Dissertação apresentada para obtenção do grau de Doutor em Ciências da Engenharia, na Faculdade de Engenharia da Universidade do Porto, sob a orientação dos Professores José Torres Farinha e António Brito

Made available in DSpace on 2014-06-12T16:01:03Z (GMT). No. of bitstreams: 2 arquivo7148_1.pdf: 2212386 bytes, checksum: 6b2b0d7c2a94dfe1e1f831000f3dabe2 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2005 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Data mining surgiu da necessidade de extração do conhecimento a partir de volumosas massas de dados. Na verdade data mining faz parte de um processo mais amplo e complexo denominado KDD (Knowledge Discovery in Databases). O problema é que não há na prática uma metodologia completa para apoiar o usuário no desenvolvimento do processo de KDD. Neste contexto, o principal objetivo do presente trabalho é propor uma metodologia genérica para desenvolvimento de soluções em KDD integrada a um sistema para apoio ao usuário na documentação dos processos. A proposta assegura o desenvolvimento de projetos em KDD de alta qualidade, que atenda às expectativas do cliente dentro do tempo e orçamento previstos. Ao final, é aplicada a proposta em um estudo prático no problema de diagnóstico de falhas

O escopo desta dissertação é o desenvolvimento de uma metodologia para a detecção e diagnóstico de falhas em processos industriais baseado em modelos empíricos no subespaço das variáveis do processo com expansão não linear das bases. A detecção e o diagnóstico de falhas são fundamentais para aumentar a segurança, confiabilidade e lucratividade de processos industriais. Métodos qualitativos, quantitativos e baseados em dados históricos do processo têm sido estudados amplamente. Para demonstrar as vantagens da metodologia proposta, ela será comparada com duas metodologias consideradas padrão, uma baseada em Análise de Componentes Principais (PCA) e a outra baseada em Mínimos Quadrados Parciais (PLS). Dois estudos de casos são empregados nessa comparação. O primeiro consiste em um tanque de aquecimento com mistura e o segundo contempla o estudo de caso do processo da Tennessee Eastman. As vantagens da metodologia proposta consistem na redução da dimensionalidade dos dados a serem usados para um diagnóstico adequado, além de detectar efetivamente a anormalidade e identificar as variáveis mais relacionadas à falha, permitindo um melhor diagnóstico. Além disso, devido à expansão das bases dos modelos é possível trabalhar efetivamente com sistemas não lineares, através de funções polinomiais e exponenciais dentro do modelo. Adicionalmente o trabalho contém uma metodologia de validação dos resultados da metodologia proposta, que consiste na eliminação das variáveis do melhor modelo obtido pelos Modelos Empíricos, através do método Backward Elimination. A metodologia proposta forneceu bons resultados na área do diagnóstico de falhas: conseguiu-se uma grande diminuição da dimensionalidade nos sistemas estudados em até 93,55%, bem como uma correta detecção de anormalidades e permitiu a determinação das variáveis mais relacionadas às anormalidades do processo. As comparações feitas com as metodologias padrões permitiram demonstrar que a metodologia proposta tem resultados superiores, pois consegue detectar as anormalidades em um espaço dimensional reduzido, detectando comportamentos não lineares e diminuindo incertezas. / Fault detection and diagnosis are critical to increasing the safety, reliability, and profitability of industrial processes. Qualitative and quantitative methods and process historical data have been extensively studied. This article proposes a methodology for fault detection and diagnosis, based on historical data of processes and the creation of empirical models with the expansion of nonlinear bases (polynomial and exponential bases) and regularization techniques. To demonstrate the advantages of the proposed approach, it is compared with two standard methodologies: Principal Components Analysis (PCA) and the Partial Least Squares (PLS), performed in two case studies: a mixed heating tank and the Tennessee Eastman Process. The advantages of the proposed methodology are the reduction of the dimensionality of the data used, in addition to the effective detection of abnormalities, identifying the variables most related to the fault. Furthermore, the work contains a methodology to validate the diagnosis results consisting of variable elimination from the best empirical models with the Backward Elimination algorithm. The proposed methodology achieved a promising performance, since it can decrease the dimensionality of the studied systems up to 93.55%, reducing uncertainties, and capturing nonlinear behaviors.

