Sistemas de diagnóstico de falhas em turbinas a gás são aplicados amplamente nas instalações industriais. A despeito do custo, os benefícios de sua aplicação são relacionados com a
prevenção de falhas catastróficas e redução de tempo de máquina parada, resultando no aumento de disponibilidade e diminuição de riscos operacionais.
Desde a introdução das técnicas de análise do caminho do gás, foram desenvolvidos vários métodos na tentativa de superar os problemas destas técnicas. O comportamento não linear dos parâmetros de desempenho da turbina, que é um dos problemas da utilização de GPA linear, pode ser mais bem representado através do método de diagnóstico GPA não linear. Técnicas baseada na teoria da probabilidade também demonstraram potencial para esta aplicação. Além disso, métodos de inteligência artificial, tais como sistemas especialistas, lógica difusa, algoritmo genético e redes neurais artificiais foram aplicados nos sistemas de diagnóstico de falhas com resultados satisfatórios.
As redes neurais artificiais apresentam um grande potencial para sistemas de monitoramento de condições de saúde de turbinas a gás, dado que podem facilmente tratar problemas não lineares, ruído de medição ou falta de informação, e também, uma vez treinada, é rápida o suficiente para realização de análises em tempo real. Por outro lado, os pontos fracos das RNA são a falta de metodologia para definir a estrutura ótima para tratar um problema específico, a pouca definição de critérios de validação, a falta de metodologia para selecionar o melhor método e o tamanho das amostras de treinamento e o tempo de treinamento relativamente longo (OGAJI & SINGH, 2003).
As redes neurais artificiais foram aplicadas nos sistemas de diagnóstico de falhas através de diversos métodos, que incluem a predição de medição de desempenho, a estimativa de degradação de componentes e sistemas hierárquicos de diagnóstico. A qualidade dos resultados depende fortemente do tamanho do conjunto das amostras de treinamento, da qualidade das medições e do tipo de RNA. A aplicação de redes neurais probabilísticas como classificação de padrão implica em excelentes resultados, enquanto as redes neurais multicamada feed-forward, treinadas por algoritmo de retroalimentação, são adequadas para realização de tarefas de aproximação de funções.
Portanto, os trabalhos sobre diagnóstico de falhas encontrados na literatura discutem os modelos de turbina a gás e os vários métodos de diagnóstico, incluindo os métodos baseados em RNA. No entanto, a literatura não apresenta um estudo compreensivo sobre o tratamento de ruídos de medição para aumentar a qualidade dos resultados do diagnóstico, ou seja, não foram encontrados estudos comparativos de filtros de sinais de sensores de medição visando
melhoria dos resultados de sistemas de diagnósticos. Além disso, considerando os métodos baseados em RNA, a literatura não endereça técnicas para gerar amostras de ruído de medição com o propósito de treinamento e validação de RNA. Finalmente, os trabalhos supracitados não apresentam resultados da aplicação dos médotos de diagnóstico em uma campanha operacional completa de uma turbina a gás, assegurando a estabilidade do método, ou seja, se a intensidade da degradação dos componentes aumenta continuamente entre as paradas de manutenção ou entre as lavagens de compressores.
3 METODOLOGIA DO SISTEMA HIERÁRQUICO DE
DIAGNÓSTICO
3.1 Introdução
Este capítulo apresenta a metodologia desenvolvida nesta Tese para realizar análise de diagnóstico de falha de uma turbina a gás industrial de eixo simples, que incluí um compressor e uma turbina.
A metodologia compreende a simulação do modelo da turbina, a definição da arquitetura das redes neurais artificias que compõem o sistema hierárquico de diagnóstico, o método de criação e validação de cada rede neural individual e o estabelecimento da sequência do processo de diagnóstico de falhas. Primeiramente, o software PYTHIA 2.8 foi utilizado para realizar as simulações do modelo da turbina no ponto de referência operacional, considerando o equipamento saudável e degradado. Dada a importância do modelo da turbina a gás, este assunto será abordado separadamente no Capítulo 4. Em seguida, foi estabelecida uma arquitetura adequada para sistema hierárquico de diagnóstico para realização de detecção, isolamento e quantificação de falhas nos componentes da turbina. Então, redes neurais artificiais, com diferentes arquiteturas internas, foram criadas para representar cada função deste sistema de RNA e quatro processos de validação foram desenvolvidos para avaliar a qualidade dos resultados. Finalmente, um fluxograma do algoritmo de programação computacional foi desenvolvido para permitir a implementação da técnica em linguagem MATLAB.
A metodologia proposta utiliza elementos e técnicas encontradas na literatura e descritas no capítulo anterior, com ênfase nas técnicas de diagnóstico de falhas através de sistemas hierárquicos de diagnóstico desenvolvidas por Ogaji e Singh (2003). Entretanto, tais técnicas não apresentam bons resultados quando aplicadas na análise de dados reais das turbinas a gás devido à presença de ruídos e erros de tendência nos sinais dos sensores de medição. De forma a superar este problema, a metodologia proposta nesta Tese compara os resultados de dois métodos de tratamento de sinais dos sensores de medição, a saber: (1) aplicação de filtro sinal previamente à análise pelo sistema hierárquico de diagnóstico, composto por RNA treinadas e validadas por amostras de parâmetros dependentes sem ruído; e (2) análise direta
do sinal pelo sistema hierárquico de diagnóstico, composto por RNA treinadas e validadas por amostras de parâmetros dependentes com ruído.