Upload
nguyenkhanh
View
215
Download
0
Embed Size (px)
Citation preview
RENATO KOSCAK VANNI
Sorocaba - 2008
SISTEMA PARA DETECÇÃO DE FALHAS INCIPIENTES EM
MÁQUINAS ROTATIVAS UTILIZANDO INSTRUMENTAÇÃO
VIRTUAL E INTELIGÊNCIA ARTIFICIAL.
Trabalho de conclusão de curso apresentada ao Departamento de Engenharia de Controle e Automação Universidade Estadual Paulista – Campus de Sorocaba, como quesito curricular para a obtenção do título acadêmico de Engenheiro de Controle e Automação.
RENATO KOSCAK VANNI
Sorocaba - 2008
SISTEMA PARA DETECÇÃO DE FALHAS INCIPIENTES EM
MÁQUINAS ROTATIVAS UTILIZANDO INSTRUMENTAÇÃO
VIRTUAL E INTELIGÊNCIA ARTIFICIAL.
Trabalho de conclusão de curso apresentada ao Departamento de Engenharia de Controle e Automação Universidade Estadual Paulista – Campus de Sorocaba, como quesito curricular para a obtenção do título acadêmico de Engenheiro de Controle e Automação.
Composição da Banca:
Galdenoro Botura Junior – Orientador
Luiz Carlos Rosa – Examinador
Marilza Antunes de Lemos – Examinadora
RENATO KOSCAK VANNI
Sorocaba - 2008
SISTEMA PARA DETECÇÃO DE FALHAS INCIPIENTES EM
MÁQUINAS ROTATIVAS UTILIZANDO INSTRUMENTAÇÃO
VIRTUAL E INTELIGÊNCIA ARTIFICIAL.
Trabalho de conclusão de curso apresentada ao Departamento de Engenharia de Controle e Automação Universidade Estadual Paulista – Campus de Sorocaba, como quesito curricular para a obtenção do título acadêmico de Engenheiro de Controle e Automação.
Composição da Banca:
Galdenoro Botura Junior – Orientador __________________________
Luiz Carlos Rosa – Examinador __________________________
Marilza Antunes de Lemos – Examinadora __________________________
Agradecimentos
Ao meu pai, que muito colaborou para o desenvolvimento deste trabalho, sendo fonte
de inspiração para concebê-lo, assim como em muito colaborou em meu
desenvolvimento pessoal e profissional.
Aos meus professores, essenciais para meu desenvolvimento acadêmico, e que
forneceram as bases necessárias para a realização desse trabalho e para meu
desenvolvimento profissional.
Aos meus colegas, que sempre forneceram apoio, e a todos que direta ou
indiretamente auxiliaram na realização deste trabalho.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
1
Sumário
Resumo ............................................................................................................................. 8
Abstract ............................................................................................................................ 9
1. Introdução .................................................................................................................. 10
2. Revisão Bibliográfica ................................................................................................... 11
2.1. Vibrações .............................................................................................................. 11
2.1.1. Período, Freqüência, Amplitude ................................................................... 11
2.1.2. Partes Elementares de Sistemas Vibratórios ................................................ 12
2.1.3. Vibração forçada com amortecimento viscoso ............................................ 13
2.2. Normas Internacionais de severidade de Vibrações ........................................... 17
2.2.1. Classificação de equipamentos ..................................................................... 17
2.2.2. Tabela de severidade de vibrações ............................................................... 18
2.3. Causas Usuais de Vibrações em equipamentos rotativos ................................... 19
2.3.1. Desbalanceamentos ...................................................................................... 19
2.3.2. Desalinhamento ............................................................................................ 19
2.3.3. Folga mecânica .............................................................................................. 20
2.3.4. Raspagem ...................................................................................................... 21
2.3.5. Defeitos em rolamentos ................................................................................ 21
2.3.6. Defeitos em transmissões ............................................................................. 21
2.4. Acelerômetros Piezelétricos ................................................................................ 22
2.5. Instrumentação Virtual (Virtual Instrumentation – VI) ....................................... 24
2.5.1. LabView ......................................................................................................... 24
2.5.2. Funcionamento do LabView .......................................................................... 25
2.5.3. MathScript e LabView ................................................................................... 29
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
2
2.6. Transformada Finita de Fourier ........................................................................... 29
2.6.1. A Transformada Discreta de Fourier ............................................................. 30
2.6.2. A Transformada rápida de Fourier (FFT) ....................................................... 31
2.6.3. Janela de dados ............................................................................................. 31
2.7. Lógica Fuzzy ......................................................................................................... 32
2.7.1. Conjuntos Fuzzy ............................................................................................ 33
2.7.2. Representações de conjuntos Fuzzy ............................................................. 33
2.7.3. Operações entre conjuntos fuzzy ................................................................. 34
2.7.4. Números Fuzzy .............................................................................................. 36
2.7.5. Operações Aritméticas com números fuzzy ................................................. 37
2.7.6. Relações Fuzzy ............................................................................................... 37
2.7.7. Composição de relações Fuzzy ...................................................................... 37
2.7.8. Regras e Inferência Fuzzy .............................................................................. 38
2.7.9. Variáveis Lingüísticas ..................................................................................... 39
2.7.10. Sistemas Baseados em Regras Fuzzy (SBRF) ............................................... 40
3. Projeto do sistema especialista ................................................................................. 44
3.1. Metodologia ........................................................................................................ 44
3.2. Aquisição de sinais ............................................................................................... 45
3.3. Importando o sinal no LabView ........................................................................... 47
3.4. Tratamento do sinal ............................................................................................. 49
3.5. Identificação e Caracterização do sinal ............................................................... 54
3.5.1. Aplicação preliminar de Inferência Difusa .................................................... 54
3.6. Modelagem do sistema especialista .................................................................... 58
3.7. Resultados Obtidos .............................................................................................. 73
Conjunto de dados 1 ............................................................................................... 73
Conjunto de dados 2 ............................................................................................... 77
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
3
Conjunto de dados 3 ............................................................................................... 79
3.8. Conclusões ........................................................................................................... 82
4. Referências Bibliográficas ........................................................................................... 83
5. Anexos ........................................................................................................................ 84
5.a. Código MathScript utilizado ................................................................................. 84
5.b. Documentação do VI............................................................................................ 86
5.c. Documentação dos controladores Fuzzy ........................................................... 108
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
4
Índice de Figuras
Figura 1 - Mola Linear ..................................................................................................... 12
Figura 2 - Massa Rígida ................................................................................................... 12
Figura 3 - Amortecedor................................................................................................... 12
Figura 4 - Sistema de um grau de liberdade, com amortecimento viscoso, excitado por
força externa agindo sobre a massa ............................................................................... 13
Figura 5 - Ângulo de Fase entre o deslocamento de resposta e a força de excitação. .. 14
Figura 6 - Transmissibilidade do sistema. A fração do amortecimento crítico é denotada
por ζ. ............................................................................................................................... 15
Figura 7 - Sistema em vibração forçada devido a peso excêntrico. ............................... 15
Figura 8 – (A) Representação de um acelerômetro sísmico piezelétrico. (B)
Representação simplificada do acelerômetro mostrado em (A), que se aplica para a
maior parte do espectro usável de freqüências. Uma massa m se situa em cima do
elemento piezelétrico, que age como uma mola com sua constante elástica k. A
constante de amortecimento do sistema é representada pela letra c. (C) A estrutura é
acelerada para cima, produzindo um deslocamento u, movendo a massa de sua
posição inicial em uma quantia x, e comprimindo a mola em um valor δ. ................... 22
Figura 9 - Curva típica de resposta para um acelerômetro piezelétrico. A frequência de
ressonância é denotada por fn. ...................................................................................... 23
Figura 10 - Chassi PXI com módulos ............................................................................... 25
Figura 11 - Exemplo de painel frontal ............................................................................ 26
Figura 12 - Exemplo de diagrama de blocos ................................................................... 27
Figura 13 - Paleta de controles ....................................................................................... 27
Figura 14 - Paleta de funções ......................................................................................... 28
Figura 15 - Paleta de ferramentas .................................................................................. 28
Figura 16 - Bloco MathScript .......................................................................................... 29
Figura 17 - Comparação entre janela Hanning e janela retangular para um sinal de T
segundos. ........................................................................................................................ 32
Figura 18 - Detalhe da função janela Hanning ............................................................... 32
Figura 19 - Conjunto fuzzy de números reais "em torno de 6" ...................................... 34
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
5
Figura 20 - União Fuzzy: o conjunto A é representado pela linha vermelha, o conjunto B
pela linha verde, e a união de ambos pela linha azul. ................................................... 35
Figura 21 - Intersecção Fuzzy: o conjunto A é representado pela linha vermelha, o
conjunto B pela linha verde, e a intersecção de ambos pela linha azul. ....................... 35
Figura 22 - Complemento Fuzzy: o conjunto A é representado pela linha vermelha e
seu complemento pela linha azul. .................................................................................. 36
Figura 23 - Ponto fuzzy ou grânulo em X×Y .................................................................... 38
Figura 24 - Variáveis linguísticas ..................................................................................... 40
Figura 25 – Representação de fluxo de um sistema baseado em regras fuzzy.............. 40
Figura 26 - Método de Mamdani com composição max-min ........................................ 42
Figura 27 - Método de Takagi-Sugeno ........................................................................... 43
Figura 28 - Equipamento coletor de dados de vibrações VK-500/EB............................. 46
Figura 29 - Bloco de Leitura de arquivo .......................................................................... 47
Figura 30 - Configurações do bloco de leitura de arquivo ............................................. 48
Figura 31 - Diagrama de blocos da importação de dados .............................................. 48
Figura 32 - Bloco Integrador ........................................................................................... 49
Figura 33 - Configuração do Bloco Integrador ............................................................... 50
Figura 34 - Bloco Spectral Measurements (FFT) ............................................................. 50
Figura 35 - Configuração do bloco Spectral Measurements .......................................... 51
Figura 36 - Bloco Statistics .............................................................................................. 51
Figura 37 - Configuração do Bloco Statistics .................................................................. 52
Figura 38 - Diagrama de Blocos do processamento de entrada .................................... 53
Figura 39 - SubVI de processamento inicial e controles associados .............................. 54
Figura 40 - Funções de pertinência para faixas de velocidade ...................................... 55
Figura 41 - Funções de pertinência para faixas de potência .......................................... 55
Figura 42 - Funções de pertinência de condição ............................................................ 56
Figura 43 - Base de regras para inferência fuzzy ............................................................ 57
Figura 44 - Sistema do primeiro controlador fuzzy ........................................................ 58
Figura 45 - Bloco de Mathscript para detecção de freqüência fundamental e suas
entradas e saídas ............................................................................................................ 59
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
6
Figura 46 - Bloco de busca de condição por faixa de freqüência e suas entradas e saídas
........................................................................................................................................ 60
Figura 47 - Exemplo de variável lingüística de entrada e as funções de pertinência de
seus termos. Importante observar que todas possuem os mesmos termos lingüísticos.
