Dados reais de rolamentos: teste de bancada de final de vida da NASA/IMS

Conforme mencionado, o objetivo do presente trabalho é a validação qualitativa da metodologia proposta em dados reais. Antes de avaliar a performance da ferramenta em dados de turbinas eólicas, que são muito complexos pelas razões explicitadas anteriormente, serão utilizados dados de rolamentos provenientes de testes de bancada.

A Tabela 14 apresenta um sumário dos principais parâmetros utilizados de acordo com a metodologia proposta na Seção 4.

Tabela 14 – Sumário dos parâmetros da simulação dos dados reais de rolamento do teste de final de vida da NASA/IMS. Parâmetro Valor Frequência de amostragem 𝑓_𝑠 = 20.000 𝐻𝑧 Dimensão BP 𝐷 = 5 Número de níveis WPT 𝑁𝑙 = 4 Número de IMFs 𝑁𝑖𝑚𝑓 = 10 Coeficiente de Rényi 𝛼 = 0,5 Pesos JRD 𝜔₁ = 𝜔₂ = 0,5

Limite do Z-score modificado 3,5

Fonte: O próprio autor.

Foram elencados para aplicação da ferramenta os bancos de dados dos rolamentos que apresentaram defeitos a fim de se verificar a potencialidade da ferramenta na identificação dessas falhas, são eles: o rolamento 3 do banco de dados 1 (falha na pista interna), o rolamento 4 do banco de dados 1 (falha nos elementos rolantes) e o rolamento 1 do banco de dados 2 (falha na pista externa). Cabe aqui ressaltar, que esse banco de dados é um teste bastante completo para a ferramenta dado que representam três falhas em componentes distintos dos rolamentos e estas também possuem uma dinâmica bastante diferente do ponto de vista de estrutura da série temporal. Por exemplo, as falhas na pista interna e nos elementos rolantes apresentam modulação da amplitude, enquanto as falhas na pista externa, por serem estáticas, não apresentam esse comportamento. Esses fatos tornam a análise ainda mais desafiadora.

A Figura 56, Figura 57 e Figura 58 apresentam o valor do Z-score modificado como função da vida útil do rolamento, dado que o teste representa uma avaliação do desempenho do rolamento ao longo todo de toda a sua vida. Assim, 0% corresponde ao início do teste, onde todos os

rolamentos apresentam condição de novo e 100% correspondem ao final do teste quando ocorre uma falha completa em algum rolamento. Nas figuras, os valores do Z-score modificado obtidos a partir da PMF.PS são apresentados em preto, da PMF.BP em azul, da PMF.WE em vermelho e da PMF.EEMD em cinza.

A Figura 56 apresenta os valores do Z-score modificado para o caso do rolamento 3 do banco de dados 1, que apresentou um defeito na pista interna. Pode ser verificado na figura que por volta de 80% da vida do rolamento ocorreu uma mudança significativa, indicando uma mudança das condições do componente monitorado em função da falha na pista interna. Um aumento bastante considerável também pode ser observado no final do experimento o que claramente indica o nível de dano do componente que evoluiu até a completa quebra do rolamento e impôs o final do teste. Na Figura 56 pode ser verificado que as técnicas baseadas na PMF.BP e PMF.WPT foram mais sensitivas com relação à detecção da falha na pista interna, apontando uma mudança no sinal com antecipação, o que, na prática, forneceria tempo suficiente para a equipe de manutenção para planejar e executar as ações de manutenção necessárias.

Resultados semelhantes podem ser verificados na Figura 57 que representa a série temporal quando da falha nos elementos rolantes. Analisando-se a figura, a identificação da falha é possível por volta do valor de 70% de vida do rolamento. É possível se verificar também que após a ocorrência da falha ocorreu uma acomodação dos valores do Z-score, com uma elevação definitiva somente no final do teste quando ocorreu a completa falha do componente. Com auxílio da Figura 60 pode-se confirmar que as técnicas baseadas na PMF.PS, PMF.WE e PMF.BP foram mais sensíveis quanto a identificação de uma falha nos elementos rolantes.

Quando da ocorrência de uma falha na pista externa (Figura 58) a metodologia proposta neste trabalho também foi capaz de detectar as mudanças através da análise do sinal de vibração. No caso de defeitos na pista externa, não ocorre o fenômeno de modulação e devido a esse fato, pode ser verificada uma menor variância na série do Z-score. Na figura pode ser verificado que os valores do Z-score modificado começam a crescer após 60% da vida do rolamento, ultrapassando o limite do Z-score modificado em cerca de 72%, com alguma acomodação posteriormente em cerca de 80%, outro aumento e acomodação entre 82% e 95% e um aumento final por volta de 95% da vida. Nesse caso, as técnicas baseadas na PMF.PS, PMF.WPT e PMF.EEMD foram as que melhor capturaram as mudanças na dinâmica das séries temporais devido à presença de falha na pista externa. Nesse caso específico, a PMF.BP não respondeu adequadamente.

