O Gás Natural Liquefeito (GNL) tem, aos poucos, se tornado uma importante opção para a diversificação da matriz energética brasileira. Os navios metaneiros são os responsáveis pelo transporte do GNL desde as plantas de liquefação até as de regaseificação. Dada a importância, bem como a periculosidade, das operações de transporte e de carga e descarga de navios metaneiros, torna-se necessário não só um bom plano de manutenção como também um sistema de detecção de falhas que podem ocorrer durante estes processos. Este trabalho apresenta um método de diagnose de falhas para a operação de carga e descarga de navios transportadores de GNL através da utilização de Redes Bayesianas em conjunto com técnicas de análise de confiabilidade, como a Análise de Modos e Efeitos de Falhas (FMEA) e a Análise de Árvores de Falhas (FTA). O método proposto indica, através da leitura de sensores presentes no sistema de carga e descarga, quais os componentes que mais provavelmente estão em falha. O método fornece uma abordagem bem estruturada para a construção das Redes Bayesianas utilizadas na diagnose de falhas do sistema. / Liquefied Natural Gas (LNG) has gradually become an important option for the diversification of the Brazilian energy matrix. LNG carriers are responsible for LNG transportation from the liquefaction plant to the regaseification plant. Given the importance, as well as the risk, of transportation and loading/unloading operations of LNG carriers, not only a good maintenance plan is needed, but also a failure detection system that localizes the origin of a failure that may occur during these processes. This research presents a fault diagnosis method for the loading and unloading operations of LNG carriers through the use of Bayesian networks together with reliability analysis techniques, such as Failure Modes and Effects Analysis (FMEA ) and Fault Tree Analysis (FTA). The proposed method indicates, by reading sensors present in the loading and unloading system, which components are most likely faulty. The method provides a well-structured approach for the development of Bayesian networks used in the diagnosis of system failures.

O Gás Natural Liquefeito (GNL) tem, aos poucos, se tornado uma importante opção para a diversificação da matriz energética brasileira. Os navios metaneiros são os responsáveis pelo transporte do GNL desde as plantas de liquefação até as de regaseificação. Dada a importância, bem como a periculosidade, das operações de transporte e de carga e descarga de navios metaneiros, torna-se necessário não só um bom plano de manutenção como também um sistema de detecção de falhas que podem ocorrer durante estes processos. Este trabalho apresenta um método de diagnose de falhas para a operação de carga e descarga de navios transportadores de GNL através da utilização de Redes Bayesianas em conjunto com técnicas de análise de confiabilidade, como a Análise de Modos e Efeitos de Falhas (FMEA) e a Análise de Árvores de Falhas (FTA). O método proposto indica, através da leitura de sensores presentes no sistema de carga e descarga, quais os componentes que mais provavelmente estão em falha. O método fornece uma abordagem bem estruturada para a construção das Redes Bayesianas utilizadas na diagnose de falhas do sistema. / Liquefied Natural Gas (LNG) has gradually become an important option for the diversification of the Brazilian energy matrix. LNG carriers are responsible for LNG transportation from the liquefaction plant to the regaseification plant. Given the importance, as well as the risk, of transportation and loading/unloading operations of LNG carriers, not only a good maintenance plan is needed, but also a failure detection system that localizes the origin of a failure that may occur during these processes. This research presents a fault diagnosis method for the loading and unloading operations of LNG carriers through the use of Bayesian networks together with reliability analysis techniques, such as Failure Modes and Effects Analysis (FMEA ) and Fault Tree Analysis (FTA). The proposed method indicates, by reading sensors present in the loading and unloading system, which components are most likely faulty. The method provides a well-structured approach for the development of Bayesian networks used in the diagnosis of system failures.