........................................................................................................................................ 61
Figura 48 - Variável lingüística de saída. ........................................................................ 62
Figura 49 - Diagrama de blocos dos controladores para detecção de modo de falha
incipiente ........................................................................................................................ 69
Figura 50 - Detalhe da ausência do controlador de detecção de desbalanceamento
para o caso axial. ............................................................................................................ 70
Figura 51 - Painel Frontal do VI ...................................................................................... 71
Figura 52 - Diagrama de blocos completo. No detalhe, o SubVI de processamento
inicial ............................................................................................................................... 72
Figura 53 - Foto do equipamento analisado .................................................................. 73
Figura 54 - Amostra de entrada - Conjuntos de dados 1. Amplitude em gpk, tempo em
ms. .................................................................................................................................. 74
Figura 55 - Espectro do conjunto de dados 1. Amplitude em mm/s, freqüência em Hz 74
Figura 56 - Gráfico de condição fuzzy por faixa de frequencia ...................................... 74
Figura 57 - Resultado final para o conjunto de dados. ................................................... 75
Figura 58 - Espectro de velocidade para ganho = 10 ..................................................... 76
Figura 59 - Condição fuzzy por faixa de frequência com ganho = 10 ............................. 76
Figura 60 - Resultado final para o mesmo conjunto de dados com ganho = 10 ............ 77
Figura 61 - Gráfico de aceleração do conjunto de dados 2. Amplitude em gpk, tempo
em ms. ............................................................................................................................ 77
Figura 62 - Espectro do conjunto de dados de entrada 2. Amplitude em mm/s,
freqüência em Hz. ........................................................................................................... 78
Figura 63 - Gráfico de condição fuzzy por faixa de freqüência para conjunto de dados
de entrada 2. .................................................................................................................. 78
Figura 64 - Resultados obtidos para conjunto de dados de entrada 2. ......................... 79
Figura 65 - Foto do equipamento referente ao conjunto de dados 3............................ 80
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
7
Figura 66 - Gráfico de aceleração do conjunto de dados 3. Amplitude em gpk, tempo
em ms. ............................................................................................................................ 80
Figura 67 - Espectro do conjunto de dados de entrada 3. Amplitude em mm/s,
freqüência em Hz. ........................................................................................................... 80
Figura 68 - Gráfico de condição fuzzy por faixa de freqüência para o conjunto de dados
de entrada 3. .................................................................................................................. 81
Figura 69 – Resultados obtidos para o conjunto de dados de entrada 3. ..................... 81
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
8
Resumo Este trabalho consiste no projeto de um sistema especialista, que captura uma
forma de onda através do uso de um acelerômetro, trata o sinal obtido e então o
converte para o domínio freqüência através de uma Transformada Rápida de Fourier,
para então, utilizando técnicas de inteligência artificial, mais especificamente
inferência fuzzy, determinar se há um modo de falha incipiente presente no
equipamento, como, por exemplo, desbalanceamento, desalinhamento ou defeito de
rolamento.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
9
Abstract This work consists in the design of a specialist system that captures a waveform
through the use of an accelerometer, processes the signal and converts it to the
frequency domain using a Fast Fourier Transform to then, using artificial intelligence
techniques, specifically Fuzzy Reasoning, determine if there is any present underlying
failure mode in the equipment, such as, for example, unbalance, misalignment or
bearing defect.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
10
1. Introdução Aproximadamente metade de todos os custos de operação na maioria das
plantas de processamento e manufatura de hoje podem ser atribuídos à manutenção
[7]. Esta é, portanto, uma grande motivação para estudo de qualquer atividade que
possa potencialmente reduzir estes custos. Monitoramento de condição com
diagnóstico de falhas é uma dessas atividades, que pode ser definida como o campo de
atividade técnica em que parâmetros, associados à operação do equipamento, são
observados com o propósito de se determinar integridade do mesmo. Assim que essa
integridade for estimada, essa informação pode ser utilizada para diversos propósitos
como, por exemplo, um planejamento de parada para manutenção sem riscos de
quebra de equipamento no meio tempo, e respeitando prazos de entrega para
clientes, havendo assim um uso ótimo de recursos.
Portanto o interesse no desenvolvimento de um sistema especialista inteligente que
possa determinar em tempo real a condição de integridade do equipamento,
otimizando e facilitando a tarefa de manutenção.
Será utilizada uma base de conhecimento fundamentada em normas internacionais,
como a ISSO 2372 ou VDI 2053, para a determinação das condições que caracterizam
cada determinado modo de falha.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
11
2. Revisão Bibliográfica Nesta seção serão abordados os tópicos referentes à teoria utilizada no
desenvolvimento do sistema especialista, trazendo explanações sobre teoria básica da
vibração, acelerômetros piezelétricos, instrumentação virtual, transformadas para o
domínio freqüência, e lógica e inferência fuzzy.
2.1. Vibrações
Vibrações podem ser analisadas tanto no domínio tempo quanto no domínio
freqüência, e tanto vibrações livres quanto forçadas podem ser consideradas. Como a
captura do sinal será feita em domínio tempo, a teoria a respeito de análise
matemática em domínio freqüência não será abordada.
Vibrações livres ocorrem em sistemas devido à presença de dois meios de
armazenamento de energia. Quando a energia armazenada é trocada entre esses dois
meios, a resposta no tempo resultante do sistema é oscilatória. No caso de sistemas
mecânicos, um exemplo de vibração natural ocorre quando a Energia Potencial de um
corpo é convertida em Energia Cinética, como por exemplo no caso de um pêndulo
simples.
2.1.1. Período, Freqüência, Amplitude
A terminologia física usual para movimentos que se repetem continuamente é
denominada Movimento Periódico, e o tempo requerido para uma repetição é
denominado Período (T). Uma repetição completa do movimento é chamada Ciclo. A
velocidade com que esse movimento se repete, ou ainda, o número de ciclo
(vibrações) por segundo é uma quantidade chamada Freqüência (f). A relação entre as
duas grandezas citadas é dada por:
Tf
1
Equação 1
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
12
O termo que se refere à quão grandes são as oscilações provenientes do movimento
vibratório é denominado Amplitude (A).
2.1.2. Partes Elementares de Sistemas Vibratórios
Movimento Translacional
Mola. Na mola linear apresentada na Figura 1, a
mudança no comprimento da mola é proporcional
à força agindo ao longo de seu comprimento:
𝐹 = 𝑘(𝑥 − 𝑢) Equação 2
A mola ideal é considerada como tendo nenhuma massa, portanto, a força agindo em
um lado é igual e oposta à força agindo em seu outro lado. A constante k é a constante
elástica da mola.
Massa. Uma massa é um corpo rígido (Figura 2),
cuja aceleração 𝑥 , de acordo com a segunda lei de
Newton, é proporcional à resultante de todas as
forças agindo sobre a massa:
𝐹 = 𝑚𝑥 Equação 3
Amortecedor. No amortecedor viscoso mostrado
na Figura 3, a força aplicada é proporcional à
velocidade relativa de seus pontos de conexão:
𝐹 = 𝑐(𝑥 − 𝑢 ) Equação 4
A constante c é o coeficiente de amortecimento, parâmetro característico de um
amortecedor. O amortecedor ideal é considerado como tendo nenhuma massa,
portanto a força agindo em um lado é igual e oposta à força agindo na outra
extremidade.
Figura 1 - Mola Linear
Figura 2 - Massa Rígida
Figura 3 - Amortecedor
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
13
Movimento rotacional
Os elementos de um sistema mecânico que se movimentam somente com rotação são
análogos aos que se movimentam apenas com movimento translatório, referidos a
deslocamento, velocidade e aceleração angulares ao invés de lineares.
2.1.3. Vibração forçada com amortecimento viscoso
Será discutido apenas esse caso de vibração por
ser a simplificação mais abrangente que pode ser
utilizada de um sistema real vibratório a ser
analisado pelo sistema especialista.
