UM PROJECTO DE MONITORIZAÇÃO
DO ESTADO DE CONDIÇÃO E PREDICÇÃO
DE AVARIAS DE BORDO.
Vairinhos, Valter Martins
Lobo, Victor
Escola Naval, Alfeite
Sumário
Neste artigo é apresentado o projecto MECPAB – Monitorização do Estado de Condição e Previsão de
Avarias de Bordo, que está a ser desenvolvido na Escola Naval. Este projecto visa desenvolver métodos
estatísticos para análise de dados multivariados gerados por sensores, ou oriundos de registos históricos
de manutenção. Essas técnicas destinam-se a permitir fazer um diagnóstico contínuo do estado do sistema
tendo em vista a previsão de avarias e o suporte a políticas de manutenção CBM (Condition Based
Maintenance).
São apresentadas três técnicas de análise e modelação de dados potencialmente úteis nesta tarefa, e
mostra-se a aplicação destas técnicas a um conjunto de dados reais obtidos para teste.
Palavras chave: Análise de dados, Manutenção, CBM, Biplots, SOM, SEM.
1. Introdução
O benefício de registar, para análise futura, os dados históricos do material sempre foi reconhecido e
traduzido na criação de sistemas de recolha de dados, para apoio da tomada de decisão na área da gestão
da material.
Os paradigmas de gestão da manutenção, actualmente dominantes, são o da manutenção segundo o estado
e o da manutenção centrada na fiabilidade. Usando as siglas inglesas: CBM – Condition Based
Maintenance, para Manutenção Segundo o Estado e RCM – Reliability Centered Maintenance para a
Manutenção Centrada na Fiabilidade.
A RCM reconhece que é necessária uma função manutenção gerida com base na fiabilidade dos sistemas
pelo facto de existirem avarias e, portanto, ser necessária uma teoria matemática – a teoria da fiabilidade
– capaz de modelar o facto básico de as avarias de material ocorrerem ao acaso. A CBM é uma política de
manutenção específica assente no pressuposto de que só se deve realizar a manutenção necessária e
adequada ao verdadeiro estado da máquina, estabelecido por técnicas específicas como a análise de
vibrações, as análises ao óleo ou a termografia, no caso dos sistemas mecânicos.
A concretização das políticas CBM cria problemas difíceis do ponto de vista estatístico. O problema
básico é o de conhecer em cada instante o verdadeiro estado do sistema, como condição para a tomada de
decisões adequadas a esse estado, acerca do que deve ser feito. A questão estatística básica é a de usar a
informação disponível num certo instante acerca dessa máquina para inferir/estimar/decidir/diagnosticar
qual o estado. Tendo estimado o estado, há que decidir que trabalhos devem ser realizados para garantir
1
uma certa fiabilidade num dado período futuro, para repor a máquina no seu estado de novo ou optar entre
várias alternativas possíveis.
Associado ao problema estatístico está associado um problema de decisão/optimização, em que as
incertezas desempenham um papel importante. stas questões não são triviais e esse facto justifica, talvez,
a razão pela qual, sendo o conceito de CBM relativamente velho se constate que são relativamente poucas
as suas concretizações. As instalações mais recentes podem ser vistas como sistemas mistos de hardware
e software, com a larga participação dos sistemas de controlo baseado em sensores. A existência de
centenas ou milhares de sensores nas instalações modernas abre novas oportunidades à criação de
sistemas de diagnóstico e previsão (de avarias) que tornam possíveis e mais realistas as concretizações de
políticas CBM.
Contudo, são necessárias investigações (Jardine, Lin et al. 2006) nas áreas de análise estatística dos dados
multivariados gerados por esses sensores, na combinação/fusão dos dados de sensores com os dados do
registo histórico dos equipamentos e com os dados gerados pela observação dos sistemas na
concretização das existentes políticas CBM (Raheja, Llinas et al. 2006).