Figura 56 – Valores de Z-score modificado para as medidas de entropia e divergência para o rolamento 3 do banco de dados 1.

Figura 57 – Valores de Z score modificado para as medidas de entropia e divergência para o rolamento 4 do banco de dados 1.

Figura 58 – Valores de Z score modificado para as medidas de entropia e divergência para o rolamento 1 do banco de dados 2.

Nos casos de defeitos na pista interna e nos elementos rolantes, ocorre o fenômeno da modulação de amplitude no sinal de vibração, devido a existência da zona de carga no rolamento. Esta é, provavelmente, a razão para uma maior variância do valor do Z-score modificado para esses casos, quando comparados com a série de Z-score modificado para o caso de defeito na pista externa, onde não ocorre o efeito de modulação.

A fim de avaliar se as técnicas ora propostas são capazes de indicar um status de falha para um dado defeito em um componente do rolamento (pista interna, pista externa ou elemento rolante), de acordo com as informações do momento da detecção da falha da Figura 56, Figura 57 e Figura 58, os dados de cada banco de dados foram classificados em dois status “com falha” (fault) e “sem falha” (no fault). A técnica do diagrama de caixa11 (boxplot) foi utilizado a fim de ilustrar a distinção entre os estados com e sem falha.

Na Figura 59, Figura 60 e Figura 61 as medidas com a indicação “S”, “R”, “D”, representam a entropia de Shannon, entropia de Rényi e divergência de Jensen-Rényi, respectivamente.

Na Figura 59 é apresentado o boxplot dos status “com falha” e “sem falha” para os 12 quantificadores estudados no presente trabalho, para o rolamento 3 do banco de dados 1 que apresentou falha na pista interna. Conforme avaliado anteriormente, as técnicas baseadas na PMF.BP foram as que melhor diferenciaram os estados de falha para o caso da falha na pista interna.

Para o caso de falha nos elementos rolantes, a Figura 60 mostra que as técnicas as quais utilizaram a PMF.PS, PMF.BP e PMF.WPT puderam diferenciar um estado de falha de um estado saudável.

Para o caso de falha na pista externa, a Figura 61 mostra que é possível se verificar que todas os quantificadores de entropia e divergência foram capazes de diferenciar um estado “com falha” de um estado “sem falha”. Isto ocorre, muito provavelmente, devido a não ocorrência da modulação da amplitude.

Figura 59 – Boxplot da entropia (PMF.PS_S, PMF.BP_S, PMF.WPT_S, PMF.EEMD_S, PMF.PS_R, PMF.BP_R, PMF.WPT_R, PMF.EEMD_R) e divergência (PMF.PS_D, PMF.BP_D, PMF.WPT_D, PMF.EEMD_D) para os estados “com falha”(dados acima de 70% da vida) e “sem falha” (dados abaixo de 70% da vida) para o rolamento 3 do banco de dados 1 que apresentou falha na pista interna.

Fonte: O próprio autor.

Figura 60 – Boxplot da entropia (PMF.PS_S, PMF.BP_S, PMF.WPT_S, PMF.EEMD_S, PMF.PS_R, PMF.BP_R, PMF.WPT_R, PMF.EEMD_R) e divergência (PMF.PS_D, PMF.BP_D, PMF.WPT_D, PMF.EEMD_D) para os estados “com falha”(dados acima de 70% da vida) e “sem falha” (dados abaixo de 79% da vida) para o rolamento 4 do banco de dados 1 que apresentou falha nos elementos rolantes.

Figura 61 – Boxplot da entropia (PMF.PS_S, PMF.BP_S, PMF.WPT_S, PMF.EEMD_S, PMF.PS_R, PMF.BP_R, PMF.WPT_R, PMF.EEMD_R) e divergência (PMF.PS_D, PMF.BP_D, PMF.WPT_D, PMF.EEMD_D) para os estados “com falha”(dados acima de 72% da vida) e “sem falha” (dados abaixo de 72% da vida) para o rolamento 1do banco de dados 2 que apresentou falha na pista externa.

Fonte: O próprio autor.

A Figura 62, Figura 63 e Figura 64 apresentam o plano entropia de Shannon-Complexidade para o rolamento 3, rolamento 4 do banco de dados 1 e rolamento 1 do banco de dados 2. Nas figuras para uma melhor representação do plano, o código de cores representa a evolução ao longo do tempo. Portanto, os dados com coloração mais clara representam os dados mais próximos do final do teste, enquanto que os dados com coloração mais escuras representam os dados do início do teste. O conjunto de dados também foi separado em com falha e sem falha, conforme procedimento apresentado anteriormente. Os dados com falha são apresentados com um círculo e os dados sem falha são apresentados com um triângulo.