Força aplicada à massa. A equação diferencial
para o movimento do sistema com um grau de
liberdade com amortecimento viscoso mostrado
na Figura 4, quando uma força de excitação 𝐹 = 𝐹0𝑠𝑒𝑛(𝑤𝑡) é aplicada à massa se
escreve como:
𝑚𝑥 + 𝑐𝑥 + 𝑘𝑥 = 𝐹0𝑠𝑒𝑛 𝜔𝑡 Equação 5
O movimento resultante ocorre na freqüência ω; quando o coeficiente de
amortecimento c é maior que zero, a fase entre a força e o movimento resultante é
diferente de zero. Portanto, a resposta pode ser escrita como:
𝑥 = 𝑅𝑠𝑒𝑛 𝜔𝑡 − 𝜃 = 𝐴1𝑠𝑒𝑛 𝜔𝑡 + 𝐵1cos(𝜔𝑡) Equação 6
Substituindo esta relação na Equação 5, o seguinte resultado é obtido:
𝑥
𝐹0 𝑘 =
𝑠𝑒𝑛(𝜔𝑡 − 𝜃)
1 − 𝜔2 𝜔𝑛2
2+ 2𝜔𝜁 𝜔𝑛
2= 𝑅𝑑𝑠𝑒𝑛(𝜔𝑡 − 𝜃)
onde:
𝜃 = 𝑡𝑎𝑛−1 2𝜁𝜔 𝜔𝑛
1−𝜔2 𝜔𝑛2
Equação 7
Figura 4 - Sistema de um grau de liberdade, com amortecimento viscoso, excitado por
força externa agindo sobre a massa
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
14
e Rd é um fator de resposta adimensional dando a relação entre a amplitude do
deslocamento vibratório e o deslocamento da mola que ocorreria se a força F fosse
aplicada de forma estática. Em freqüências muito baixas Rd é aproximadamente igual a
1; aumenta até um pico próximo de 𝜔𝑛 e se aproxima de zero a medida que ω vai se
tornando maior. A resposta do deslocamento é definida nestas condições de
freqüência da seguinte maneira:
𝑥 ≅ 𝐹0
𝑘 𝑠𝑒𝑛 𝜔𝑡 𝜔 ≪ 𝜔𝑛
𝑥 ≅𝐹0
2𝑘𝜁𝑠𝑒𝑛 𝜔𝑛𝑡 +
𝜋
2 = −
𝐹0cos (𝜔𝑛 𝑡)
𝑐𝜔𝑛 𝜔 = 𝜔𝑛
𝑥 ≅𝜔𝑛
2𝐹0
𝜔2𝑘𝑠𝑒𝑛 𝜔𝑡 + 𝜋 =
𝐹0
𝑚𝜔 2 𝑠𝑒𝑛(𝜔𝑡) 𝜔 ≫ 𝜔𝑛
Equação 8
Resposta em velocidade e aceleração. Diferenciando a Equação 7, é obtido:
𝑥
𝐹0 𝑘𝑚 =
𝜔
𝜔𝑛𝑅𝑑𝑐𝑜𝑠 𝜔𝑡 − 𝜃 = 𝑅𝑣𝑐𝑜𝑠(𝜔𝑡 − 𝜃) Equação 9
A resposta para aceleração é obtida diferenciando a Equação 9:
𝑥
𝐹0 𝑚 = −
𝜔2
𝜔𝑛2𝑅𝑑𝑠𝑒𝑛 𝜔𝑡 − 𝜃 = −𝑅𝑎𝑠𝑒𝑛(𝜔𝑡 − 𝜃) Equação 10
Figura 5 - Ângulo de Fase entre o deslocamento de resposta e a força de excitação.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
15
Figura 6 - Transmissibilidade do sistema. A fração do amortecimento crítico é denotada por ζ.
Vibração devido a um peso excêntrico.
No sistema massa-amortecedor-mola mostrado
na Figura 7 ao lado, a massa mu está montada
por um eixo e mancal à massa m. A massa mu
segue um caminho circular de raio e com
respeito ao mancal. O componente de
deslocamento na direção X de mu relativo a m é:
Figura 7 - Sistema em vibração forçada devido a peso excêntrico.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
16
𝑥3 − 𝑥1 = 𝑒 𝑠𝑒𝑛(𝜔𝑡) Equação 11
Onde x3 e x1 são os deslocamentos absolutos de mu e m, respectivamente, na direção
X; e é o comprimento do braço que sustenta a massa mu; e ω é a velocidade angular do
braço em radianos por segundo. A equação diferencial de movimento para o sistema
é:
𝑚𝑥 1 + 𝑚𝑢𝑥 3 + 𝑐𝑥 1 + 𝑘𝑥1 = 0 Equação 12
Diferenciando a Equação 11 com respeito ao tempo, resolvendo para 𝑥 3, e
substituindo na Equação 12:
𝑚 + 𝑚𝑢 𝑥 1 + 𝑐𝑥 1 + 𝑘𝑥1 = 𝑚𝑢𝑒𝜔2𝑠𝑒𝑛(𝜔𝑡) Equação 13
A Equação 13 é da mesma forma que a Equação 5, portanto as relações de resposta da
Equação 7, Equação 9 e Equação 10 se aplicam substituindo (m + mu) por m e mueω2
por F0. O deslocamento, velocidade e aceleração resultantes são:
𝑥1
𝑚𝑢𝑒𝜔2= 𝑅𝑑𝑠𝑒𝑛 𝜔𝑡 − 𝜃
𝑥 1 𝑘𝑚
𝑚𝑢𝑒𝜔2= 𝑅𝑣𝑐𝑜𝑠(𝜔𝑡 − 𝜃)
𝑥 1𝑚
𝑚𝑢𝑒𝜔2= −𝑅𝑎𝑠𝑒𝑛(𝜔𝑡 − 𝜃)
Equação 14
Frequências de Ressonância
Os valores de pico de deslocamento, velocidade e aceleração de um sistema sob
vibração constante e forçada ocorre em freqüências de forçamento levemente
diferentes. Como a freqüência de ressonância é definida como a freqüência para qual a
resposta é máxima, um sistema simples possui três freqüências de ressonância se for
definido de forma genérica. A freqüência natural é diferente de qualquer uma das
freqüências de ressonância. As relações entre as diversas freqüências de ressonância, a
freqüência natural amortecida, e a freqüência natural não amortecida ωn são:
Frequência de ressonância de deslocamento: ωn(1 - 2ζ2)1/2
Frequência de ressonância de velocidade: ωn
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
17
Frequência de ressonância de Aceleração: ωn/(1 - 2ζ2)1/2
Frequência natural amortecida: ωn(1 - ζ2)1/2
2.2. Normas Internacionais de severidade de Vibrações
Relacionadas à determinação de severidade de vibrações em equipamentos mecânicos
rotativos, existem normas internacionais que listam quais são as faixas de intensidade
de vibrações permissíveis para cada tipo de equipamento
Nesse escopo, podemos citar as normas ISO 2372 e a sua equivalente alemã VDI 2056.
Ambas apresentam os mesmos resultados e divisões de equipamentos em classes,
eventualmente apresentando apenas nomenclatura diferente. Será tomada por base a
norma internacional ISO 2372 para as nomenclaturas.
2.2.1. Classificação de equipamentos
Conforme a norma internacional ISO 2372, os equipamentos rotativos podem ser
classificados da seguinte forma:
Classe I: Partes individuais de motores e máquinas, integralmente conectadas com a
maquina em completo em sua condição normal de operação (motores
elétricos de produção de até 15kW são exemplos típicos de máquinas desta
categoria).
Classe II: Máquinas de médio porte (tipicamente motores elétricos de 15 a 75kW de
potência de saída) sem fundações especiais, motores com montagem rígida,
ou máquinas (de até 300kW) sobre fundações especiais.
Classe III: Grandes máquinas com massas girantes montadas em fundações pesadas e
rígidas, que são relativamente firmes da direção da medição de vibração.
Classe IV: Grandes máquinas com massas girantes montadas em fundações que são
relativamente flexíveis na direção da medição de vibração (por exemplo
turbo-geradores, especialmente aqueles com sub-estruturas leves)
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
18
Máquinas com efeitos de inércia não-balanceáveis (devido à reciprocidade), como por
exemplo motores a explosão, por variarem muito em sua construção e influência
relativa de forças inerciais, não são tratadas pela norma ISO, devido à sua dificuldade
de classificação.
2.2.2. Tabela de severidade de vibrações
A seguinte tabela de severidade de vibrações pode ser obtida a partir da norma ISO
2372:
Tabela 1 - Severidades de vibração e exemplos de aplicação em classes de máquinas
Severidade de vibração Classes de Máquinas Velocidade
RMS (mm/s) Velocidade
(mm/s) Classe I Classe II Classe III Classe IV
0.28 0.3960 A A A A 0.45 0.6364 0.71 1.0041 1.12 1.5839 B 1.8 2.5456 B 2.8 3.9598 C B 4.5 6.3640 C B 7.1 10.0409 D C
11.2 15.8392 D C 18 25.4558 D 28 39.5980 D 45 63.6396 71 100.4092
Onde temos:
A: Equipamento novo, condições iniciais de operação, ou ainda equipamento em
ótimas condições.
B: Equipamento em boas condições de operação
C: Condições permissíveis de operação, desde que não por período prolongado
D: Condições não admissíveis de operação, pois o nível de vibração causa danos ao
equipamento
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
19
2.3. Causas Usuais de Vibrações em equipamentos rotativos
Forças dinâmicas atuando nos sistemas dão origem a movimentos angulares e lineares
com diferentes fases e amplitudes. A energia dissipada por vibrações excessivas pode
causar danos aos equipamentos e perda de sua eficiência. Entre as causas usuais de
vibrações, podem ser citadas as forças resultantes de desbalanceamentos – conforme
demonstrado na teoria supracitada, desalinhamentos, dentre outros.
Através da análise de vibrações, esses problemas poderão ser identificados, pois cada
um deles possui uma assinatura espectral específica, com: freqüências específicas,
formatos, amplitudes, direção dominante. As causas mais comuns para o caso de
equipamentos rotativos são discutidas detalhadamente em [9], e algumas delas serão
mostradas abaixo:
2.3.1. Desbalanceamentos
Existentes sempre em pequeno grau em qualquer máquina existente, mas que podem
causar vibrações quando existentes de forma excessiva, consistem na existência de
alguma massa excêntrica em um objeto rotativo, que resultará em uma força
centrípeta que excitará o sistema a uma vibração.