O projecto MECPAB, recentemente criado na Escola Naval, reconhece as limitações da investigação
actual nessa área e propõe-se contribuir, com investigação aplicada, tendo em conta os problemas
específicos da Marinha de Guerra Portuguesa.
2. Objectivos do projecto MECPAB
Os objectivos básicos do projecto de Monitorização dos Estados de Condição e Previsão de Avarias de
Bordo (MECPAB) são os de conceber e testar algoritmos de análise de dados multivariados relevantes
para os problemas de previsão de avarias de bordo dos navios e usar os algoritmos eventualmente
desenvolvidos para servirem de base à elaboração de software aplicável na área da gestão de manutenção.
Estes objectivos nada mais fazem do que tentar dar concretização aos objectivos definidos, já em 1984, na
carta de promulgação do Sistema de Recolha e Tratamento (SRTD) de Dados de Manutenção da Armada
e que aqui se transcrevem (Marinha 1984):
• Registar os dados de natureza histórica, técnica, económica e operacional, gerados pela função
manutenção de material e transformá-los em tempo útil, em informação utilizável nas tarefas de
gestão de manutenção, planeamento, direcção, controlo e organização.
• Registar a experiência passada de utilização do material naval sob forma que possibilite estudos
estatísticos válidos como elementos de tomada de decisão acerca do material a escolher e a
adquirir no futuro e no estabelecimento de políticas de manutenção adequadas.
Aquele documento estabelecia assim – já lá vão 23 anos – os fundamentos para uma base de dados do
material, repositório da experiência acumulada da Marinha com os seus sistemas e equipamentos,
antevendo a necessidade de aplicar a estes dados aquilo que agora se designa data mining.
Vicissitudes várias – entre elas a escassez de meios recolha automatizada de dados e a natureza não trivial
dos problemas estatísticos que se põem nesta área – têm impedido a cabal concretização dessa
componente do sistema de apoio à decisão na gestão do material da Armada.
A introdução recente do sistema SICALN veio melhorar a situação sem resolver ainda a questão da
exploração estatística dos dados acumulados. Considera-se importante a utilização de uma análise
estatística sofisticada dos dados históricos acumulados nas bases de dados e dos que começam a ser
gerados pelos sensores dos sistemas mais recentes.
O projecto MECPAB é, pois, um projecto de investigação aplicada na área da análise estatística dos
dados da gestão do material a decorrer no âmbito das atribuições de um organismo de ensino superior da
Marinha (a Escola Naval) que integra o Sistema Nacional de Investigação, tutelado pelo Ministério da
Ciência, Tecnologia, e Ensino Superior.
A Figura 1 procura sintetizar os objectivos e abordagem geral do MECPAB aos problemas antes
expostos:
2
H(t)
Informação disponível no
instante t
Ri-1
Ri
D
t
D+x
x
DWL (t)
(Dynamic Work
Load no
instante t)
Figura 1 -Ideia geral do projecto MECPAB.
Na Figura 1, assumindo um instante genérico do período operacional que está a decorrer entre a última
revisão (Ri-1) de um dado sistema e a próxima revisão (Ri) desse mesmo sistema (Ri) – a decorrer em
futuro ainda não especificado. A questão básica, do ponto de vista da manutenção CBM é a de usar a
informação H (t) disponível no instante t (tempo decorrido a partir do início do período operacional
corrente com data de calendário D) para estimar/identificar o estado do sistema no instante t e usar o
resultado desta identificação/predição/diagnóstico para decidir qual vai ser a fiabilidade no sistema no
período [t, t + x] de duração x - entre as datas D, D+x – ou o que deve ser feito na próxima imobilização
do sistema (Ri).