Submitted by José Carlos Oliveira (jcarlos.jeq@hotmail.com) on 2018-07-25T17:12:40Z No. of bitstreams: 1 Tese_Final_José_Carlos_Martins_Oliveira.pdf: 4601437 bytes, checksum: e063bb6da481b557eeb5ce50666f37fe (MD5) / Approved for entry into archive by Vanessa Reis (vanessa.jamile@ufba.br) on 2018-08-03T12:12:58Z (GMT) No. of bitstreams: 1 Tese_Final_José_Carlos_Martins_Oliveira.pdf: 4601437 bytes, checksum: e063bb6da481b557eeb5ce50666f37fe (MD5) / Made available in DSpace on 2018-08-03T12:12:58Z (GMT). No. of bitstreams: 1 Tese_Final_José_Carlos_Martins_Oliveira.pdf: 4601437 bytes, checksum: e063bb6da481b557eeb5ce50666f37fe (MD5) / CAPES (Coordenação de Aperfeiçoamento de Pessoal de Nível Superior) e CNPq (Conselho Nacional de Desenvolvimento Científico e Tecnológico) pelo apoio financeiro. / Sistemas de detecção e diagnóstico de falhas (FDD - Fault Detection and Diagnosis) têm sido largamente utilizados em processos industriais. A necessidade de detecção antecipada e segura de falhas em sistemas dinâmicos e reais provocou uma demanda crescente por processos de supervisão que integram os sistemas FDD. Neste contexto, o objetivo principal desta tese é abordar o problema de detecção e diagnóstico de falhas em problemas dinâmicos univariável e multivariáveis com base nas Redes Neural Sem Pesos (RNSP). As RNSP utilizam neurônios baseados em dispositivos de memórias RAM (Random Access Memories, memórias de acesso randômico ou aleatório) para o aprendizado das características intrínsecas nos dados de treinamento. Essas redes apresentam algoritmos de aprendizagem rápidos e flexíveis, precisão e consistência nos resultados, sem a necessidade de geração de resíduos e retreinamento das redes e um potencial elevado para o reconhecimento e classificação de padrões. Como resultado da pesquisa realizada, são propostos três sistemas de detecção e diagnóstico de falhas baseados no modelo neural sem pesos, conhecido como dispositivo WiSARD (Wilkie, Stonham e Aleksander’s Recognition Device, dispositivo de reconhecimento de Wilkie, Stonham e Aleksander). Os sistemas propostos contam também com as contribuições da seleção de atributos, de modelos estatísticos básicos e da lógica fuzzy para a formação dos padrões comportamentais apresentados às RSNP usadas. Para a validação dos sistemas propostos foram testados três estudos de caso. Um deles se refere a um problema real univariável com dados obtidos pelos sensores de temperatura do compressor de gás para a venda em uma Unidade de Processamento de Gás Natural (UPGN) da Petrobras, localizada no município de Pojuca na Bahia (UPGN-3-Bahia). O segundo simula uma planta industrial considerada como um benchmark na área de detecção e diagnóstico de falhas, e conhecida como Tennessee Eastman Process (TEP). O terceiro e último estudo de caso simula um reator tanque agitado continuamente (CSTR, Continuous Stirred Tank Reactor, reator tanque agitado continuamente). Os resultados apresentados comprovam a boa adaptação das RNSP para o problema de detecção e diagnóstico de falhas, com percentuais de acertos, na classificação, acima de 98%. / Fault Detection and Diagnosis (FDD) systems have been widely used in industrial processes. The need of detection anticipated and secure of failure in dynamic and real systems provoke to a growing demand for supervisory processes that integrate FDD systems. In this context, the main objective of this thesis is to approach the problem of detecting and diagnosing failures in univariate and multivariate dynamic problems based on Weightless Neural Networks (WNN). The RNSP uses neurons based on RAM (Random Access Memories) devices to learn the intrinsic characteristics in the training data. These networks use fast and flexible learning algorithms, which provide accurate and consistent results, without the need for residual generation or network retraining, and therefore they have great potential use for pattern recognition and classification. As result of the research, three systems of fault detection and diagnosis based on the weightless neural model, known as WiSARD device (Wilkie, Stonham e Aleksander’s Recognition Device, dispositivo de reconhecimento de Wilkie, Stonham e Aleksander) are proposed. The proposed systems also count with the contributions of the attribute selection, basic