Freqüência predominante: 1x fundamental
Direção predominante: Radial.
2.3.2. Desalinhamento
Ocorre quando dois eixos acoplados não estão em alinhamento perfeito, tanto
angularmente, ou seja, o ângulo entre dois eixos rotativos é não-nulo, quanto
paralelamente, quando os eixos não estão sobre uma mesma linha. Também há
desalinhamento quando dois mancais suportando um eixo não estão em linha,
causando flecha no mesmo. Para cada caso:
Mancal
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
20
Freqüências dominantes: Primariamente 2x fundamental, com 1x fundamental
evidente.
Direção dominante: Radial.
Acoplamento
Freqüências dominantes: Primariamente 1x fundamental, com 2x fundamental
evidente.
Direção dominante: Radial para o caso de desalinhamento paralelo, Axial para
desalinhamento angular.
2.3.3. Folga mecânica
Com o tempo, em decorrência do desgaste natural ocorrido em peças deslizantes
entre si, folgas mecânicas tendem a surgir, provocando vibrações. Pode haver folgas
em diversos elementos do sistema rotativo:
Mancal (não-rotativo)
Freqüências dominantes: 2x fundamental, com 3x fundamental visível.
Direção dominante: Radial.
Rotor
Freqüências dominantes: 1-10x fundamental, com 1-3x predominantes.
Direção dominante: Radial.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
21
2.3.4. Raspagem
Ocorre muitas vezes em decorrência de um problema de ajustagem (folga) ou de
lubrificação. Casos em dois componentes de um sistema rotativo serão tratados:
Selo/Mancal
Freqüências dominantes: 2x fundamental primariamente, com 1/4x, 1/3, ½, ou 10-20x
visíveis, e alguma aparição de 1x fundamental.
Direção dominante: Radial.
Rotor
Freqüências dominantes: 1/4x, 1/3, 1/2 e 1x com aparição de bandas laterais.
Direção dominante: Radial.
2.3.5. Defeitos em rolamentos
Os defeitos em rolamentos possuem uma assinatura espectral bem característica, em
alta freqüência, associada a defeitos em seus elementos constituintes, como esferas,
pista interna e pista externa. Apesar da freqüência de aparecimento dos picos no
espectro variarem de acordo com as características construtivas de cada rolamento,
um defeito neste apresentará diversos picos em altas freqüências na ordem de 1kHz,
com diversos picos laterais, facilitando a identificação. A direção predominante
dependerá do tipo do rolamento, sendo a Radial predominante para rolamentos
comuns, e a Axial para cônicos ou em ângulo.
2.3.6. Defeitos em transmissões
São dois tipos os mais comuns utilizados para a transmissão de potência em
equipamentos rotativos, os que fazem uso de engrenagens (caixas de redução), e
correias.
Para as engrenagens, a principal referência é o aparecimento de picos em freqüências
que se referem à multiplicação da rotação da engrenagem pelo seu numero de dentes.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
22
Para engrenagens cilíndricas é predominante a direção radial, enquanto para
helicoidais a axial.
No caso de desgaste de correias, desajuste ou excesso de tensão, os picos no espectro
aparecem como múltiplos da freqüência de passagem da correia, com predominância
da segunda harmônica. A direção principal é a radial.
2.4. Acelerômetros Piezelétricos
Um acelerômetro do tipo mostrado na Figura 8A é um transdutor linear sísmico
utilizando um elemento piezelétrico de forma que uma carga elétrica é produzida com
um valor proporcional à aceleração aplicada. Esse transdutor “ideal” pode ser
representado pelos elementos mostrados na Figura 8B. O cristal piezelétrico que
produz a carga age como a mola. O amortecimento viscoso entre a massa e a estrutura
é representado pelo amortecedor c. Na Figura 8C é aplicada uma aceleração para cima
à estrutura, provocando um deslocamento u, produzindo uma compressão na mola
igual a δ.
Figura 8 – (A) Representação de um acelerômetro sísmico piezelétrico. (B) Representação simplificada do
acelerômetro mostrado em (A), que se aplica para a maior parte do espectro usável de freqüências. Uma massa m se situa em cima do elemento piezelétrico, que age como uma mola com sua constante elástica k. A constante de
amortecimento do sistema é representada pela letra c. (C) A estrutura é acelerada para cima, produzindo um deslocamento u, movendo a massa de sua posição inicial em uma quantia x, e comprimindo a mola em um valor δ.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
23
Para freqüências bem abaixo da freqüência de ressonância da massa e da mola, esse
deslocamento é proporcional à aceleração da estrutura e independente da freqüência.
Em freqüências baixas, o ângulo de fase relativo ao deslocamento δ, com respeito à
aceleração aplicada é proporcional à freqüência.
No sistema sísmico ideal mostrado na Figura 8, a massa e o quadro não são
compressíveis, a mola possui massa zero, e o amortecimento viscoso existe apenas
entre a massa e a estrutura. Na prática essas condições não são realizáveis. Por
exemplo, em alguns elementos sísmicos, a massa e a mola são inerentemente uma só
estrutura. Além disso, em vários designs reais onde a estrutura é utilizada para segurar
a massa e o elemento piezelétrico, distorção da estrutura pode produzir forças
mecânicas no elemento sísmico. Todos esses fatores podem afetar a performance do
sistema sísmico daqueles calculados utilizando equações baseadas em um sistema
ideal.
Figura 9 - Curva típica de resposta para um acelerômetro piezelétrico. A frequência de ressonância é denotada por fn.
A Figura 9 mostra uma curva típica de resposta para um acelerômetro piezelétrico.
Nessa ilustração, a saída de tensão em mV/g é traçada como função da freqüência. A
freqüência de ressonância é denotada por fn. Se o acelerômetro estiver montado
devidamente no dispositivo testado, então o limite de freqüência usável é considerado
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
24
geralmente ser fn/3 para um desvio de 12% (1 dB) do valor médio de resposta. Para um
desvio de 6% (0,5 dB), o limite de frequência superior é considerado como fn/5.
2.5. Instrumentação Virtual (Virtual Instrumentation – VI)
O uso de software personalizável e hardware modular para criar ambientes de
medição personalizados é definido como Instrumentação Virtual.
A instrumentação de hardware tradicional é feita de componentes pré-definidos, como
multímetros digitais e osciloscópios, que são completamente específicos para suas
funções de análise e/ou medição. A diferença principal entre instrumentação de
hardware e instrumentação virtual é que software é utilizado para repor uma grande
quantidade do hardware. O software dá a possibilidade de substituir hardware
complexo e caro por outro hardware já existente, como por exemplo, um conversor
A/D pode ser utilizado como complemento de hardware para um osciloscópio virtual.
2.5.1. LabView
Abreviatura de “Laboratory Virtual Instrumentation Engineering Workbench”, o
LabVIEW é uma plataforma e ambiente de desenvolvimento da National Instruments,
onde a programação é feita através de linguagem gráfica, conhecida como G.
O G é uma linguagem de programação de fluxo de dados. Sua execução é determinada
pela estrutura de um diagrama gráfico de blocos, no qual o programador conecta
diferentes nós de função ao desenhar linhas. Estas linhas propagam variáveis e cada nó
começa a ser executado assim que os dados de entrada se tornam disponíveis. Como
isso pode ocorrer para vários nós simultaneamente, o G é inerentemente capaz de
execução em paralelo, tomando vantagem de sistemas multiprocessados.
A aquisição de dados no LabVIEW pode ser feita de diversas maneiras, como por
exemplo através da utilização de hardwares GPIB, RS-232, RS-485, ou ainda o formato
de proprietário da National Instruments, o PXI.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
25
Figura 10 - Chassi PXI com módulos
Outra forma de aquisição de sinais que pode ser utilizada é através de captura de
forma de ondas utilizando a placa de som do computador. Há várias limitações neste
método, mas como todos PCs atualmente possuem placas de som, é um método
barato e realizável para capturar dados no LabVIEW. As limitações dependem da placa
de som utilizada, mas são geralmente, por exemplo, taxa de amostragem máxima de
44,1kHz e 16 bits por amostra em placas de som normais, ou 96kHz e 24bits para
placas de som de alto desempenho.
2.5.2. Funcionamento do LabView
O desenvolvimento no LabVIEW é realizado através de duas janelas: a janela do painel
frontal que funciona como interface para o usuário, e a janela do diagrama de blocos,
onde é feita toda a programação em linguagem G.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
26
Figura 11 - Exemplo de painel frontal
No painel frontal podem ser inseridos diversos elementos para visualização e controle
do usuário, como gráficos, botões, leds, campos de seleção, dentre outras
funcionalidades.
Já o diagrama de blocos contém o código fonte em linguagem G do sistema de
instrumentação virtual; através dele o sistema é programado para realizar funções
sobre os controles definidos no painel frontal.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
27
Figura 12 - Exemplo de diagrama de blocos
É interessante notar que o processamento no LabVIEW se dá na direção da propagação
dos dados, como em um fluxograma. O diagrama de blocos é constituído de nós, que
são interconectados por fios que definem o fluxo de dados no sistema. O nó é
executado assim que todos os dados se encontrarem disponíveis em sua entrada,
propagando as informações em sua(s) saída(s).
Figura 13 - Paleta de controles
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
28
O desenvolvimento é feito de forma intuitiva, com o uso dos vários controles
disponíveis, e que também podem ser expandidos através da instalação de Toolboxes,
ou mesmo criados pelo usuário. Podem ainda serem utilizados controles ActiveX e
.NET.
Na janela do diagrama de blocos essa janela é substituída pela de funções, utilizadas
para a programação do sistema.