A informação H (t) é composta por:
1. Informação gerada pelos sensores de bordo, recolhida em obediência a planos de amostragem
predefinidos ou segundo outras necessidades e critérios;
2. Registos históricos relativos à ocorrência de avarias e suas reparações (o que avariou, quando,
porquê, que recursos foram gastos, quando se recuperou e operacionalidade, que alterações de
configuração se verificaram);
3. Registos das observações relativas à manutenção CBM, como por exemplo, registos das
análises de vibrações, imagens termográficas e outras, resultados das análises do óleo e água de
circulação, etc;
4. Experiência do pessoal ligado à operação e manutenção do material, eventualmente expressa
por distribuições à priori dos tempos entre avarias, regras acerca do comportamento do
material, sugestões, etc.
Um conceito actualmente em avaliação como potencialmente útil na perspectiva da criação de indicadores
do estado das máquinas é o de lista dinâmica de trabalho (DWL – Dynamic Work List) considerada como
uma elaboração criada a partir de H (t) e contendo a identificação de todas as necessidade de manutenção
do sistema/equipamento já identificadas mas ainda não satisfeitas no instante t. Intuitivamente, esta lista
funcionaria como uma espécie de estatística suficiente na base da qual basear o processo de estimação
acerca do estado do equipamento/sistema.
Seria sobre esta DWL – mais restrita e precisa do que H (t) – que incidiriam as técnicas de análise de
dados multivariados/reconhecimento de padrões a usar para gerar informação acerca do estado do
sistema.
3. Metodologias potencialmente úteis.
Jardine (2006) dá conta da grande actividade de investigação actual na área dos métodos e técnicas de
análise de dados multivariados gerados pela actividade de manutenção.
Tendo o projecto MECPAB tido início no Verão de 2006, rapidamente se chegou à conclusão de que no
processo de diagnóstico e previsão de avarias de bordo um papel importante estaria reservado aos
métodos gráficos de análise de dados, bem como às redes neuronais e sistemas de equações estruturais,
tendo sido decidido proceder a uma avaliação preliminar de algumas dessas técnicas – ao mesmo tempo
que decorria um processo paralelo de inventariação de dados disponíveis nas suas diversas formas; em
3
particular dos dados gerados pelas centenas de sensores do sistema NAUTOS que equipa as fragatas das
classe Vasco da Gama.
De entre as técnicas correntemente em avaliação pelo seu elevado potencial citam-se os biplots
(Vairinhos 2004); SOMS (Self Organizing Maps) (Kohonen 2001); SEM’s (Strucutral Equation
Models)(Bollen 1989).
Nos parágrafos seguintes apresentam-se sínteses não técnicas destas metodologias e as características que,
acredita-se nesta fase do projecto, as tornam potencialmente úteis para as tarefas de datamining e
desenvolvimento de modelos de predição de avarias. Essas técnicas são ilustradas com dados de sensores
gerados pelo funcionamento de um motor Diesel Propulsor de uma instalação naval.
Esses dados compreendem 200 observações (correspondentes a 200 intervalos de 1 hora) relativos a 38
variáveis (sensores) observadas sobre um mesmo motor propulsor, agrupadas por: temperaturas dos gases
de escape (12 variáveis); temperaturas do ar de sobrealimentação; pressão do ar de sobrealimentação,
velocidade do motor (RPM), caudais de combustível, temperaturas e pressão do óleo em vários pontos.
Os dados são apresentados apenas para ilustrar o tipo de resultados que se podem obter com as técnicas
mencionadas, sem qualquer preocupação de apresentar o modelo de diagnóstico ou previsão de avarias.
4. Biplots
O conceito de biplot deve-se a (Gabriel 1971). Os biplots podem considerar-se uma generalização dos
gráficos de dispersão. Estes, como é conhecido, permitem representar até três variáveis: cada um dos
eixos representa uma variável e as etiquetas dos pontos observados podem representar uma terceira
variável. Em síntese, um gráfico de dispersão apresenta no mesmo gráfico dois tipos de informação: os
identificadores dos objectos que foram observados e duas (ou três) variáveis observadas. Os biplots
generalizam esta ideia: contêm marcadores para as variáveis e marcadores para os objectos observados.