Para os casos de ocorrência de falhas na pista interna e nos elementos rolantes, rolamentos 3 e 4, Figura 62 e Figura 63, respectivamente, não se observa uma dispersão dos pontos no plano, nem uma separação clara dos estados. Pode-se observar que existe uma tendência de ter triângulos escuros mais à direita e círculos claros mais à esquerda, o que representam uma deterioração da falha com o tempo. A Figura 64 apresenta os resultados para o caso do rolamento que apresentou um defeito na pista externa, que não apresenta o fenômeno da modulação. Pode-se observar que houve uma maior dispersão e separação dos pontos nesse

caso onde os pontos apresentaram a trajetória parabólica esperada a medida que há a deterioração do estado do componente.

O mesmo procedimento é repetido para o plano entropia de Rényi-Complexidade na Figura 65, Figura 66 e Figura 67. Esperava-se encontrar uma maior separação entre os estados de falhas devido à maior sensitividade do parâmetro alfa da entropia de Rényi, porém esse comportamento não foi encontrado.

Na Figura 68 é apresentado o plano entropia de Shannon-Informação de Fisher para os rolamentos 3 e 4 do banco de dados 1 e rolamento 1 do banco de dados 2. Nesse plano é possível se verificar, mais uma vez a presença de triângulos escuros à direita e círculos claros à esquerda o que corrobora com a premissa que que com a evolução da falha, a maior periodicidade presente no sinal em função do defeito provoca uma diminuição da entropia, o que faz com que os pontos se dirijam à esquerda com o avanço da degradação do componente.

Para uma melhor avaliação das Figuras 62-68, um zoom das mesmas é apresentado no Anexo C.

Figura 62 – Plano entropia de Shannon-complexidade para o rolamento 3 do banco de dados 1.

Figura 63 – Plano entropia de Shannon-complexidade para o rolamento 4 do banco de dados 1.

Figura 64 – Plano entropia de Shannon-complexidade para o rolamento 1 do banco de dados 2.

Figura 65 – Plano entropia de Rényi-complexidade para o rolamento 3 do banco de dados 1.

Figura 66 – Plano entropia de Rényi-complexidade para o rolamento 4 do banco de dados 1.

Figura 67 – Plano entropia de Rényi-complexidade para o rolamento 1 do banco de dados 2.

Figura 68 – Plano entropia Shannon-informação de Fisher para o rolamento 3 (a) e 4 (b) do banco de dados 1 e rolamento 1 (c) do banco de dados 2.

5.4 Dados reais de turbinas eólicas

Esta seção visa a análise dos dados reais de turbinas eólicas conforme apresentado na Seção 3.4. A Tabela 15 apresenta um sumário dos principais parâmetros utilizados como input no modelo de acordo com a metodologia proposta na Seção 4.

Tabela 15 – Sumário dos parâmetros da simulação dos dados reais de turbinas eólicas.

Parâmetro Valor Frequência de amostragem 𝑓_𝑠 = 40.000 𝐻𝑧 Dimensão BP 𝐷 = 5 Número de níveis WPT 𝑁𝑙 = 4 Número de IMFs 𝑁𝑖𝑚𝑓 = 10 Coeficiente de Rényi 𝛼 = 0,5 Pesos JRD 𝜔₁ = 𝜔₂ = 0,5

Fonte: O próprio autor.

Como nesse capítulo foi gerado um grande volume de resultados em função do número de sensores, antes de serem analisados detalhadamente os resultados de cada análise e de cada sensor, cabe uma análise mais geral a fim de se destacarem os resultados mais relevantes. A fim de se obter a Figura 69 e a Figura 70 foi realizado uma análise semelhante à Figura 59, Figura 60 e Figura 61. Dessa forma, para cada sensor, e para cada tipo de extração de PMF, PMF.PS, PMF.BP, PMF.WPT e PMF.EEMD, foi verificado se cada tipo de quantificador conseguia diferenciar o estado de falha do estado sem falha e isso será identificado através do índice de separação dos estados. A Figura 69 apresenta esse índice de separação em função dos quantificadores, enquanto a Figura 70 apresenta o índice de separação em função da localização de cada sensor. Com relação aos quantificadores (Figura 69) fica evidente as limitações da PMF.PS e também a eficiência do método BP e WPT. Para a PMF.WPT a entropia de Shannon apresentou alguma limitação o que de certa forma era um comportamento esperado, pois esta medida reflete com maior intensidade variações dos valores mais prováveis da PMF e não as anomalias. Com relação à localização do sensor e sua respectiva capacidade de distinguir os estados com falha, fica evidente que o Sensor 2, acelerômetro montado no anel do planetário na posição 12:00, teve um desempenho inferior aos outros pontos da caixa de engrenagem utilizados no estudo, provavelmente devido a sua posição no componente.