statistical models and fuzzy logic for the formation of behavioral patterns presented to the RSNP used. For the validation of the proposed systems, three case studies were tested. One of them refers to a real univariate problem with data obtained by temperature sensors of the gas of sale compressor of a Petrobras Natural Gas Processing Unit (NGPU) located in the city of Pojuca in Bahia (NGPU-3, Bahia). The second simulates an industrial plant considered as a benchmark in the area of fault detection and diagnosis and known as the Tennessee Eastman Process (TEP). The third and final case study simulates a continuous stirred tank reactor (CSTR, Continuous Stirred Tank Reactor). The results show the good adaptation of the RNSP to the problem of detection and diagnosis of failures with percentage of correctness in the classification above 98%.

O escopo desta dissertação é o desenvolvimento de uma metodologia para a detecção e diagnóstico de falhas em processos industriais baseado em modelos empíricos no subespaço das variáveis do processo com expansão não linear das bases. A detecção e o diagnóstico de falhas são fundamentais para aumentar a segurança, confiabilidade e lucratividade de processos industriais. Métodos qualitativos, quantitativos e baseados em dados históricos do processo têm sido estudados amplamente. Para demonstrar as vantagens da metodologia proposta, ela será comparada com duas metodologias consideradas padrão, uma baseada em Análise de Componentes Principais (PCA) e a outra baseada em Mínimos Quadrados Parciais (PLS). Dois estudos de casos são empregados nessa comparação. O primeiro consiste em um tanque de aquecimento com mistura e o segundo contempla o estudo de caso do processo da Tennessee Eastman. As vantagens da metodologia proposta consistem na redução da dimensionalidade dos dados a serem usados para um diagnóstico adequado, além de detectar efetivamente a anormalidade e identificar as variáveis mais relacionadas à falha, permitindo um melhor diagnóstico. Além disso, devido à expansão das bases dos modelos é possível trabalhar efetivamente com sistemas não lineares, através de funções polinomiais e exponenciais dentro do modelo. Adicionalmente o trabalho contém uma metodologia de validação dos resultados da metodologia proposta, que consiste na eliminação das variáveis do melhor modelo obtido pelos Modelos Empíricos, através do método Backward Elimination. A metodologia proposta forneceu bons resultados na área do diagnóstico de falhas: conseguiu-se uma grande diminuição da dimensionalidade nos sistemas estudados em até 93,55%, bem como uma correta detecção de anormalidades e permitiu a determinação das variáveis mais relacionadas às anormalidades do processo. As comparações feitas com as metodologias padrões permitiram demonstrar que a metodologia proposta tem resultados superiores, pois consegue detectar as anormalidades em um espaço dimensional reduzido, detectando comportamentos não lineares e diminuindo incertezas. / Fault detection and diagnosis are critical to increasing the safety, reliability, and profitability of industrial processes. Qualitative and quantitative methods and process historical data have been extensively studied. This article proposes a methodology for fault detection and diagnosis, based on historical data of processes and the creation of empirical models with the expansion of nonlinear bases (polynomial and exponential bases) and regularization techniques. To demonstrate the advantages of the proposed approach, it is compared with two standard methodologies: Principal Components Analysis (PCA) and the Partial Least Squares (PLS), performed in two case studies: a mixed heating tank and the Tennessee Eastman Process. The advantages of the proposed methodology are the reduction of the dimensionality of the data used, in addition to the effective detection of abnormalities, identifying the variables most related to the fault. Furthermore, the work contains a methodology to validate the diagnosis results consisting of variable elimination from the best empirical models with the Backward Elimination algorithm. The proposed methodology achieved a promising performance, since it can decrease the dimensionality of the studied systems up to 93.55%, reducing uncertainties, and capturing nonlinear behaviors.

