Вы находитесь на странице: 1из 5

uma caracterstica do ambiente industrial contemporneo, a acirrada competio, o que

leva as empresas a procurarem minimizar seus custos. Neste cenrio torna-se de extrema
importncia a coleta e o tratamento de dados de manuteno, visando a real necessidade
de reparo dos equipamentos e sistemas da planta.
Atualmente a operao prolongada e eficaz dos sistemas produtivos exigncia vital.
Logo se impe a necessidade de conhecer e controlar quaisquer possveis falhas que
venham a comprometer a misso produtiva. A meta passa a ser o prolongamento da
atividade do sistema a plena carga e de modo contnuo, no tempo necessrio, sem que
seja afetado por defeitos em suas partes integrantes.
A demanda sempre crescente por eficincia, qualidade dos produtos, reduo de custos e
a integrao dos vrios sistemas de controle no setor industrial, aliada aos preos elevados
envolvidos em seus processos e inquestionvel necessidade de segurana, justificam a
importncia da superviso (ou monitorao) e dos sistemas de deteco e diagnstico de
falhas envolvendo tais processos [Isermann 2006]. A maneira clssica de supervisionar
um processo, ou seja, checar se determinadas variveis ultrapassaram seus respectivos
limites, pode ser substituda por sistemas mais elaborados baseados em vrias tcnicas
modernas provenientes das engenharias e da inteligncia computacional [Russell 2003],
por exemplo, com o intuito de manter sempre os sistemas em funcionamento com todos
os seus parmetros sob controle.
A manuteno preditiva apresenta a vantagem de predizer o estado dos componentes,
informando quando o mesmo apresentar falha, dentro de boa margem de certeza. Para
tal, h necessidade de executar aquilo que chamado de diagnstico. Atravs do
mesmo, ficar-se- sabendo qual o estado de determinado ou determinados componentes,
quando os mesmos apresentaro falhas e como programar a sua substituio antes da
ocorrncia da situao crtica que leva ao rompimento e consequente parada do
equipamento (Nepomuceno, 1989).
A capacidade de previso de instantes de falha pode trazer benefcios para uma grande
quantidade de segmentos da indstria. A capacidade de se antecipar ocorrncia de
eventos de falha pode levar a um melhor planejamento de aes de manuteno e
gerenciamento de estoques, levando assim a uma reduo geral nos custos da indstria.
Por conta destes e de outros benefcios, problemas de prognstico de falhas tm recebido
muita ateno na literatura recente (Edwards et al, 2011), (Hu et al, 2011) e (Orchard et
al, 2009).
A construo de um sistema de prognstico de falhas, em geral, inicia-se com a obteno
de um indicador capaz de quantificar o grau de degradao do componente. A partir deste
indicador so realizadas as etapas de deteco de uma falha incipiente e posteriormente a
previso de quando esta falha atingir um nvel capaz de inviabilizar o funcionamento do
componente em questo, condio conhecida como falha funcional.

Falta: Uma falta um desvio no permitido de pelo menos uma caracterstica do sistema
a partir do aceitvel, usual, ou condio padro.
Observaes:
uma falta um estado dentro do sistema;
o desvio no permitido a diferena entre o valor da falta e o limite violado da zona
de tolerncia para seu valor usual.
Falha: Uma falha uma interrupo permanente da habilidade do sistema em executar
uma determinada funo sob certas condies de operao.
Observaes:
uma falha a terminao da habilidade de uma unidade funcional de executar uma
funo requerida;
uma falha resulta de uma ou mais faltas.
Disponibilidade:
Probabilidade de um sistema ou equipamento operar satisfatoriamente e efetivamente
em qualquer perodo de tempo.
Observaes:
quanto maior a disponibilidade, maior ser a satisfao do usurio de um sistema;
disponibilidade leva em considerao que falhas e mau funcionamentos acontecem e
levam tempo para serem reparados.
falhas abruptas: so aquelas que surgem repentinamente, podendo ser decorrentes
de imprevistos ou at mesmo de acidentes. Essas falhas mudam o comportamento do
processo rapidamente, exigindo contra-aes velozes e eficazes que possam minimizar as
conseqncias do ocorrido.
falhas incipientes: so falhas iniciadas a partir de pequenos desvios do comportamento
normal do sistema. Elas podem ser mascaradas pelos controladores, e muitas vezes
passam despercebidas pelos operadores ou at mesmo pelos sistemas FDI.
falhas intermitentes: so aquelas que se alternam no tempo. Podem ser causadas por
alguma perturbao peridica, ou por alguma situao que se repita ciclicamente,
caracterizando-se um cenrio de falha.

