Teste de Hipóteses Comparativo — IS versus ISCA

De uma maneira geral, o objetivo deste tipo de técnicas é tomar decisões ou tirar conclusões sobre uma população [39] [40].

No caso presente, tendo um par de transformadorers (TP-A e TP-B), pretende-se fazer o estudo com as seguintes hipóteses:

(1) o TP-A tem um valor de saúde superior ao TP-B, quer segundo o IS quer segundo o ISCA; (2) o TP-A tem um valor de saúde inferior ao TP-B, quer segundo o IS quer segundo o ISCA; (3) o TP-A tem um valor de saúde inferior ao TP-B segundo o IS, enquanto que pelo ISCA se

tem o contrário;

(4) o TP-A tem um valor de saúde superior ao TP-B segundo o IS, enquanto que pelo ISCA se tem o contrário.

A Tabela 5.5 sumariza, de forma simplificada, estas hipóteses e os resultados obtidos em termos de percentagem de ocorrência depois de se ter realizado mais de três mil testes (note-se que “a” representa o TP-A e “b” representa o TP-B).

Tabela 5.5: Resultados do teste de hipóteses efetuado.

IS Teste de Hipóteses a > b a < b a > b (1) 40,9% (3) 10,2% ISCA a < b (4) 10,1% (2) 38,6%

66 Aplicação, Validação e Resultados

Assim, pode concluir-se que quando estamos perante um par de TP, em cerca de 80% dos casos (a sombreado), os indicadores IS e ISCA estão de acordo em considerar que um deles tem melhor avaliação do que o outro, no que respeita à sua condição/saúde.

Para os restantes cerca de 20%, estes indicadores não coincidem na avaliação feita.

Na Figura5.26mostram-se os resultados obtidos, espelhando igualmente a informação contida na Tabela5.5.

Figura 5.26: Ilustração dos resultados do teste de hipóteses.

5.4

Síntese do Capítulo

No presente capítulo, foram apresentados os principais resultados obtidos com a metodologia desenvolvida. Além disso, procedeu-se à análise crítica dos mesmos, de acordo com as medidas estatísticas e de correlação presentes.

Capítulo 6

Conclusões e Trabalhos Futuros

Este capítulo final sintetiza as conclusões que resultaram da elaboração deste trabalho. Além disso, sugerem-se possíveis trabalhos futuros e abordagens a desenvolver e implementar no âmbito de dissertações ou projetos relacionados com o tema.

6.1

Satisfação dos Objetivos e Conclusões Gerais

Recorde-se que o principal objetivo proposto para este trabalho prendia-se com a construção de um algoritmo matemático que permitisse obter um indicador de saúde para avaliar a condição de um TP.

Assim, chegados a este ponto, é importante realçar as grandes linhas de comparação e con- fronto entre as metodologias trabalhadas e discutidas no âmbito desta dissertação.

O algoritmo correntemente utilizado pela EDP Distribuição que leva à obtenção de um valor de IS para cada TP recorre a pesos e a ponderações relativas para cada parâmetro integrante do cálculo, assumidas de acordo com o grau de importância considerado a priori para os mesmos.

Por seu turno, — e destaco como grande diferença — o modelo desenvolvido que dá lugar ao indicador ISCA tem por base uma técnica matemática de clustering (o algoritmo FCM) e não implica a atribuição deste tipo de pesos, ou seja, a interpretação e agrupamento dos dados que conduz sucessivamente à obtenção das funções de pertenças e ao cálculo propriamente dito do ISCA é independente de qualquer tipo de consideração de pesos. O que significa que o modelo utilizado classifica o indicador ISCA de forma natural usando apenas valores quantitativos dos diversos parâmetros e não usando indicadores subjetivos como é o caso do IS.

O facto de os dois indicadores darem classificações semelhantes permite concluir que o IS utilizado pela empresa é coerente com a análise quantitativa dos parâmetros, o que de alguma forma sai mais validado com este trabalho. No entanto, não existe uma validação dos indicadores que confirme a relação entre o índice de saúde e a sua probabilidade de avaria.

Uma outra diferença relacionada com o anteriormente descrito é o facto de, no caso do modelo da empresa, o cálculo do IS corresponder à aplicação de uma única expressão matemática (que inclui todos os parâmetros e respetivos pesos/valorizações) cujo resultado é o próprio indicador.

68 Conclusões e Trabalhos Futuros

Já no caso do ISCA recorre-se ao ambiente MatLab para obter as ditas saídas do algoritmo FCM, entre as quais as funções de pertença aos clusters que permitem posteriormente o cálculo do ISCA. No entanto, recorde-se, para avaliar um novo transformador não é necessário fazer uso do MatLab, procedendo-se a uma Estimativa dos Parâmetros Ausentes (EPA).

No que se refere aos resultados práticos obtidos, o comportamento do indicador ISCA não é exatamente igual ao IS — nem poderia ser — uma vez que o processo de obtenção é completa- mente diverso. No entanto, apesar das diferenças registadas e da necessidade de aproximação da realidade matemática ao contexto físico de um TP no terreno, foi possível construir e aplicar a todo o parque de TP da empresa um indicador que consegue proceder a uma avaliação objetiva e a uma ordenação dos ativos, identificando aqueles que se encontram em pior condição e aqueles que seguramente não oferecerão problemas no curto prazo às equipas de manutenção.

Foi também muito interessante notar que os principais parâmetros — aqueles que podem ser considerados mais significativos pelo seu fator de correlação associado com o IS e o ISCA — para o cálculo dos indicadores de saúde, são os mesmos em ambos os casos.

Uma outra conclusão a realçar tem que ver com o teste de hipóteses realizado e que permitiu verificar que na grande maioria dos casos, a avaliação feita pelos indicadores IS e ISCA a um par de TP é coincidente no que diz respeito a selecionar um deles como tendo o melhor estado de saúde.