O escopo desta dissertação é o desenvolvimento de uma metodologia para a detecção e diagnóstico de falhas em processos industriais baseado em modelos empíricos no subespaço das variáveis do processo com expansão não linear das bases. A detecção e o diagnóstico de falhas são fundamentais para aumentar a segurança, confiabilidade e lucratividade de processos industriais. Métodos qualitativos, quantitativos e baseados em dados históricos do processo têm sido estudados amplamente. Para demonstrar as vantagens da metodologia proposta, ela será comparada com duas metodologias consideradas padrão, uma baseada em Análise de Componentes Principais (PCA) e a outra baseada em Mínimos Quadrados Parciais (PLS). Dois estudos de casos são empregados nessa comparação. O primeiro consiste em um tanque de aquecimento com mistura e o segundo contempla o estudo de caso do processo da Tennessee Eastman. As vantagens da metodologia proposta consistem na redução da dimensionalidade dos dados a serem usados para um diagnóstico adequado, além de detectar efetivamente a anormalidade e identificar as variáveis mais relacionadas à falha, permitindo um melhor diagnóstico. Além disso, devido à expansão das bases dos modelos é possível trabalhar efetivamente com sistemas não lineares, através de funções polinomiais e exponenciais dentro do modelo. Adicionalmente o trabalho contém uma metodologia de validação dos resultados da metodologia proposta, que consiste na eliminação das variáveis do melhor modelo obtido pelos Modelos Empíricos, através do método Backward Elimination. A metodologia proposta forneceu bons resultados na área do diagnóstico de falhas: conseguiu-se uma grande diminuição da dimensionalidade nos sistemas estudados em até 93,55%, bem como uma correta detecção de anormalidades e permitiu a determinação das variáveis mais relacionadas às anormalidades do processo. As comparações feitas com as metodologias padrões permitiram demonstrar que a metodologia proposta tem resultados superiores, pois consegue detectar as anormalidades em um espaço dimensional reduzido, detectando comportamentos não lineares e diminuindo incertezas. / Fault detection and diagnosis are critical to increasing the safety, reliability, and profitability of industrial processes. Qualitative and quantitative methods and process historical data have been extensively studied. This article proposes a methodology for fault detection and diagnosis, based on historical data of processes and the creation of empirical models with the expansion of nonlinear bases (polynomial and exponential bases) and regularization techniques. To demonstrate the advantages of the proposed approach, it is compared with two standard methodologies: Principal Components Analysis (PCA) and the Partial Least Squares (PLS), performed in two case studies: a mixed heating tank and the Tennessee Eastman Process. The advantages of the proposed methodology are the reduction of the dimensionality of the data used, in addition to the effective detection of abnormalities, identifying the variables most related to the fault. Furthermore, the work contains a methodology to validate the diagnosis results consisting of variable elimination from the best empirical models with the Backward Elimination algorithm. The proposed methodology achieved a promising performance, since it can decrease the dimensionality of the studied systems up to 93.55%, reducing uncertainties, and capturing nonlinear behaviors.