The capability of predicting failure events of systems and components can provide
valuable benefits in a wide range of applications. Main benefits relate to reduction of
maintenance and operational costs and improved safety. For this reason, the subject of
failure prognosis, i.e. the estimation of the probable time of failure or the remaining useful
life (RUL1) of equipment with defined confidence bounds, is gaining greater attention
from academia and industry over the last years.
More recently, terms such as Prognosis and Health Management (PHM2) and Condition
Based Maintenance (CBM) are growing in popularity in the related literature. The term
PHM refers to estimating health/degradation state of equipment and using this
information for failure diagnostics or prognosis. CBM is a maintenance philosophy which
aims at performing maintenance actions only when required, based on the health state of
equipment. CBM brings advantages when compared to other maintenance approaches
such as Reliability Centered Maintenance (RCM) providing reduction of unscheduled
failure events and unnecessary scheduled maintenance [2]. Based on the above
definitions, it can be noticed that PHM is an enabler of CBM.
Different methods have already been investigated, tested and applied for performing
failure prognosis. Vachtsevanos et al. [2] propose a classification of such methods in three
groups: experience-based, data-driven (evolutionary or trending) and model-based
methods. Below is a short description of each of these groups:

Na ultima decada, grupos de estudo de confiabilidade de sistemas comecaram


a focar em princpios fundamentais de falhas com o objetivo de entender como os
complexos sistemas (e.g. eletromec^anicos, estruturais) envelhecem e, assim, predizer
quando poder~ao falhar. A emergente ci^encia que conecta o estudo dos mecanismos de
falhas ao sistema de gest~ao do ciclo de vida e denominada PHM (UCKUN; GOEBEL;
LUCAS, Out. 2008). Portanto, o projeto de PHM contempla tanto o monitoramento da
saude de um componente quanto a utilizac~ao do monitoramento para predizer uma
falha e assim possibilitar ac~oes para melhor efetuar uma atividade de manutenc~ao.
A estudo do prognostico baseia-se em quatro fundamentos (UCKUN; GOEBEL;
LUCAS, Out. 2008):
Todos os sistemas eletromec^anicos envelhecem em func~ao do uso, do decorrer do
tempo ou de condic~oes ambientais;
O envelhecimento e o acumulo de danos e um processo monot^onico que se manifesta
na degradac~ao fsica e qumica do componente;
Sinais do envelhecimento (direto ou indireto) s~ao detectaveis antes da falha ostensiva
do componente (i.e. perda da func~ao);
E possvel correlacionar sinais de envelhecimento com um modelo de degradac~ao
do componente, e assim, estimar o RUL (Remaining Useful Life) para um especfico
componente.
A estimac~ao apurada de RUL requer monitoramento e analise de condic~oes
ambientais em que o componente opera (e.g., temperatura, umidade, press~ao,
acelerac~ao, velocidade, vibrac~ao). Adicionalmente, torna-se importante utilizar as
metricas adequadas para estimac~ao da vida (e.g., ciclos de recarga-descarga para
baterias de ltio-on, horas de voo para motores, numero de pousos=decolagens para
freios e engrenagens, numero de ciclos de pressurizac~ao para fadiga estrutural). A
abordagem da estimac~ao de RUL pode ser orientada a dados (Data-Driven Methods)
ou baseada em modelos (Model-Based Methods) (UCKUN; GOEBEL; LUCAS, Out.
2008).
Ao contrario das tecnicas tradicionais de engenharia de confiabilidade, PHM requer
coleta sistematica de dados com o objetivo de caracterizar a acumulac~ao e a
progress~ao de danos. A maioria dos metodos utilizados aborda a primeira opc~ao, onde
o desafio e capturar e analisar em tempo real os dados multidimensionais e ruidosos
contendo um grande numero de variaveis relacionadas `a degradac~ao do componente.
Em muitos casos, esta coleta, armazenagem e analise de dados s~ao onerosas (e.g. a
analise de dados de vibrac~oes e emiss~oes acusticas requerem taxa de amostragem
acima de 10 kHz). O desafio para a estimac~ao de RUL orientada a dados n~ao se limita
a este custo. Ao contrario de diagnosticos que visam isolar a causa raiz de um evento de
falta ja ocorrido, o prognostico e a predic~ao de uma condic~ao de falha futura. Dado
que a futura saude do componente depende de condic~oes operacionais e ambientais
futuras, a ger^encia de incertezas e um elemento inerente neste tipo de estimac~ao.
Outra abordagem s~ao os metodos baseados em modelo. Estes metodos envolvem o
desenvolvimento de um modelo que reflita os princpios que relacionam o uso do
componente com o acumulo de danos, assim como a utilizac~ao de dados da operac~ao
para pequenos ajustes dos par^ametros do modelo. Existem poucos exemplos de
metodos baseados em modelo em comparac~ao com os metodos orientados a dados.
Isto se deve ao fato que os metodos baseados em modelo s~ao processos mais
envolventes que o prognostico orientado a dados. Dependendo da fidelidade do modelo,
prognosticos baseados em modelo tipicamente resultam em uma estimac~ao de RUL
mais exata e precisa, alem de vantagens na validac~ao, verificac~ao e certificac~ao,
uma vez que a resposta do modelo pode ser relacionada com princpios fsicos da
natureza.