Figura 14 - Paleta de funções
Durante a elaboração de sistemas no LabVIEW, as ferramentas (como de criação de
“fios”, texto, ou seleção por exemplo) podem ser selecionadas automaticamente – o
que agiliza o processo de criação, por não haver necessidade de se alternar entre
ferramentas, ou podem ser selecionadas manualmente através da paleta de
ferramentas.
Figura 15 - Paleta de ferramentas
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
29
2.5.3. MathScript e LabView
Assim como no MATLAB, o Labview também suporta programação em linguagem
MathScript, através do uso de blocos com variáveis de entrada e saída definíveis pelo
usuário. Arquivos .m podem ser importados diretamente para o bloco. facilitando em
muito a migração ou reaproveitamento de sistemas elaborados em MATLAB para o
LabVIEW. A utlização de MathScript também facilita quando há necessidade de
implantação de código que não é facilmente elaborável através do uso de diagrama de
blocos.
Figura 16 - Bloco MathScript
2.6. Transformada Finita de Fourier
Como a descrição do sinal de vibrações no domínio freqüência é a de maior valor para
a engenharia, a transformada de Fourier tem papel importante tanto nas definições
teóricas de propriedades quanto na definição de algoritmos de análise para dados
de vibrações. A transformada finita de Fourier de um sinal amostrado x(t) é definida
como:
Equação 15
onde 𝑗 = −1. Três propriedades da Equação 15 podem ser observadas a a seguir:
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
30
1. A transformada finita de Fourier é geralmente um numero complexo definido
tanto para freqüências positivas quanto negativas, ou seja, X(f,T); -∞ < f < ∞. No
entanto, X(-f,T) = X*(f,T), onde o asterisco denota o numero complexo conjugado,
significando que valores de freqüências matematicamente negativas são
redundantes e não provêm nenhuma informação além das fornecidas pelos
valores positivos. Como em engenharia tipicamente se pensa em freqüência como
um valor positivo, é comum apresentar a transformada finita de Fourier como
2X(f,T); 0 < f < ∞.
2. Transformadas de Fourier são comumente defindas como funções de uma
freqüência radial ω em radianos/seg, ao invés da freqüência cíclica f em Hz,
particularmente para aplicações analíticas. No entanto, a análise de dados é
geralmente realizada em termos da freqüência cíclica f, como definido na Equação
15. Essas duas definições são inter-relacionadas por X(f,T) = 2πX(ω,T).
3. A transformada finita de Fourier X(f,T) é equivalente a série de Fourier de x(t) com
período T.
2.6.1. A Transformada Discreta de Fourier
Muitos dos resultados de análise tanto para vibrações determinísticas quanto
aleatórias, requer a computação da transformada finita de Fourier definida na Equação
15. Em termos digitais onde o registro de amostra x(t) = x(nΔt), essa transformada
finita de Fourier é comumente chamada de transformada discreta de Fourier (DFT), e é
dada pela :
Equação 16
Note que a DFT define N freqüências discretas para N valores de tempo discreto com
uma freqüência inerente de:
Equação 17
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
31
2.6.2. A Transformada rápida de Fourier (FFT)
A FFT se trata de um algoritmo eficiente para cálculo do espectro de blocos de dados.
Uma DFT necessita de cálculo direto de cada componente de freqüência, o que requer
N multiplicações complexas e adições para cada freqüência, sendo que o espectro
completo necessita de N2 multiplicações complexas e adições.
O algoritmo da FFT faz a fatoração da equação de forma que o mesmo resultado é
obtido através de N log2 N operações. Isso representa um aumento de velocidade da
ordem de mais de 100 para o caso típico onde N = 1024 = 102. No entanto as
propriedades do resultado da FFT são as mesmas da DFT.
2.6.3. Janela de dados
Uma janela de dados é uma função de ponderação pela qual os dados obtidos são
multiplicados antes da transformação. O propósito de uma janela de dados é
minimizar os efeitos da descontinuidade que ocorre quando as seções do sinal
contínuo são concatenadas em loop para transformação para o domínio freqüência.
Para sinais estacionários, a janela Hanning é uma boa opção (um período de uma
função seno ao quadrado), que possui um valor zero e uma rampa em cada lado,
dando uma transição gradual da descontinuidade. Na Figura 17 as janelas Hanning e
Retangular (ou, sem janela) são comparadas no domínio tempo e domínio freqüência.
Além do lóbulo principal da freqüência ser maior, os lóbulos laterais decaem muito
mais rapidamente, sendo que o maior deles está em -32 dB, comparado com os 13,4
para a janela retangular.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
32
Figura 17 - Comparação entre janela Hanning e janela retangular para um sinal de T segundos.
A função característica para a janela Hanning é mostrada abaixo:
𝜔(𝑛) = 0,5 1 − cos 2𝜋𝑛
𝑁 − 1
Figura 18 - Detalhe da função janela Hanning
2.7. Lógica Fuzzy
A lógica Fuzzy (ou lógica difusa) adveio da necessidade de representação de maneira
sistemática quantidades imprecisas, vagas, mal definidas. Por exemplo, ao invés de
utilizar um modelo matemático, controladores industriais baseados em lógica fuzzy
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
33
podem ser elaborado com o conhecimento experimental de operadores humanos já
treinados, fazendo com que a ação de controle seja tão boa quanto a deles
(geralmente melhor) e mais consistente.
Para melhor entendimento do trabalho serão discutidos alguns tópicos a respeito de
lógica fuzzy a seguir.
2.7.1. Conjuntos Fuzzy
Um subconjunto fuzzy 𝔽 do conjunto universo 𝒰 é definido em termos de uma função
de pertinência 𝑢 que a cada elemento x de 𝒰 associa um número 𝑢 (x) entre zero e
um, chamado grau de pertinência de x a 𝔽. Assim, o conjunto fuzzy 𝔽 é
simbolicamente indicado por sua função de pertinência
𝑢𝔽 ∶ 𝒰 → [0,1]
Os valores 𝑢𝔽 𝑥 = 1 e 𝑢𝔽 𝑥 = 0 indicam, respectivamente, a pertinência plena e a
não pertinência do elemento x a 𝔽. É interessante notar que um subconjunto clássico A
de 𝕌 é um particular conjunto fuzzy para o qual a função de pertinência é a função
característica de A, isto é,
𝑢𝐴 ∶ 𝒰 → {0,1}
Do ponto de vista formal, a definição de subconjunto fuzzy foi obtida simplesmente
ampliando-se o contradomínio da função característica, que é o conjunto {0,1}, para o
intervalo [0,1].
2.7.2. Representações de conjuntos Fuzzy
As definições das funções que definem os elementos de um conjunto fuzzy facilitam
sua visualização, e podem ser feitas na forma tabular, gráfica ou analítica.
Para conjuntos finitos, aas funções podem ser representadas por tabela que listam
todos seus elementos com seus respectivos graus de pertinência
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
34
Tabela 2 - Níveis fuzzy de criticidade de equipamentos
Equipamento Criticidade
J-2212 0,2
C-1315 0,5
R-1121 0,1
J-3321 0,9
Há também a representação gráfica de um conjunto fuzzy, mais utilizada por possuir
uma interpretação mais intuitiva. No caso de se fazer representação em duas
dimensões, o eixo vertical representa o grau de pertinência no intervalo [0,1], e o eixo
horizontal contém a informação a ser modelada. A seguir há um exemplo de
representação gráfica de um conjunto fuzzy.
Figura 19 - Conjunto fuzzy de números reais "em torno de 6"
A representação analítica também é bastante utilizada em teoria de conjuntos fuzzy:
𝒖𝑨 𝒙 = 𝒙 − 𝟓; 𝒔𝒆 𝟓 ≤ 𝒙 < 6𝟕 − 𝒙; 𝒔𝒆 𝟔 ≤ 𝒙 < 7
0; 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜
2.7.3. Operações entre conjuntos fuzzy
Sejam A e B subconjuntos clássicos de 𝒰 representados pelas funções características
𝑢𝐴 e 𝑢𝐵 respectivamente. Os conjuntos
0
0,2
0,4
0,6
0,8
1
0 1 2 3 4 5 6 7 8 9
ua(x)
Números Reais (x)
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
35
𝐴 ⋃ 𝐵 = {𝑥 ∈ 𝒰 ; 𝑥 ∈ 𝐴 𝑜𝑢 𝑥 ∈ 𝐵}
𝐴 ∩ 𝐵 = {𝑥 ∈ 𝒰 ; 𝑥 ∈ 𝐴 𝑒 𝑥 ∈ 𝐵}
𝐴′ = {𝑥 ∈ 𝒰 ; 𝑥 ∉ 𝐴}
Têm respectivamente as funções características ∀𝑥 ∈ 𝒰,
𝑢𝐴∪𝐵 𝑥 = 𝑚𝑎𝑥 𝑢𝐴 𝑥 ,𝑢𝐵 𝑥 ,
𝑢𝐴∩𝐵 𝑥 = 𝑚𝑖𝑛{𝑢𝐴 𝑥 ,𝑢𝐵 𝑥 },
𝑢𝐴′ 𝑥 = 1 − 𝑢𝐴(𝑥)
As representações gráficas destas operações são exemplificadas nas figuras abaixo:
Figura 20 - União Fuzzy: o conjunto A é representado pela linha vermelha, o conjunto B pela linha verde, e a união de ambos pela linha azul.
Figura 21 - Intersecção Fuzzy: o conjunto A é representado pela linha vermelha, o conjunto B pela linha verde, e a intersecção de ambos pela linha azul.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
36
Figura 22 - Complemento Fuzzy: o conjunto A é representado pela linha vermelha e seu complemento pela linha azul.