Orientador: Aparecido Carlos Gonçalves / Resumo: Pares engrenados são elementos de transmissão de potência amplamente utilizados em máquinas e equipamentos, todavia as falhas catastróficas desses componentes são comuns e dispendiosas. A análise de vibrações está entre as técnicas de diagnóstico de defeitos incipientes utilizadas em manutenção preditiva, posto que a presença de uma falha altera o comportamento dinâmico do sistema e o estado de degradação pode ser detectado pelo monitoramento dos sinais de vibração. Na indústria atual, onde as aquisições de dados, tanto para controle de processos, quanto para o monitoramento das condições de integridade de equipamentos, são realizadas em tempo real, faz-se necessário o desenvolvimento de métodos que aumentem a confiabilidade das tomadas de decisões em relação à identificação, localização e prognóstico de falhas. O objetivo deste trabalho é desenvolver um modelo matemático de par de engrenagens que auxilie no monitoramento da condição e validar o modelo dinâmico com dados de vibração de um multiplicador de velocidades obtidos experimentalmente. Para tanto, foi elaborada uma metodologia baseada no modelo dinâmico de par engrenado com 6 graus de liberdade para simulação de sinais de vibração; nesse modelo, inclui-se erros geométricos no perfil do dente; de maneira analítica, simula-se uma a trinca do dente de uma das engrenagens que ocasiona a queda de rigidez em função do tempo; desenvolveu-se também um experimento com um multiplicador de velocidades; e, por fim, algumas técnic... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Spur gears are transmission power elements widely used in machinery, however catastrophic failures of this components are just as common and onerous. Vibration analysis is a technique, in among of others, that can be used in diagnostics of incipient damages, common in predictive maintenance, because they change the dynamic behavior of the mechanical system, and the degradation state can be detected by vibration signal or noise. In the current industry production, in which real-time data acquisition - whether for processes control, or for health condition monitoring of equipment - is the reality, it is necessary to develop auxiliary methods that provide high reliability to identification, localization and failure prognostics. In this work, the main objective is to provide a spur gears’ model-based methodology for condition-monitoring and to validate a dynamic model with experimental vibration data of a gearbox. Hence, a dynamic model of spur meshing gears was developed considering a 6 degrees of freedom and time-varying meshing stiffness to simulate vibrations signals; a tooth profile error was also included; in this analytical model, a straight crack was simulated by reducing the meshing stiffness in a tooth; experiments with a gearbox experimental set were run; and, some signal processing was apllied in the vibration data. The results allowed the model validation with the comparison between simulate and experimental signals, in time-domain and frequency-domain / Mestre

Made available in DSpace on 2016-12-12T17:38:33Z (GMT). No. of bitstreams: 1 Daniel Gumiero Noronha Maas.pdf: 6258702 bytes, checksum: 06207c47266ccded357fbb819c6ae9bf (MD5) Previous issue date: 2014-09-09 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / This work presents a multilayer architecture for fault diagnosis in embedded systems that allows a better discrimination of the type and source of the failure, providing an accurate and assertive diagnosis. This architecture contemplates the necessary interfaces to allow integration of this diagnostic framework in the embedded system and also considers the treatment of diagnostic information for recovery system actions purposes, or simply allows the externalization of such information. This work considers the diagnosers designed according to the methodology of fault diagnosis in DES modeled by automata. Once designed the diagnosers are implemented in ANSI C language through an automated software generation tool, and finally incorporated into the main product software where it intends to perform the diagnosis. This architecture diagnosis was then applied in a case study for Frost Free refrigerator, for which the diagnosers were designed then were implemented in software and subsequently validated in order to confirm the effectiveness of the diagnosers, of the proposed architecture beyond the C language conversion process. / Este trabalho apresenta uma arquitetura de diagnóstico multicamadas para detecção de falhas em sistemas embarcados, que permite uma melhor discriminação do tipo e origem da falha, possibilitando um diagnóstico mais preciso e assertivo. Esta arquitetura contempla as interfaces necessárias para permitir a integração no sistema embarcado e também considera o tratamento das informações de diagnóstico para fins de ações de recuperação do sistema, ou simplesmente a externalização destas informações. Neste trabalho, consideram-se os diagnosticadores projetados conforme a metodologia de diagnóstico de falhas em SEDs modelados por autômatos. Uma vez concebidos, os diagnosticadores são implementados em linguagem ANSI C, através de uma ferramenta de geração automática de software, e finalmente incorporados ao software principal do equipamento onde se pretende realizar o diagnóstico. Esta arquitetura de diagnóstico foi então aplicada em um estudo de caso para um refrigerador Frost Free, para o qual foram projetados os diagnosticadores, em seguida os mesmos foram implementados em software e posteriormente validados a fim de comprovar a eficácia não somente dos diagnosticadores mas também da arquitetura proposta, além do processo de conversão dos mesmos em linguagem de software.