The main goal of PHM is to estimate the remaining useful life (RUL) and the health state
of components and systems. For this purpose, a priori probability distributions and actual
measurements are used to assess health state and predict impending failures of onboard
equipment [2]. The literature on PHM solutions for aeronautical components comprises
a wide range of applications, such as the monitoring of valves [3], pumps [4], engines [5],
and electronic devices [6].
More recently, the use of PHM has been considered in the context of maintenance
optimization for multiple component systems [9], [10]. In this case, economic gains can
be achieved by preventively replacing several components at the same time, in view of
the fixed cost associated to each maintenance intervention. However, the resulting
maintenance decisions may not be optimal in terms of the health state of the overall
system, because the functional dependency between the components is not taken into
account.
The main goal of a PHM system is to estimate the health state of the monitored equipment
and forecast when a failure is expected to occur [13], [14]. To accomplish this task, it is
necessary to collect a set of data related to the operation of the equipment. The required
data depend on the type of equipment to be monitored (hydraulic, electronic, mechanic,
etc.) and the failure modes that are intended to be covered by the PHM
system.
When the failure thresholdthe degradation level that defines the equipment failureis
known, it is possible to extrapolate the curve generated by the evolution of the degradation
index over time and estimate a time interval in which the failure is likely to occur [15].
This estimation is usually represented as a probability density function, as illustrated in
Fig. 1. Due to the operational characteristics of some equipmentsuch as tires
and the braking systemit can be useful to express the RUL in terms of operation cycles,
rather than time. There is always a confidence level associated with the predicted time
interval.
Em sistemas de aeronaves onde os conceitos de PHM so aplicados, os benefcios
potenciais incluem [2], [4], [5] e [6]:
melhoria da despachabilidade da aeronave;
reduo de custos de manuteno, estoque, logstica e operao;
reduo do nmero de atrasos e de paradas no-programadas;
aumento de segurana;
maximizao da vida til dos equipamentos que possuem perodo fixo de troca (hard
time).