2.7.4. Números Fuzzy
Assim como no caso clássico, temos com os números fuzzy o mesmo intuito de realizar
operações aritméticas, mas com a diferença de que se tratam de quantidades
imprecisas. Para isto, são definidos objetos que generalizam os números reais. Tais
objetos serão chamados de números fuzzy. Inicialmente define-se o supremo de um
conjunto.
- Seja A um subconjunto não vazio do conjunto parcialmente ordenado E. Ao menor dos
limites superiores de A dá-se o nome de supremo de A que é indicado por supA.
- Um conjunto fuzzy N é chamado número fuzzy quando o conjunto universo, onde N
está definido, é o conjunto de números reais ℝ e a função de pertinência 𝑢N ∶ ℝ →
0,1 é tal que:
1. 𝑢N (𝑥) atinge o 1, isto é, 𝑠𝑢𝑝𝑥𝑢N 𝑥 = 1.
2. [𝑁]𝛼é um intervalo fechado, ∀𝛼 ∈ 0,1 .
3. O suporte de N é limitado.
Pode-se observar que, com a segunda definição acima, todo número real é um caso
particular de número fuzzy cuja função de pertinência é sua função característica:
𝑢r(𝑥) 1 se 𝑥 = 𝑟0 se 𝑥 ≠ 𝑟
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
37
2.7.5. Operações Aritméticas com números fuzzy
Sejam A e B dois números fuzzy e ζ um número real:
1. A soma de números fuzzy A e B é o número fuzzy A + B, cuja função de
pertinência é:
𝑢𝐴+𝐵 𝑥 = 𝑠𝑢𝑝𝑥=𝑦+𝑧 min 𝑢𝐴 𝑦 ,𝑢𝐵 𝑧
2. A multiplicação de ζ por A é o número fuzzy ζA, cuja função de pertinência é
𝑢ζA 𝑥 = 𝑢A ζ
−1𝑥 𝑠𝑒 ζ ≠ 0
0 𝑥 𝑠𝑒 ζ = 0
Onde 0 𝑥 = 1 𝑠𝑒 𝑥 = 00 𝑠𝑒 𝑥 ≠ 0
.
2.7.6. Relações Fuzzy
Uma relação fuzzy R, sobre𝒰1 × 𝒰2 × …× 𝒰𝑛 , é qualquer subconjunto fuzzy do
produto cartesiano 𝒰1 × 𝒰2 × …× 𝒰𝑛 . Se o produto cartesiano for formado apenas
por dois conjuntos, 𝒰1 × 𝒰2, a relação é chamada de fuzzy binária sobre 𝒰1 × 𝒰2.
A principal vantagem na opção pela relação fuzzy é que a relação clássica indica
apenas se há ou não relação entre dois objetos, enquanto uma relação fuzzy além de
indicar se existe ou não relação, indica também o grau desta relação.
O produto cartesiano fuzzy 𝐴1 × 𝐴2 × …× 𝐴𝑛 dos subconjuntos fuzzy 𝐴1,𝐴2 ,… ,𝐴𝑛
de𝒰1,𝒰2,… ,𝒰𝑛 , é a relação fuzzy R cuja função de pertinência é
𝑢𝑅 𝑥1, 𝑥2,… , 𝑥𝑛 = 𝑢𝐴1 𝑥1 ∧ 𝑢𝐴2 𝑥2 ∧ …∧ 𝑢𝐴𝑛 (𝑥𝑛)
onde ∧ é a t-norma min.
2.7.7. Composição de relações Fuzzy
Considere R e S duas relações fuzzy binárias em 𝒰1 × 𝒰2 e 𝒰2 × 𝒰3, respectivamente.
A composição RoS é uma relação fuzzy binária em 𝒰1 × 𝒰3, com função de pertinência
dada por
𝑢𝑅𝑜𝑆 𝑥1,𝑥3 = 𝑚𝑎𝑥𝑥2∈𝒰2
[𝑚𝑖𝑛(𝑢𝑅 𝑥1,𝑥2 ,𝑢𝑆(𝑥2, 𝑥3))]
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
38
Quando os conjuntos 𝒰1,𝒰2 e 𝒰3 são finitos, então a forma matricial da relação RoS,
dada pela composição max-min, é obtida como uma multiplicação de matrizes,
substituindo-se o produto pelo mínimo e a soma pelo máximo.
Sejam 𝒰1 e 𝒰2 dois conjuntos, ℱ(𝒰1) e ℱ(𝒰2), as classes dos conjuntos fuzzy de 𝒰1 e
𝒰2, respectivamente, e R uma relação binária sobre 𝒰1 × 𝒰2. Então a relação R define
um funcional de ℱ(𝒰1) em ℱ(𝒰2) que a cada elemento 𝐴1 ∈ ℱ(𝒰2) a função de
pertinência é dada por:
𝑢𝐴2 𝑥2 = 𝑢𝑟 𝐴1 (𝑥2) = 𝑚𝑎𝑥
𝑥1∈ 𝒰1
[𝑚𝑖𝑛(𝑢𝐴1 𝑥1 ,𝑢𝑅(𝑥1, 𝑥2))]
2.7.8. Regras e Inferência Fuzzy
Uma regra “Se X é A então Y é B” pode ser interpretada como uma relação fuzzy entre
A e B onde a função de pertinência 𝐴 × 𝐵 (𝑥,𝑦) dada por
𝑢𝐴×𝐵 𝑥,𝑦 = 𝑢𝐴 𝑥 𝑡𝑢𝐵 𝑦 ,∀(𝑥,𝑦) ∈ 𝑋 × 𝑌,
onde × denota um produto cartesiano. Sugere-se a t-norma min. Assim 𝐴 × 𝐵 pode
ser visto como um ponto fuzzy ou grânulo no espaço 𝑋 × 𝑌, isto é, o produto
cartesiano 𝐴 × 𝐵 como mostra a figura abaixo.
Figura 23 - Ponto fuzzy ou grânulo em X×Y
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
39
Uma coleção de regras “Se X é Ai então Y é Bi”, i = 1, ..., N, pode ser definida como
(𝑋,𝑌) é 𝐴1 × 𝐵1 + 𝐴2 × 𝐵2 + ⋯+ 𝐴𝑁 × 𝐵𝑁 ou equivalente, (𝑋,𝑌) é ( 𝐴𝑖 × 𝐵𝑖)𝑁𝑖=1 .
A expressão ( 𝐴𝑖 × 𝐵𝑖)𝑁𝑖=1 é interpretada como uma agregação, via uma disjunção
denotada por Σ. Neste caso, os pontos fuzzy compostos de toda relação F* induzida
pelas N regras é chamada relação fuzzy.
Seja 𝑦 = 𝑓(𝑥) uma função 𝑓 ∶ 𝑋 → 𝑌, lembramos que o grado de f é o conjunto
𝐹 = {(𝑥,𝑦)|𝑦 = 𝑓 𝑥 ,𝑥 ∈ 𝑋,𝑦 ∈ 𝑌}. Como uma generalização deste conceito, um
grafo fuzzy F* de uma dependência funcional 𝑓 ∶ 𝑋 → 𝑌 entre as variáveis fuzzy X e Y
em X e Y, respectivamente, é definido como uma aproximação, representação granular
de f na forma 𝐹∗ = ( 𝐴𝑖 × 𝐵𝑖)𝑁𝑖=1 . De forma geral, um grafo fuzzy é um conjunto fuzzy
F* cuja função de pertinência é
𝑢𝐹∗ 𝑥,𝑦 = 𝑆𝑖=1𝑁 𝑢𝐴𝑖
𝑥 𝑡𝑢𝐵𝑖 𝑦 ,∀(𝑥, 𝑦) ∈ 𝑋 × 𝑌, onde S é uma s-norma.
2.7.9. Variáveis Lingüísticas
Uma variável lingüística é uma variável cujo valor é expresso qualitativamente por um
termo lingüístico (que fornece um conceito à variável) e quantitativamente por uma
função de pertinência. De fato, uma variável lingüística é caracterizada por < X, T(X), 𝕏,
G, M > onde X é o nome da variável, T(X) é o conjunto de termos lingüísticos de X, 𝕏 é
o domínio de valores de X sobre o qual o significado do termo lingüístico é
determinado e G é a gramática que gera termos de T, e M é a regra semântica.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
40
2.7.10. Sistemas Baseados em Regras Fuzzy (SBRF)
São sistemas compostos de quatro componentes: um processador de entrada, que
realiza a fuzzificação dos dados de entrada, uma coleção de regras difusas chamada de
base de regras, uma máquina de inferência fuzzy e um processador de saída que
fornece um número real como saída.
Figura 25 – Representação de fluxo de um sistema baseado em regras fuzzy
Uma vez estabelecida uma base de regras, isto é, como relacionamos os conjuntos
fuzzy pela forma Se...então, um SBRF pode ser visto como um mapeamento entre a
Figura 24 - Variáveis linguísticas
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
41
entrada e a saída da forma 𝑦 = 𝑓 𝑥 ,𝑥 ∈ ℝ𝑛 𝑒 𝑦 ∈ ℝ𝑚 . Esta classe de sistema é
amplamente utilizada em problemas de modelagem, controle e classificação. Os
componentes do SBRF são descritos a seguir:
Processador de entrada (Fuzzificação)
Neste componente as entradas do sistema são traduzidas em conjuntos fuzzy
em seus respectivos domínios. A atuação de um especialista na área do
fenômeno a ser modelado é de fundamental importância para determinação
das funções de pertinência para a descrição do sistema.
Base de regras
Este componente, juntamente com a máquina de inferência, pode ser
considerado o núcleo dos sistemas baseados em regras fuzzy. Ele é composto
por uma coleção de proposições fuzzy na forma Se...então... Cada uma destas
proposições pode, por exemplo, ser descrita linguisticamente de acordo com o
conhecimento de um especialista. A base de regras descreve relações entre as
variáveis lingüísticas para serem utilizadas na máquina de inferência fuzzy que
será descrita a seguir.