A Figura 2 ilustra o conceito através de um biplot em que as setas representam as 38 variáveis
mencionadas, relativas ao funcionamento de um motor propulsor de uma instalação naval e os ‘*’
representam períodos de uma hora. O quadro de dados original continha no cruzamento da linha i
(intervalo de 1 hora) com o sensor j o valor médio das observações desse sensor no período indicado.
BONECO
Figura 2 - Biplot relativo a 38 variáveis e 200 observações de variáveis estão representadas por
setas e os objectos por ‘*’.
Num gráfico deste tipo os ângulos entre vectores representativos das variáveis (marcadores das variáveis)
representam correlações entre as variáveis e as distâncias entre os pontos representativos dos objectos
observados (neste caso, períodos de 1 hora) significam dissemelhanças entre essas observações.
Por exemplo, na Figura 2, o ângulo entre a variável ET0228 e ET0226 – temperaturas dos gases de escape
de dois cilindros – é pequeno o que corresponde ao facto físico de que as temperaturas de escape entre os
cilindros são muito próximas, em condições normais de funcionamento.
4
O centro do gráfico corresponde ao valor médio das variáveis observadas. Ângulos próximos de 90º entre
os vectores representativos das diversas variáveis correspondem a fracas correlações entre as mesmas. É o
caso das variáveis AP0251 (Pressão do ar de alimentação) e OP0257 (Pressão do óleo de lubrificação).
Uma vez que os biplots contêm simultaneamente os objectos observados e as variáveis observadas, são
um instrumento muito útil para a realização de operações de datamining, permitindo a apresentação sobre
o mesmo gráfico dos resultados de queries expressos em função dos sensores e respectivos valores.
Assim, na Figura 3 podem ver-se, representadas pelo fecho convexo, “o conjunto de observações – horas
neste caso – em que as temperaturas dos gases de escape estiveram abaixo de 100º C”. Do mesmo modo,
pode usar-se um biplot para expressar os resultados das análises obtidas por outras técnicas: análise
classificatória, som’s, MDS, análise descriminante. A título de exemplo, a Figura 3 apresenta as 200
observações usadas para construir os biplots agrupados em 4 grupos representados pelos respectivos
fechos convexos.
O reconhecimento destas potencialidades dos biplots levou um dos autores deste trabalho a desenvolver
um sistema protótipo de datamining funcionando inteiramente sobre biplots (Vairinhos 2004). No âmbito
do projecto MECPAB encara-se a possibilidade de desenvolver e adaptar este conceito aplicando-o aos
problemas específicos do projecto.
BONECO
Figura 3 - Representações, no biplot, dos fechos convexos de uma partição das observações em quatro
grupos, obtida por análise classificatória.
5. SOM – Mapas Auto-Organizados (Self-Organizing Maps)
Os mapas auto-organizados, mais conhecidos pela sigla inglesa SOM (de Self-Organizing Map) são um
tipo de rede neuronal. Foram propostos pelo Prof. Tuevo Kohonen em 1982 (Kohonen 1982), tendo por
isso a designação de Redes Neuronais de Kohonen (Kohonen Networks). Por vezes aparecem na literatura
científica com outros nomes, como por exemplo Self-Organizing Feature Maps, Topology Preserving
Feature Maps (Kohonen 1995), ou em português Mapas Auto-organizáveis (Lourenço 2005). Neste texto,
por simplicidade, usaremos a sigla SOM (pronunciada sóme) para designar os mapas auto-organizados,
não distinguindo nessa sigla o singular do plural.
Os SOM são uma ferramenta que pode ser usada para tarefas muito distintas. Os exemplos de utilização
mais frequentes são a determinação de agrupamentos (clustering determinístico), a visualização de dados
multidimensionais, a detecção de agrupamentos (clustering exploratório) e excepções (outliers), a
ordenação de entidades, a classificação de dados, a resolução de problemas do tipo caixeiro viajante,
interpolação, e extracção de características.
