Correção de Alarmes

Existem algumas maneiras diferentes para corrigir um alarme problemático. Cada uma dessas maneiras corrige um tipo distinto de problema. Alarmes contínuos que surgem porque seu respectivo equipamento está desativado podem ser ajustados por meio de um intertravamento. Quando o sinal referente ao estado do equipamento for desligado, desativa-se o alarme. Assim, por exemplo, alarmes indicando corrente ou velocidade baixa deixarão de existir quando o equipamento estiver parado.

Para alarmes duplicados, a alternativa de resolução é encontrar qual das suas versões apresenta os melhores parâmetros de disparo. Depois, excluem-se os outros alar- mes referentes ao mesmo problema. Já para alarmes mal configurados, deve-se analisar cuidadosamente os pontos de operação do equipamento, principalmente a faixa nominal de operação, para se definir, então, os melhores setpoints de disparo.

Figura 12 – Representação do on-delay e off-delay [6]

Para alarmes que são ativados por ruídos ou pequenas variações na planta, COTRE- RAS [6], em seu trabalho, define duas possíveis soluções, o uso de delay ou de deadband. O delay pode ser de dois tipos: on-delay ou off-delay. No primeiro caso, o alarme precisa permanecer acionado por um período determinado de tempo, antes que ele apareça entre os alarmes ativos do sistema. Já no off-delay, o alarme deve permanecer inativo por um período pré-determinado para que, então, deixe de aparecer na lista de alarmes ativos. Os off-delays, em geral, são preferidos, pois o alarme continua na tela da supervisão até que o problema seja resolvido. Entretanto, quando picos na variável medida são considerados normais na operação do equipamento, o uso de on-delays é uma boa solução para chattering alarmes. A Figura 12ilustra a diferença entre esses dois tipos diferentes de delay. Por fim, deadband ou banda-morta é a faixa de valores definidos próximos do setpoint no qual o

3.2. Mineração de dados e Aprendizado de Máquina 57

Figura 13 – Representação do deadband [6]

3.2

Mineração de dados e Aprendizado de Máquina

Os sistemas supervisórios atuais são capazes de armazenar uma grande quantidade de dados relevantes ao processo. Entretanto, dependem da maneira com a qual são apresentados, para que o usuário possa compreender problemas, melhorar processos ou gerenciar manutenções. Portanto, como proposta desse projeto, pretende-se utilizar os valores de vários sensores presentes na caldeira, em conjunto com o histórico de alarmes, para predizer, por meio de algoritmos de aprendizado de máquina, possíveis falhas no equipamento. A extração de informações úteis, a partir de grandes bases de dados, é chamada de mineração de dados (MD) [25].

Ao contrário de outros métodos, como a construção de modelos fenomenológicos, o uso de tecnologias de reconhecimento de padrão reduz a complexidade da avaliação dos problemas e não necessita de um conhecimento profundo sobre cada equipamento da caldeira, embora, em um passado recente, o uso da computação para resolução de problemas tão complexos quanto o sugerido pelo aprendizado de máquina não fosse possível, pois não havia componentes eletrônicos capazes de fornecer capacidade de processamento suficiente. Hoje, com o avanço da computação, a resolução de tais problemas já é possível, até mesmo com o auxílio de computadores pessoais. Com essa ferramenta, é possível definir um sistema em caixa-preta, onde não é necessário o conhecimento exato de suas particularidades.

Alguns autores buscaram, por meio dos métodos de classificação, prever falhas em equipamentos. BRAUNSTEIN et al. [26] utilizou árvores de regressão e classificação não supervisionada para a predição de alarmes em uma usina hidrelétrica. CORNELLI [25], em seu Projeto Final de Curso, utilizou uma máquina de vetor de suportes para prever alarmes em aerogeradores, na qual construiu um modelo único capaz de classificar os dados das turbinas em cada um dos alarmes propostos. COELHO et al. [27] propõe um sistema iterativo para diagnóstico de falhas no setor elétrico brasileiro com o auxílio de Redes Bayesianas. PALHARES et al. [28] também utilizou Redes Bayesianas para a decisão no processo de manutenção preventiva de transformadores. LISEHROODI, MUDA e

58 Capítulo 3. Fundamentação teórica e ferramentas utilizadas

YASSI [29] utilizaram um framework baseado em Perceptron Multicamada e clusterização K-Médias para detecção de invasores em uma rede de comunicação. Por fim, SHAH, GHAZALI e NAWI [30] também utilizaram redes de Perceptron Multicamada para prever terremotos. Os autores dos trabalhos referenciados demonstram o quão variadas podem ser as aplicações de métodos de aprendizado e classificação na predição de falhas e problemas.

Existem técnicas que descrevem como deve ocorrer a aplicação de um método de mineração de dados: um deles é o Cross-Industry Standart Process of Data-Mining (CRISP-DM). Essa metodologia descreve em seis passos como deve ocorrer o projeto, a

avaliação e a implementação da mineração de dados [31]:

1. Entendimento do Negócio: Define-se o objetivo que se deseja atingir com a MD. É necessário converter o problema de negócio em um problema computacional e traçar um plano de ação para atingir os objetivos definidos anteriormente;

2. Entendimento de dados: Nesse passo, familiariza-se com os dados do problema, verificando-se suas qualidades e quais informações eles podem trazer;

3. Preparação dos dados: Faz-se a filtragem dos dados, a retirada de valores proble- máticos e pode-se reduzir sua dimensionalidade;

4. Modelagem: Nessa fase, os dados são inseridos em um algoritmo para a construção de um modelo composto por variáveis explicativas;

5. Avaliação: Momento em que é avaliado e revisto os passos executados para verificar se o modelo matemático alcança os objetivos definidos;

6. Implantação do modelo: o conhecimento aprendido é organizado, apresentado e aplicado no contexto desejado.

Figura 14 – Regressão e Classificação [7]

Existem diferentes técnicas de aprendizagem de máquina. A aprendizagem supervi- sionada utiliza um conjunto de dados previamente rotulados para criar um modelo ótimo. Esse modelo deve, posteriormente, ser capaz de prever rótulos de dados não previamente

3.2. Mineração de dados e Aprendizado de Máquina 59

classificados. Se o rótulo em questão for um número real, damos a esse procedimento o nome de regressão. Caso o rótulo seja discreto, finito e não ordenado, o processo é chamado de classificação. A diferença entre regressão e classificação pode ser visualizada na Figura 14. No aprendizado não-supervisionado, não há o pré rotulamento dos dados, ou seja, há menos informações sobre eles. É necessário, portanto, detectar as similaridades entre os objetos e agrupá-los apropriadamente. Já a aprendizagem semi-supervisionada combina os dois problemas anteriores: dados rotulados e não-rotulados. Por fim, existe a aprendizagem por reforço que se distingue dos métodos anteriores por não apresentar um conjunto de treinamento. Nesse caso, agentes de softwares são colocados no ambiente estudado e, por meio de recompensa cumulativa, determina-se a melhor maneira de resolver o problema.