Resumo

A biomassa é uma fonte de energia renovável, que é muitas vezes usada para produzir energia elétrica em cogeração. Neste trabalho utilizam-se técnicas de aprendizagem computacionais para deteção de falhas de um gerador elétrico de biomassa.  As técnicas utilizadas incluem Análise de Componentes Principais, para reduzir a dimensionalidade do conjunto de dados, seguido do DBSCAN para agrupamento de amostras e deteção dos estados de funcionamento. Foi possível verificar como as variáveis relativas ao gerador se correlacionam, criar algoritmos para deteção dos estados de funcionamento do gerador e identificar possíveis estados de falha.

1. Introdução

Tal como outros equipamentos industriais, os geradores elétricos ocasionalmente sofrem falhas inesperadas que podem resultar na degradação do desempenho geral do sistema, afetar a produção de várias maneiras ou mesmo colocar em risco pessoas e bens. Para mitigar esses problemas, a manutenção é uma parte indispensável de quase todos os processos de produção na indústria. O objetivo deste trabalho é aplicar métodos de aprendizagem computacional, nomeadamente Análise de Componentes Principais (PCA) e DBSCAN, para estudar o comportamento de um gerador de biomassa e detetar algumas possíveis ocorrências de falhas. Para a distinção entre estados de funcionamento normal e de falha serão utlizados métodos de análise de dados.  A condição de operação do gerador é dada por um conjunto de dados que contém múltiplas variáveis relacionadas com a temperatura, velocidade, pressão, entre outras. Este artigo descreve a aplicação de alguns métodos de agrupamento de dados, usando PCA, seguido da aplicação do algoritmo de agrupamento DBSCAN.

2. Estado da arte

O uso da técnica PCA para redução da dimensionalidade e eventual ruído, seguido de agrupamento com o algoritmo DBSCAN, é cada vez mais comum na literatura. Por exemplo, Mustakin et al. [1] apresentam um estudo comparativo sobre a aplicação do algoritmo DBSCAN e PCA-DBSCAN para agrupar áreas de terramoto. O agrupamento neste estudo foi conduzido com duas experiências, a primeira em que se usa apenas o DBSCAN, sem redução dimensional, e a segunda em que o agrupamento com DBSCAN é feito a partir das componentes principais PCA.

O maior Índice de Silhueta, que indica a qualidade do agrupamento, foi obtido usando DBSCAN e PCA. Savvas [2] apresenta um estudo sobre a aplicação de PCA e DBSCAN para maximizar a

qualidade e o desempenho na deteção de anomalias. Reduzindo a dimensionalidade dos pontos de dados, a qualidade também diminui, mas a qualidade produzida pela aplicação de PCA aos conjuntos de dados correspondentes até à dimensão 4 é maior que 80%, o que na maioria dos casos é aceite e, por vezes corresponde até a dados com menos ruído. Os resultados obtidos com a aplicação de DBSCAN aos pontos de dados PCA foram muito promissores, pois o DBSCAN produz grupos (clusters) de alta qualidade, mesmo quando a dimensão é reduzida para 3.

Ni & Jinhang [3] propõem também um algoritmo de agrupamento baseada na decomposição PCA. Uma simulação de classificação para o popular conjunto de dados de íris das plantas (Iris Flower dataset, proposto em 1936 por Ronald Fisher) foi realizada usando o algoritmo DBSCAN para agrupar o conjunto de dados. Comparando os resultados da classificação com os resultados reais, a precisão obtida é de até 80%.  A taxa de contribuição de variância cumulativa das Componentes 1 e 2 do PCA é de até 91,541%. A adição do Componente 3 levou a 98,789% de variância. Um novo conjunto de dados foi construído pelas componentes principais C1 e C2 e agrupado pelo DBSCAN, que levou a uma precisão de até 70%.

Bajwa et al. [4] aplicam PCA e DBSCAN na distribuição de energia elétrica para deteção de pulsos de descarga parcial. A deteção e extração de pulsos de descarga parcial é fundamental para evitar roturas completas do isolamento de condutores em equipamentos elétricos. A pesquisa é focada em avaliar a capacidade da distribuição de energia wavelet para extração de pulso com a ajuda de PCA e DBSCAN. O PCA foi usado para reduzir a dimensão da distribuição de energia, para permitir a visualização num espaço 3D. O PCA e DBSCAN provaram ser métodos muito eficazes quando se trata de extrair pulsos de descarga parcial, bem como facilitar a visualização de datasets maiores em espaços de menores dimensões.

3. Trabalho realizado

3.1. Conjunto de dados

Os dados usados são de um gerador elétrico instalado numa unidade industrial em cogeração. O gerador é alimentado com biomassa sobrante do processo industrial e produz energia elétrica para a própria unidade industrial, sendo o excedente fornecido também à rede elétrica.

O conjunto de dados consiste em 17 569 amostras, de 35 variáveis, de diferentes tipos de sensores relacionados com a temperatura, pressão, potência, corrente, frequência ou vibração. As 17 569 amostras fornecidas foram recolhidas entre 2024-08-03 e 2024-10-03. O período de amostragem de 5 minutos. A Tabela 1 descreve algumas das variáveis do conjunto de dados.

André Luis¹, José Torres Farinha^1,2, Mateus Mendes^1,2,3
1 Universidade Politécnica de Coimbra, Instituto de Engenharia de Coimbra, Portugal.
² RCM2+ Research Centre for Asset Management and Systems Engineering, Coimbra, Portugal.
³ Instituto de Sistemas e Robótica, Departamento de Engenharia Elétrica e Informática, Universidade de Coimbra, Portugal.

Para ler o artigo completo faça a subscrição da revista e obtenha gratuitamente o link de download da revista “Manutenção” nº168/169. Pode também solicitar apenas este artigo através do email: a.pereira@cie-comunicacao.pt

Outros artigos relacionados

• Case study “Avalie o risco de falha em máquinas rotativas” da edição 168/169 da revista Manutenção;
• Artigo “Previsão de falhas de transformador de potência utilizando técnicas de aprendizagem computacional” da edição 163 da revista Manutenção;