Figura 69 – Índice de separação de estados em função dos quantificadores.

Fonte: O próprio autor.

Figura 70 – Índice de separação de estados em função da localização dos sensores.

Fonte: O próprio autor.

As figuras a seguir apresentam os resultados da aplicação da metodologia do presente estudo nos dados de uma caixa de engrenagens da turbina eólica do NREL. Como pode ser visto na Figura 69 e Figura 70 e detalhado nas figuras a seguir, independentemente da técnica

empregada, obteve-se uma boa resposta na distinção entre os estados de falha, ficando evidente que nenhuma técnica se sobressaiu perante as outras quando da análise dos dados de vibração da caixa de engrenagem de uma turbina eólica operacional. Esses fatos mostram a potencialidade e, ao mesmo tempo, a necessidade da utilização de técnicas em domínios diferentes a fim aumentar a potencialidade de detecção de falhas a partir da metodologia proposta.

Figura 71 – Boxplot da entropia de Shannon (PMF.PS_S) dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Fonte: O próprio autor.

Figura 72 – Boxplot da divergência de Shannon (JSD) para a PMF.PS dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Figura 73 – Boxplot da entropia de Rényi (PMF.PS_R) dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Fonte: O próprio autor.

Figura 74 – Boxplot da divergência de Rényi (JRD) para a PMF.PS dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Figura 75 – Boxplot da entropia de Shannon (PMF.BP_S) dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Fonte: O próprio autor.

Figura 76 – Boxplot da divergência de Shannon (JSD) para a PMF.BP dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Figura 77 – Boxplot da entropia de Rényi (PMF.BP_R) dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Fonte: O próprio autor.

Figura 78 – Boxplot da divergência de Rényi (JRD) para a PMF.BP dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Figura 79 – Boxplot da entropia de Shannon (PMF.WPT_S) dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Fonte: O próprio autor.

Figura 80 – Boxplot da divergência de Shannon (JSD) para a PMF.WPT dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Figura 81 – Boxplot da entropia de Rényi (PMF.WPT_R) dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Fonte: O próprio autor.

Figura 82 – Boxplot da divergência de Rényi (JRD) para a PMF.WPT dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Figura 83 – Boxplot da entropia de Shannon (PMF.EEMD_S) dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Fonte: O próprio autor.

Figura 84 – Boxplot da divergência de Shannon (JSD) para a PMF.EEMD dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Figura 85 – Boxplot da entropia de Rényi (PMF.EEMD_R) dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Fonte: O próprio autor.

Figura 86 – Boxplot da divergência de Rényi (JRD) para a PMF.EEMD dos estados com falha e sem falha da caixa de engrenagens da turbina eólica.

Após uma análise das figuras anteriores, com o objetivo de avaliar os sensores que apresentaram a maior eficácia na distinção entre os estados de falha, foram escolhidos os sensores 1, 5 e 7, respectivamente localizados no anel do planetário na posição 06:00, no eixo de velocidade alta na posição radial e no rolamento do eixo de velocidade alta do lado do gerador. Esses sensores serão utilizados para avaliação dos planos entropia-complexidade e entropia-informação de Fisher.

Na análise da metodologia nos planos entropia-complexidade e entropia-informação de Fisher, os dados para cada sensor foram separados em dois conjuntos, com falha e sem falha com o intuito de verificar o desempenho da metodologia em separar esses estados na prática. Como pode ser observado nas figuras a seguir (Figuras 87-95) há uma clara separação entre os estados.

Figura 87 – Plano entropia Shannon-Complexidade para a PMF.PS.

Figura 88 – Plano entropia Rényi-Complexidade para a PMF.PS.

Fonte: O próprio autor.

Figura 89 – Plano entropia Shannon-Complexidade para a PMF.BP.

Figura 90 – Plano entropia Rényi-Complexidade para a PMF.BP.

Fonte: O próprio autor.

Figura 91 – Plano entropia Shannon-Complexidade para a PMF.WPT.

Figura 92 – Plano entropia Rényi-Complexidade para a PMF.WPT.

Fonte: O próprio autor.

Figura 93 – Plano entropia Shannon-Complexidade para a PMF.EEMD.

Figura 94 – Plano entropia Rényi-Complexidade para a PMF.EEMD.

Fonte: O próprio autor.

Figura 95 – Plano entropia Shannon-Informação de Fisher para a PMF.BP.

Fonte: O próprio autor.