 Gráfico da base de regras de inferência número 4 do software. Software LUBE, 2013. Os resultados são preliminares, estando programada avaliação de vasto banco de dados, afim de realizar a validação dos resultados e aprofundamento nos diagnósticos obtidos. Conclusões O modelamento fuzzy se mostrou eficiente ao retratar a inexatidão do pensamento humano, Basu et al [12], apresentou facilidade na implementação e altíssima velocidade de processamento de dados. Com a utilização do Labview, tanto a interface com usuário quanto a linguagem de programação, podem ser facilmente atualizadas. A implementação de modificações especificas de acordo com a seleção do Tipo de motor Diesel, Lubrificante utilizado e tipo do navio são realizadas no programa de acordo com a necessidade. Dados iniciais apresentam variação da taxa de partículas no lubrificante, porém é difícil a otimização do limite para condição de falha para acompanhamento esporádico de dados na análise do lubrificante. É importante ressaltar que os dados funcionam como uma assinatura digital da máquina e com acompanhamento contínuo do motor é possível relacionar falhas aos dados monitorados. De acordo com o tipo do motor alguns parâmetros operacionais poderão ser monitorados segundo Jones et al [13]. Explica alguns modelos de motores Diesel, especificando o tipo de dado obtido online. Tendo a possibilidade de aquisição de dados como estes, aumenta a possibilidade de predição de diagnoses, sendo estes sensores normalmente empregados em motores. São eles: pressão de compressão, pressão de combustão, temperatura de exaustão, pressão de óleo lubrificante, consumo de óleo lubrificante, posição da cremalheira de combustível, vácuo no cárter, pressão no cárter, pressão no coletor de admissão e passo do propulsor. Agradecimentos Agradecer primeiramente aos meus pais por acreditar que Deus habita neles, agradecer a minha Tia Rosália Reis de Lima, pelo acolhimento e amor na cidade do Rio de Janeiro. Gostaria de agradecer a Petrobrás e a General Eletric pela oportunidade dada, fundamental para desenvolvimento P&D com conteúdo nacional. Agradecer a meu mestre e orientador D. Sc. Carlos R. P. Belchior pela paciência e motivação, assim como meu coorientador D. Sc. Luiz Antônio Vaz Pinto foi meu primeiro contato com a instituição COPPE/UFRJ, assim como todos no LEME e LEDAV ambos laboratórios COPPE, sempre com apoio incontestável.

Referências Bibliográficas [1] BRAUCKS, A. L. Problemas e Soluções na Manutenção de Motores Diesel de Alta Rotação. XX Copinaval, São Paulo, 1999. [2] NOGUEIRA, O. C. N.; REAL, V. Estudo comparativo de motores diesel marítimos através da análise de lubrificantes usados e Engenharia de confiabilidade. ENGEVISTA, V.13, n. 3, p. 244-254, 2011. [3] BELCHIOR, C. R. P.; BAPTISTA, L. A. R. Condition Monitoring of Engines by Lubricating Oil Analysis. SAE Society of Automotive Engineers Congress, São Paulo, 1999. [4] AZEVEDO, J. B. Caracterização da Degradação de Óleos Lubrificantes Minerais em Diferentes Quilometragens de Uso. 17º Congresso CBECIMAT, Foz do Iguaçu-PR, 2006. [5] ZADEH, L. A. Fuzzy Logic Systems: Origin, Concepts and Trends. Hong Kong, 2004. [6] BIONDI, N. L. et al. Minicurso de Sistema Especialista Nebuloso. XXXVIII SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL. GOIAS, p. 2508-2543, 2006. [7] GEORGE S. et al. Effect of diesel soot on lubricant oil viscosity. Tribology International, v. 40, p. 809-818, 2007. [8] TORQUATO, L. G. Manutenção Preditiva de Motores de Combustão Interna, à Gasolina, Através da Técnica de Análise de Lubrificantes. Dissertação de Mestrado Engenharia Mecânica Faculdade de Engenharia de Ilha de solteira, Universidade Estadual Paulista, Ilha Solteira, 2007. [9] SANTOS, A. M. A. Diagnóstico de Motores Diesel Marítimos por Análise de Óleo Lubrificante. Projeto de graduação em engenharia Naval COPPE/UFRJ, 2012. [10] LIMA, R. M. P. Software LUBE, 2013. [11] ULRICH, C. et al, Simultaneous estimation of soot and diesel contamination in engine oil using electrochemical impedance spectroscopy. Sensors and Actuators B 127, p. 613-618, 2007. [12] BASU, A. et al. Smart sensing of oil degradation and oil level measurements in gasoline engines. SAE World Congress, Detroid, Michigan, 2000. [13] JONES, N.B. et al. Review of Condition Monitoring and Fault Diagnosis for Diesel Engines. Tribotest journal, p. 267-291, 2000.