Numa unidade offshore de produção de petróleo, o gás produzido é tratado para atingir as especificações requeridas e permitir sua utilização em diferentes demandas como gás combustível, gas lift, exportação de gás ou injeção de gás. No Brasil, a Agência Nacional do Petróleo regula a produção de óleo e gás, limita a queima de gás e controla a movimentação e utilização de gás de acordo com as estimativas informadas pelo operador. Falhas no sistema de tratamento de gás levam à queima e podem causar parada de produção. A confiabilidade e disponibilidade do sistema de tratamento de gás é uma preocupação relevante. Entender as relações e influências dos vários subsistemas e equipamentos do sistema nessas medidas de desempenho pode levar a melhorias nas estratégias de manutenção que podem minimizar perdas na produção de óleo e de gás. Dentre os vários métodos de análise de confiabilidade, as redes de Petri estocásticas se destacam quando comparadas às ferramentas tradicionais como diagrama de blocos ou árvore de falhas devido a sua habilidade em modelar aspectos como dependências funcionais, lógicas e sequências. Nesse trabalho foram construídos quatro modelos utilizando redes de Petri estocásticas para analisar a disponibilidade do sistema de tratamento de gás. A facilidade de construção modelo A sugere sua utilização em etapas preliminares de projeto para validar o arranjo inicial, as quantidades de equipamentos e as configurações de redundância. O modelo B pode ser utilizado para identificar os subsistemas e equipamentos que mais contribuem para as falhas do sistema e para realizar previsões quanto aos modos de operação do sistema e índice de aproveitamento de gás. A análise de sensibilidade dos resultados de disponibilidade quanto aos dados de falha utilizados mostrou que a variação do tempo médio para reparo tem maior influência. Por meio do modelo C verificou-se que uma plataforma operando num conjunto e sujeita a restrições de importação e exportação de gás tem maior indisponibilidade e maior probabilidade de falha do que uma plataforma operando isolada. O modelo D permite concluir que a inclusão de um modo de falha ao modelo não implica em variação significativa dos resultados de confiabilidade e que nos resultados de disponibilidade a variação passa a ser significativa quando adotam-se pequenos valores de tempo médio entre falhas e grandes valores de tempo médio para reparo. A construção das redes de Petri estocásticas para o sistema completo exige uma compreensão detalhada do funcionamento do sistema em análise o que também pode ser destacado como uma vantagem das redes de Petri estocásticas, contribuindo para aquisição de conhecimento acerca do sistema e dando segurança quanto a fidelidade do modelo criado. / In an offshore oil production facility, produced gas is treated to meet the necessary specifications to allow its use in different demands, as gas fuel, as exportation gas and as injection gas. In Brazil, the National Petroleum Agency regulates oil and gas production, establishing and gas flaring limits, the utilization and distribution of gas according to the operator\'s estimations. Failures in the gas treatment system eventually can cause oil production interruptions to avoid attaining the gas flaring limits. Reliability and availability of the gas treatment system is a major concern. Understanding the relationships and influences of the various gas treatment subsystems and equipment on these performance measures may lead to design or maintenance strategies improvements that could ultimately minimize oil and gas losses in the facility. Among several modelling methods stochastic Petri nets stands out comparing to traditional reliability tools like reliability block diagrams or fault tree analysis due to its ability to model aspects such as functional dependencies, logics and sequences. In this work, four models were built using stochastic Petri nets to assess the availability of a gas treatment system. The model A is easy to build and may be used in preliminary design stages to validate the initial arrangement, equipment and redundancies. The model B may be used to identify subsystems and equipment that most contribute to system failures and to predict operation modes and efficiency in the gas utilization. The sensibility analysis of reliability data has shown a predominant influence of the mean time to repair. Using model C, it could be noticed that a platform operating in a group submitted to injection and exportation gas limits has a greater unavailability and probability of failure than an isolated operating platform. Model D allow one to conclude that including a failure mode in the model does not imply in significant variation in the reliability results and that the variation is only significant in availability when using small mean time to failure values and large mean time to repair values. The stochastic Petri nets construction for the complete system requires an accurate comprehension about the system operation what could also be mentioned as an advantage of the stochastic Petri nets.