Na sua essência, um SOM faz um mapeamento não linear de um espaço multidimensional para um espaço
(geralmente) bi-dimensional. Mapeamentos para espaços de outras dimensões também são possíveis e
usados nalguns casos. A característica mais importante desse mapeamento é a preservação de relações
topológicas, isto é, objectos que estiverem próximos no espaço original serão mapeados para zonas
próximas no SOM (espaço de saída). Neste aspecto, o mapeamento realizado pelo SOM é semelhante ao
Multidimensional Scaling (MDS)(Sammon 1969), embora com algumas vantagens sobre este método
(Kohonen 2001).
5
Para visualizar o resultado do mapeamento efectuado por um SOM podem-se usar Matrizes-U, ou UMAT
(Ultsch and Simeon 1989; Ultsch 2005), e planos de componentes (Kohonen 2001). Nas UMAT
representa-se através de um código de cores, as distâncias entre unidades vizinhas no SOM. As zonas do
SOM onde as unidades estão próximas entre si correspondem a zonas do espaço de entrada onde há
grande concentração de dados, logo a grupos ou clusters. Zonas do SOM onde as unidades estão afastadas
entre si correspondem a zonas do espaço de entrada onde há poucos ou nenhuns dados, correspondendo a
dados anómalos ou que ocorrem raramente.
Ao treinar um SOM com os dados descritos anteriormente obtemos a UMAT apresentada na ????. Nessa
figura identificam-se claramente quatro zonas de operação bem distintas, representadas por zonas azuis
separadas por zonas vermelhas. Isto significa que o motor em causa tem quatro grandes estados de
funcionamento bem distintos. Em cada instante o estado do motor, definido através dos valores dos
diversos sensores, é mapeado para um ponto no SOM. Podemos antever mudanças no estado de um motor
analisando a evolução do seu mapeamento no SOM (ver Figura 4).
t=23
t=28
Figura 4 – UMAT obtido a partir do SOM trienado com os dados de operação de um motor Diesel.
À esquerda apresenta-se a UMAT simples, e à direita sobrepõe-se a identificação dos clusters
(elipses) e da evolução no estado ao longo do tempo (setas)
6. Sistemas de equações estruturais
Ao definir uma política CBM assume-se que é possível conhecer/estimar/identificar/diagnosticar ou de
algum modo aceder ao verdadeiro estado de uma máquina ou sistema e que, na posse dessa informação, é
possível decidir ou prescrever qual é a manutenção adequada a esse estado.
Por exemplo, medindo o nível de vibrações em direcções ortogonais, em certos pontos escolhidos de um
sistema mecânico, é possível inferir o grau de desiquilíbrio do motor de uma máquina rotativa e decidir
que esse grau de desequilíbrio justifica – ou não –a desmontagem da máquina. Tal como sucede em
medicina, no caso das máquinas, os meios auxiliares de diagnóstico permitem, nalguns casos, observar
directamente o estado de certos órgãos. Noutros casos, esse estado é obtido por estimação, sendo
necessário usar toda a informação disponível para realizar um diagnóstico.
O fundamento da CBM é o de que o verdadeiro estado das máquinas – mesmo que não observável
directamente – manifesta-se exteriormente através de indicadores observáveis. No caso dos sistemas
mecânicos, por exemplo, o estado de um motor Diesel pode manifestar-se pelos níveis de vibração, pH da
água de circulação, nível de partículas em suspensão nos óleos e sua natureza.
Em síntese: muitas vezes o verdadeiro estado de uma máquina ou sistema não é observável directamente,
pelo que pode ser representado por uma variável latente apropriada (qualitativa, quantitativa, escalas ou
vectorial) cujas manifestações exteriores podem ser observadas.