O objetivo desta tese consiste na implementação de sistemas inteligentes para monitoramento e diagnósticos de falhas ocorrentes em motores de indução trifásicos. Para tanto, desenvolveu-se uma bancada de experimentos que visa ensaios de falhas relacionados a curto-circuito entre as bobinas do enrolamento de estator, quebras nas barras da gaiola de esquilo do rotor e, finalmente, rolamentos defeituosos. Mais especificamente, o enfoque principal consiste na proposição de uma abordagem neural de detecção de quebras nas barras de rotores de motores de indução trifásicos mediante a análise do espectro de frequência e aplicação de técnicas de análise das componentes principais. Considerou-se o acionamento do motor de indução tanto pela tensão de alimentação da rede quanto por inversor trifásico em diferentes frequências, operando sob diversas condições de torque de carga para a avaliação da metodologia. / The objective of this thesis consists of the implementation of intelligent systems for three-phase induction motors fault diagnosis and condition monitoring. Therefore, an experimental test stand for stator winding inter-turn short circuit faults, broken rotor bar in squirrel cage and, finally, defective wheel bearing has been designed. The main focus is to propose a neural network approach, which uses spectral frequency analysis and principal component analysis techniques to detect broken rotor bar in squirrel cage induction motor. Induction motor operating at different load torque conditions and supplied with sinusoidal voltage supply and three-phase inverter at different frequency was considered in the experiment for methodology evaluation.

O estudo das condições de operação de um motor de indução em um ambiente industrial é indispensável, tendo em vista que eventuais problemas podem contribuir para um prejuízo na produção, ou ainda para custos adicionais relacionados à falta de manutenção dos equipamentos. Uma das principais falhas que podem ocorrer em um motor de indução do tipo gaiola de esquilo durante sua operação é o rompimento de uma ou mais barras que compõem o seu rotor. Apresenta-se neste trabalho um novo método para auxiliar na detecção de barras quebradas em um rotor tipo gaiola de esquilo, para um motor de grande porte, durante sua operação em regime permanente. A partir de um modelo matemático foi possível avaliar o rompimento de barras do rotor, detectando em uma posição específica, a variação da densidade de fluxo magnético resultante, produzida pela contribuição do fluxo de dispersão de cada barra do rotor, bem como pelo fluxo criado pelas correntes do estator. Um sensor de efeito Hall é instalado entre duas bobinas do estator, a fim de representar a posição onde é realizado o cálculo da densidade de fluxo magnético resultante pela modelagem matemática proposta. O sinal gerado pelo sensor a partir de uma falha é comparado com aquele obtido a partir do rotor saudável, para posterior análise. O trabalho sugere ainda a aplicação do método de detecção da falha em conjunto com uma técnica de inteligência artificial baseada nas redes neurais artificiais, a fim de contribuir para o diagnóstico da falha e estimativa do número de barras rompidas. Os resultados obtidos da simulação, bem como os dados obtidos durante o ensaio são apresentados e usados na validação do modelo matemático desenvolvido. / The study of operational conditions of an induction motor in an industrial environment is indispensable, once eventual problems can contribute for production losses, or still for additional costs related to the lack of equipments maintenance. Among the principal faults, in a squirrel cage induction motor can occur the breaking of one or more rotor bars. This work presents a new method in aid of detection of broken bars in a large squirrel cage induction motor during its operation in steady-state. A mathematical model is used to evaluate the broken rotor bars, detecting in a specific point, the resulting magnetic flux density produced by the leakage flux created by the rotor and stator currents. The Hall effect sensor is installed between two stator coils, in order to represent the position where the resulting magnetic flux density is calculated by the proposed mathematical model. The signal detected in the sensor during a fault, is compared to the obtained result of the magnetic flux density from a healthy rotor for analysis. The work still suggests the application of the artificial intelligence technique, based on artificial neural networks in the mathematical model, in order to aid on the fault detection and estimate of the number of broken bars. The simulation and experimental results are presented in order to validate the developed mathematical model.