Inferência Fuzzy
É neste componente que cada proposição fuzzy é traduzida matematicamente
por meio das técnicas de raciocínio aproximado. Os operadores matemáticos
serão selecionados para definir a relação fuzzy que modela a base de regras.
Desta forma, a máquina de inferência fuzzy é de fundamental importância para
o sucesso do sistema fuzzy, já que fornece a saída a partir de cada entrada
fuzzy e da relação definida pela base de regras. Serão apresentados dois
métodos: o método de Mamdani e o método de Takagi-Sugeno. A diferença
básica entre ambos métodos recai no tipo de conseqüente e no procedimento
de defuzzificação. Para simplificação, somente modelos de regras com duas
entradas e uma saída serão exemplificados.
o Método de Mamdani
Uma regra Se (antecedente) então (conseqüente) é definida pelo
produto cartesiano fuzzy dos conjuntos fuzzy que compõem o
antecedente e o conseqüente da regra. O método de Mamdani agrega
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
42
as regras através do operador lógico OU, que é modelado pelo operador
máximo e, em cada regra, o operador lógico E é modelado pelo
operador mínimo. Um exemplo pode ser visto a seguir:
Regra 1: Se (x é A1 e y é B1) então (z é C1).
Regra 1: Se (x é A2 e y é B2) então (z é C2).
A figura abaixo ilustra como uma saída real z de um sistema de
inferência é gerada a partir das entradas x e y reais e a regra de
composição max-min.
A saída 𝑧 ∈ ℝ é obtida pela defuzzificação do conjunto fuzzy de saída
𝐶 = 𝐶1′ ∪ 𝐶2
′ da figura abaixo:
Figura 26 - Método de Mamdani com composição max-min
o Método de Takagi-Sugeno
Neste caso o conseqüente de cada regra é uma função das variáveis de
entrada. Por exemplo, podemos supor que a função eu mapeia a
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
43
entrada e saída para cada regra é uma combinação linear das entradas,
isto é, 𝑧 = 𝑝𝑥1 + 𝑞𝑥2 + 𝑟. Como exemplo serão tomadas as seguintes
regras:
Regra 1: Se (x é A1 e y é B1) então z = f1(x,y).
Regra 2: Se (x é A2 e y é B2) então z = f2(x,y).
A figura abaixo ilustra como a saída z de um sistema do método Takagi-
Sugeno é gerada a partir das entradas reais x e y. Esta saída do sistema
é obtida através da média ponderada (procedimento de defuzzificação)
das saídas de cada regra, usando-se o grau de ativação destas regras
como ponderação.
Figura 27 - Método de Takagi-Sugeno
No caso em que p = q = 0, então z = r (conjunto unitário fuzzy), os
modelos de Mamdani e de Takagi-Sugeno produzem os mesmos valores
de saída, pois a defuzzificação no método de Mamdani, pelo centro de
gravidade, é igual à média ponderada no método de Takagi-Sugeno.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
44
Como z1 e z2 são conjuntos fuzzy unitários então w1 e w2 são os graus de
pertinências de z1 e z2, respectivamente.
Processador de saída (Defuzzificação)
Na teoria dos conjuntos fuzzy pode-se dizer que a defuzzificação é um processo
de se representar um conjunto fuzzy por um número real. Em sistemas fuzzy
em geral a saída é um conjunto fuzzy. Assim, deve-se escolher um método para
defuzzificar a saída e obter um número real que a represente. Será descrito a
seguir o método mais comum para tal.
o Centro de Gravidade
Este método de defuzzificação é semelhante à média ponderada para
distribuição de dados, com a diferença que os pesos são os valores C(zi)
que indicam o grau de compatibilidade do valor zi com o conceito
modelado pelo conjunto fuzzy C.
Para um domínio discreto tem-se
𝐺 𝐶 = 𝑢𝑖𝐶(𝑧𝑖)
𝑛𝑖=0
𝐶(𝑧𝑖)𝑛𝑖=0
E para um domínio contínuo
𝐺 𝐶 =∫ 𝑢𝐶 𝑢 𝑑𝑢𝑅
∫ 𝐶 𝑢 𝑑𝑢𝑅
onde R é a região de integração.
3. Projeto do sistema especialista
3.1. Metodologia
Para sistematização do trabalho, foram seguidos os seguintes passos:
Determinação dos parâmetros para o sinal de entrada;
Aquisição e tratamento do sinal de entrada, aplicação de função janela;
Conversão do sinal em domínio freqüência através de uma Transformada
Rápida de Fourier (FFT);
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
45
Identificação e caracterização das faixas de freqüência do sinal obtido;
Aplicação de inferência fuzzy para determinação preliminar de criticidade;
Modelagem do sistema especialista de identificação de modo de falha
incipiente.
3.2. Aquisição de sinais
Para a aquisição de dados, alguns fatores importantes devem ser considerados, como
a taxa de amostragem e a quantidade de tempo de coleta de dados. Quanto maior a
freqüência de amostragem de dados, maior vai ser a freqüência passível de captura do
sinal original analógico.
De acordo com a teoria da freqüência de Nyquist, para que sejam recuperadas todas
as componentes de uma forma de onda periódica, é necessário usar uma taxa de
amostragem pelo menos duas vezes maior que a freqüência mais alta apresentada na
forma de onda. Como neste trabalho serão abordados apenas modos de falha que
envolvam até a terceira harmônica da freqüência fundamental de vibração do
equipamento, e como estes dificilmente têm uma freqüência de rotação superior à da
rede elétrica (60Hz no Brasil), multiplicando esse valor por 3 (pois queremos obter até
a terceira harmônica) obtém-se 180hz. Multiplicando ainda por um fator de segurança
de 2 para eventuais flutuações de rotação do equipamento e por 2 novamente de
acordo com a teoria da freqüência de Nyquist citada na revisão bibliográfica, obtém-se
uma freqüência desejada de amostragem de 720Hz.
Já o valor da mínima freqüência visível (resolução) no sinal transformado para o
domínio freqüência está diretamente relacionado com o tempo de amostragem. Se a
amostra possuir 1 segundo, sua freqüência mínima visível será 1Hz, no caso de 500ms
2Hz, conforme a própria fórmula para freqüência: F=1/t. Para o caso do sistema em
questão, a resolução deve ser suficiente para que cada faixa de freqüência seja
distinguível. Um valor ideal seria de um tempo de amostra de 1 segundo, não sendo
menor do que 200ms, pois com menos que isso há a tendência das faixas de
freqüência ficarem muito próximas umas das outras.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
46
Com base nos dados calculados acima, escolheu-se o equipamento VB-500/EB da
Koscak, por possuir taxa de amostragem de 5000Hz, bem acima do desejado, e tempo
de amostra de 200ms, que é um valor razoável.
Figura 28 - Equipamento coletor de dados de vibrações VK-500/EB
E com o uso do software Interfac os dados são transferidos do coletor de dados para o
computador através de interface serial RS-232.
Os dados resultantes são apresentados em formato de lista não-indexada de valores
com definição de 8 bits, com um total de 1000 leituras, referentes a 200ms de coleta
de dados a uma taxa de amostragem de 5000Hz (uma coleta de dados a cada 200µs),
como no exemplo abaixo:
125 122 102 ...
O que implica que os valores devem ser normalizados e convertidos para que possam
ser utilizados. Como o range de aceleração de aquisição do aparelho é de -1gpk a
+1gpk, e os valores coletados estão com zero no offset de 128, foi elaborada a seguinte
fórmula para a conversão das informações:
𝑉𝑛 =(𝑉𝑜 − 128)
128∙ 1
Onde:
𝑉𝑛 = 𝑉𝑎𝑙𝑜𝑟 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑧𝑎𝑑𝑜
𝑉𝑜 = 𝑉𝑎𝑙𝑜𝑟 𝑜𝑟𝑖𝑔𝑖𝑛𝑎𝑙
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
47
Após a conversão de todos os valores do arquivo de dados, foi adicionado um
cabeçalho para que o sinal pudesse ser importado pelo LabView, resultando em um
arquivo como no exemplo abaixo:
***End_of_Header*** Valor 0,003921569 -0,019607843 -0,035294118 -0,050980392 ...
3.3. Importando o sinal no LabView
O processo de importação do sinal no LabVIEW é simples, e feito através do bloco
Read From Measurement File.
Figura 29 - Bloco de Leitura de arquivo
A seguinte configuração foi utilizada:
File Format: Text (LVM)
Read Generic Text Files
Delimiter: Tab
Start Row of Numeric Data: 1
Decimal Point: , (comma)
Time Stamps: Relative to start of measurement
Segment Size: Retrieve segments of original size
O resultado obtido é mostrado na imagem abaixo:
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
48
Figura 30 - Configurações do bloco de leitura de arquivo
O bloco carrega um arquivo de dados pré-definido em sua configuração, ou este pode
ser indicado através da interface do usuário, como será utilizado. Um ganho foi
adicionado ao sinal, caso eventuais correções sejam necessárias aos dados de entrada,
ou mesmo para experimentação com diversas amplitudes em mesmo sinal. Um gráfico
do sinal de entrada também é exibido na tela.
Figura 31 - Diagrama de blocos da importação de dados
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
49
Após experimentação foi detectada presença de uma componente de offset no sinal
de entrada, o que faz com que a integração do sinal que ocorrerá posteriormente
resulte em um sinal somado a uma rampa, que quando convertida para o domínio
apareceria como uma componente de baixa freqüência e amplitude elevada. Para
eliminar esse offset, foi utilizado um bloco detector de sinal DC, e então seu valor foi
subtraído do sinal de entrada.