Uma técnica de modelação naturalmente indicada para situações deste tipo é o filtro de Kalman, como se
confirma pelo uso recente desta metodologia no domínio da modelação e estimação em CBM (Barata,
Guedes Soares et al. 2002; Young 2003; Pedregal and Carneiro 2006).
Esta mesma situação é passível de modelação usando o conceito de variável latente e de equação
estrutural (Bollen 1989).
6
Com efeito, seja ∑ o estado inacessível de uma máquina, que se manifesta exteriormente através de
variáveis observáveis X1 … Xp.(lado esquerdo da Figura 5). Pode também suceder que o estado da
máquina (não observável) resulte dos efeitos externos (formativos) observáveis (lado direito da Figura 5).
X1
X2
…
Xp
Z1
∑
a)
Z2
…
Zk
∑
b)
Figura 5 - O estado da máquina ∑ manifesta-se exteriormente através das variáveis indicadoras X1 … X3
ou é determinado pelas variáveis Z1 … Zk.
Quando o espaço de estados tem uma estrutura expressável pelas relações de um certo conjunto de
variáveis latentes, é possível definir e estimar modelos estruturais cuja aplicação potencial aos dados
gerados por sensores das instalações modernas se antecipa.
7. Conclusões
Pode dizer-se, em síntese, que o projecto MECPAB configura um projecto de investigação aplicada na
área das técnicas de análise de dados multivariados que busca identificar, definir e testar metodologias
estatísticas nas quais baser, avaliar, e monitorizar políticas de CBM.
Referências
Barata, J., C. Guedes Soares, et al. (2002). "Simulation Modelling of repairable Multicomponent
Deteriorating Systems for "on condition" Maintenance Optimization." Reliability and System
Safety 76: 225-264.
Bollen, K. A. (1989). Structural Equations with Latent Variables. New York, John Wiley & Sons.
Gabriel, K. R. (1971). "The Biplot Graphic Metrics with Application to Principal Component Analysis."
Biometrika 58: 453-467.
Jardine, K. S. A., D. Lin, et al. (2006). "A review on Machimery diagnostics and prognostics
implementing condition-based maintenance." Mechanical Systems and Signal Processing 20:
1483-1510.
Kohonen, T. (1982). Clustering, Taxonomy, and Topological Maps of Patterns. Proceedings of the 6th
International Conference on Pattern Recognition.
Kohonen, T. (1995). Self-Organizing Maps. Berlin-Heidelberg, Springer.
Kohonen, T. (2001). Self-Organizing Maps. Berlin-Heidelberg, Springer.
Lourenço, F. (2005). Análise exploratória de dados geo-espaciais usando mapas auto-organizáveis.
Instituto Superior de Estatística e Gestão de Informação. Lisbon, Universidade Nova de Lisboa.
Marinha (1984). ILMANT512.
Pedregal, D. J. and M. C. Carneiro (2006). "Space State Models for Condition Monitoring: A case study."
Reliability and System Safety 91: 171-180.
Raheja, D., J. Llinas, et al. (2006). "Data fusion/data mining-based architecture
for condition-based maintenance." International Journal of Production Research 44(14): 2869–2887.
Sammon, J. W., Jr (1969). "A Nonlinear Mapping for Data Structure Analysis." IEEE Transactions on
Computers C-18(5).
Ultsch, A. (2005). Clustering with SOM: U*C. WSOM 2005, Paris.
Ultsch, A. and H. P. Simeon (1989). Exploratory Data Analysis Using Kohonen Networks on
Transputers, Department of Computer Science, University of Dormund, FRG.
Vairinhos, V. M. (2004). BiplotsPMD- data Mining Cebtrada em Biplots. Apresentação de Um Protótipo.
JOCLAD'2004 - XI Jornadas de Classificação e análise de Dados, Lisbon.
Young, S. K. (2003). "Condition Based Failiure Prediction and Processing - Scheme for Preventive
Maintenance." IEEE Transactions on Reliability 52(3).
7
8