Numa unidade offshore de produção de petróleo, o gás produzido é tratado para atingir as especificações requeridas e permitir sua utilização em diferentes demandas como gás combustível, gas lift, exportação de gás ou injeção de gás. No Brasil, a Agência Nacional do Petróleo regula a produção de óleo e gás, limita a queima de gás e controla a movimentação e utilização de gás de acordo com as estimativas informadas pelo operador. Falhas no sistema de tratamento de gás levam à queima e podem causar parada de produção. A confiabilidade e disponibilidade do sistema de tratamento de gás é uma preocupação relevante. Entender as relações e influências dos vários subsistemas e equipamentos do sistema nessas medidas de desempenho pode levar a melhorias nas estratégias de manutenção que podem minimizar perdas na produção de óleo e de gás. Dentre os vários métodos de análise de confiabilidade, as redes de Petri estocásticas se destacam quando comparadas às ferramentas tradicionais como diagrama de blocos ou árvore de falhas devido a sua habilidade em modelar aspectos como dependências funcionais, lógicas e sequências. Nesse trabalho foram construídos quatro modelos utilizando redes de Petri estocásticas para analisar a disponibilidade do sistema de tratamento de gás. A facilidade de construção modelo A sugere sua utilização em etapas preliminares de projeto para validar o arranjo inicial, as quantidades de equipamentos e as configurações de redundância. O modelo B pode ser utilizado para identificar os subsistemas e equipamentos que mais contribuem para as falhas do sistema e para realizar previsões quanto aos modos de operação do sistema e índice de aproveitamento de gás. A análise de sensibilidade dos resultados de disponibilidade quanto aos dados de falha utilizados mostrou que a variação do tempo médio para reparo tem maior influência. Por meio do modelo C verificou-se que uma plataforma operando num conjunto e sujeita a restrições de importação e exportação de gás tem maior indisponibilidade e maior probabilidade de falha do que uma plataforma operando isolada. O modelo D permite concluir que a inclusão de um modo de falha ao modelo não implica em variação significativa dos resultados de confiabilidade e que nos resultados de disponibilidade a variação passa a ser significativa quando adotam-se pequenos valores de tempo médio entre falhas e grandes valores de tempo médio para reparo. A construção das redes de Petri estocásticas para o sistema completo exige uma compreensão detalhada do funcionamento do sistema em análise o que também pode ser destacado como uma vantagem das redes de Petri estocásticas, contribuindo para aquisição de conhecimento acerca do sistema e dando segurança quanto a fidelidade do modelo criado. / In an offshore oil production facility, produced gas is treated to meet the necessary specifications to allow its use in different demands, as gas fuel, as exportation gas and as injection gas. In Brazil, the National Petroleum Agency regulates oil and gas production, establishing and gas flaring limits, the utilization and distribution of gas according to the operator\'s estimations. Failures in the gas treatment system eventually can cause oil production interruptions to avoid attaining the gas flaring limits. Reliability and availability of the gas treatment system is a major concern. Understanding the relationships and influences of the various gas treatment subsystems and equipment on these performance measures may lead to design or maintenance strategies improvements that could ultimately minimize oil and gas losses in the facility. Among several modelling methods stochastic Petri nets stands out comparing to traditional reliability tools like reliability block diagrams or fault tree analysis due to its ability to model aspects such as functional dependencies, logics and sequences. In this work, four models were built using stochastic Petri nets to assess the availability of a gas treatment system. The model A is easy to build and may be used in preliminary design stages to validate the initial arrangement, equipment and redundancies. The model B may be used to identify subsystems and equipment that most contribute to system failures and to predict operation modes and efficiency in the gas utilization. The sensibility analysis of reliability data has shown a predominant influence of the mean time to repair. Using model C, it could be noticed that a platform operating in a group submitted to injection and exportation gas limits has a greater unavailability and probability of failure than an isolated operating platform. Model D allow one to conclude that including a failure mode in the model does not imply in significant variation in the reliability results and that the variation is only significant in availability when using small mean time to failure values and large mean time to repair values. The stochastic Petri nets construction for the complete system requires an accurate comprehension about the system operation what could also be mentioned as an advantage of the stochastic Petri nets.

Fault diagnosis can be used to early detect faults in a technical system, which means that workshop service can be planned before a component is fully degraded. Fault diagnosis helps with avoiding downtime, accidents and can be used to reduce emissions for certain applications. Traditionally, however, diagnosis systems have been designed using ad hoc methods and a lot of system knowledge. Model-based diagnosis is a systematic way of designing diagnosis systems that is modular and offers high performance. A model-based diagnosis system can be designed by making use of mathematical models that are otherwise used for simulation and control applications. A downside of model-based diagnosis is the modeling effort needed when no accurate models are available, which can take a large amount of time. This has motivated the use of data-driven diagnosis. Data-driven methods do not require as much system knowledge and modeling effort though they require large amounts of data and data from faults that can be hard to gather. Hybrid fault diagnosis methods combining models and training data can take advantage of both approaches decreasing the amount of time needed for modeling and does not require data from faults. In this thesis work a combined data-driven and model-based fault diagnosis system has been developed and evaluated for the exhaust treatment system in a heavy-duty diesel engine truck. The diagnosis system combines physical insights and neural networks to detect and isolate faults for the exhaust treatment system. This diagnosis system is compared with another system developed during this thesis using only model-based methods. Experiments have been done by using data from a heavy-duty truck from Scania. The results show the effectiveness of both methods in an industrial setting. It is shown how model-based approaches can be used to improve diagnostic performance. The hybrid method is showed to be an efficient way of developing a diagnosis system. Some downsides are highlighted such as the performance of the system developed using data-driven and model-based methods depending on the quality of the training data. Future work regarding the modularity and transferability of the hybrid method can be done for further evaluation.