3.4. Tratamento do sinal
O sinal capturado é apresentado normalizado como função da aceleração apresentada
pelas vibrações do equipamento ao longo do tempo. Para a aplicação da analise de
vibrações será importante também que os dados sejam apresentados como função da
velocidade. Portanto, sabendo-se que 𝑣 = ∫𝑎 ∙ 𝑑𝑡, usa-se um bloco integrador para
obter o resultado desejado:
Figura 32 - Bloco Integrador
Como esse bloco também pode ser utilizado para outras operações matemáticas –
originalmente é apresentado como Time Domain Math; é configurado conforme figura
abaixo:
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
50
Figura 33 - Configuração do Bloco Integrador
Para que os sinais possam ser utilizados em uma transformada de Fourier sem que
haja a presença de componentes de alta freqüência, ou o chamado “vazamento de
frequência” devido ao corte súbito do sinal amostrado em seu início e fim, ele deve ser
tratado, passando antes por um processo conhecido como Windowing. Várias técnicas
de windowing já foram descritas no início deste trabalho. A janela Hamming foi
escolhida por oferecer atenuação razoável ao “vazamento de freqüência” e ser a que
menos distorce a fase do sinal.
A aplicação da função janela é realizada juntamente com a conversão do sinal para o
domínio freqüência no LabView, utilizando o bloco Spectral Measurements, que realiza
uma FFT sobre o sinal:
Figura 34 - Bloco Spectral Measurements (FFT)
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
51
A configuração do bloco é mostrada na figura abaixo:
Figura 35 - Configuração do bloco Spectral Measurements
Adicionalmente, foi adicionado um bloco Statistics para a obtenção das informações
de valor máximo e índice do valor máximo do espectro:
Figura 36 - Bloco Statistics
O bloco foi configurado conforme imagem abaixo:
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
52
Figura 37 - Configuração do Bloco Statistics
Esse mesmo bloco foi utilizado para obter o valor RMS da vibração em domínio tempo
para a velocidade e aceleração.
Estruturando todos os blocos, a parte de processamento inicial da instrumentação
virtual foi obtido:
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
53
Figura 38 - Diagrama de Blocos do processamento de entrada
Devido à natureza do sinal de entrada e da integração numérica que ele sofre no bloco
integrador, uma componente DC pode aparecer após a integração. O mesmo bloco
detector de sinal DC descrito anteriormente foi utilizado para ser eliminado o offset,
que causa o aparecimento de componentes indesejáveis de freqüência em torno de
zero.
O sistema de processamento inicial foi convertido em um SubVI, ou seja, uma
subrotina, que será exibida no VI principal como um bloco, simplificando o sistema.
Utilizando as saídas deste SubVI foram adicionados diversos gráficos e indicações como
pode ser visto na figura abaixo.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
54
Figura 39 - SubVI de processamento inicial e controles associados
A fio em laranja é resultado de uma conversão de tipo de dados entre dados
dinâmicos, um formato utilizado pelos blocos de processamento de sinal, e uma matriz
(array) comum. Os dados em formato de matriz serão utilizados pela próxima parte do
sistema.
3.5. Identificação e Caracterização do sinal
Como primeiro passo na análise do sinal de vibração do equipamento, para que ele
possa ser processado pelo sistema especialista, será feita uma pré-avaliação do
espectro, com base na norma ISO 2372, para avaliar a criticidade de cada componente
de freqüência. Para isso, será feita uma conversão da Tabela 1 para valores lingüísticos
através do uso de lógica fuzzy.
3.5.1. Aplicação preliminar de Inferência Difusa
A conversão da Tabela 1 para lógica fuzzy foi feita através do uso da ferramenta “Fuzzy
Logic Controller Design”, e as funções de pertinência para cada faixa de velocidade são
exibidas no gráfico abaixo:
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
55
Figura 40 - Funções de pertinência para faixas de velocidade
Para a classificação do equipamento a ser avaliado pelo sistema, também foi feita a
conversão para lógica fuzzy das faixas de potência dos equipamentos:
Figura 41 - Funções de pertinência para faixas de potência
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
56
Como saídas foram adotadas as variáveis lingüísticas referentes à condição que
equivale à combinação Classe de equipamento-Nível de vibração, conforme gráfico
abaixo:
Figura 42 - Funções de pertinência de condição
Com as variáveis lingüísticas de entrada e saída definidas, foi criada a base de regras
para inferência. A lista de condições é mostrada abaixo:
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
57
Figura 43 - Base de regras para inferência fuzzy
Pode ser observado através da Figura 43 que para inferência está sendo utilizado o
método “Máximo dos Mínimos” e para defuzzificação o método “Centro de
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
58
Gravidade”. Como pode ser observado a partir da variável de saída projetada, o
controlador utiliza o método de inferência Mamdani.
Com o design do controlador fuzzy definido, é salvo um arquivo com suas definições,
para que possa ser utilizado em seus blocos correspondentes no sistema, que
processará o FFT da velocidade do sinal de entada.
Figura 44 - Sistema do primeiro controlador fuzzy
O bloco fuzzy superior carrega o as configurações presentes no arquivo salvo
anteriormente para o bloco fuzzy inferior, que é o controlador fuzzy. Como o
controlador é projetado para processamento em tempo real, o processamento é feito
com um conjunto de valores por vez. Portanto, para que toda a matriz de dados de
entrada seja processada é utilizado um bloco FOR, que itera todas suas posições de
índice para o controlador.
3.6. Modelagem do sistema especialista
Para que o sinal possa ser interpretado por um controlador fuzzy que indique condição
da máquina e sua severidade, primeiro foi elaborado um script que classifica a
condição de cada faixa de freqüência conforme a avaliação já feita pelo controlador
fuzzy anterior.
Para tal diagnóstico, é necessária a entrada de alguns dados básicos pertinentes ao
equipamento analisado, como velocidade de rotação (em RPM), e potência – para
classificação de acordo com uma das classes definidas na ISO 2379.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
59
Como podem ocorrer variações naturais na velocidade de rotação do equipamento
devido a, por exemplo, variações no processo, carga, mudança de set-point,
imprecisão dos dados fornecidos, foi elaborado um script para busca da freqüência
fundamental do equipamento em torno da velocidade de rotação entrada pelo
usuário.
O script faz uma varredura por picos de amplitude no espectro de velocidade de
vibrações do equipamento em torno da freqüência que corresponde à velocidade de
rotação entrada pelo usuário, com uma tolerância de busca também pré-definida pelo
usuário. Como dados de entrada temos: matriz da FFT de velocidade, rotação em RPM,
resolução da DFT e tolerância da busca. Como saídas temos a freqüência fundamental
obtida e seu índice na matriz da FFT de velocidade.
Figura 45 - Bloco de Mathscript para detecção de freqüência fundamental e suas entradas e saídas
Como pode ser visto na figura acima, a resolução da DFT/FFT, para determinação da
freqüência com base em seu índice no gráfico, é calculada através de um input do
usuário indicando o tempo, em milissegundos, da amostra. Pode ser observado que há
uma correção do índice na manipulação de matrizes, pois o índice inicial em
mathscript é 1, ao contrário da linguagem G, onde o índice inicial é 0. O script está
presente nos anexos deste trabalho para melhor visualização.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
60
O valor da freqüência fundamental obtido anteriormente é utilizado em outro script
que faz uma busca em torno dos valores de freqüência para 1x, 2x, 3x fundamental e
para valores abaixo de 1x (sub-harmônicas), obtendo o valor mais crítico de cada faixa
de freqüência. Este script também está presente nos anexos.
Figura 46 - Bloco de busca de condição por faixa de freqüência e suas entradas e saídas
Esse valor de condição fuzzy para cada faixa de freqüência é exibido no painel frontal
do VI.
Com base na teoria discutida anteriormente foram criados três controladores fuzzy,
cada um identificando um dos seguintes modos de falha: desalinhamento,
desbalanceamento e folga.
Esses controladores terão como entrada os valores mais críticos dentro de cada faixa
de freqüência obtidos anteriormente, e como entrada um valor que indicará o nível de
presença da condição, variando entre -1 (não possui a condição), 0 (possui a condição)
e 1 (possui a condição e o estado é crítico).
Portanto, a definição de variáveis lingüísticas será a mesma para os três modos de
falha, havendo diferença apenas em suas bases de regras. As variáveis de entrada
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
61
serão definidas tomando por base a variável lingüística de saída do primeiro
controlador fuzzy que determina a condição para todo o espectro. Serão os mesmos
termos lingüísticos para as quatro variáveis de entrada dos controladores, conforme a
imagem a seguir.
Figura 47 - Exemplo de variável lingüística de entrada e as funções de pertinência de seus termos. Importante observar que todas possuem os mesmos termos lingüísticos.
Para a variável de saída foi adotado um padrão semelhante, com diferença apenas nos
significados dos termos lingüísticos.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
62
Figura 48 - Variável lingüística de saída.
A base de regras foi elaborada para cada caso de modo de falha visando ter como
saída uma identificação de sua presença ou não nos dados analisados, bem como se
está apenas presente ou se já apresenta sinais críticos, que indicariam haver
deterioração em função do modo de falha.
Estando modeladas as variáveis de entrada e saída, idênticas para os três
controladores fuzzy referente aos três modos de falha que serão apresentados, basta
apenas que seja definida a base de regras para cada um deles.
As bases de regras foram elaboradas tendo como referência tanto documentos
científicos quanto a experiência prática de um engenheiro especialista na área. Elas
foram definidas como se segue abaixo, onde “sub” é a variável linguística
correspondente à condição da faixa de frequência das sub-harmônicas, “1a_harm”
corresponde à primeira harmônica, ou frequência fundamental, “2a_harm” e
“3a_harm” correspondem à segunda e terceira harmônicas respectivamente e “saida”
é a saída que determina a presença ou não daquele modo de falha.
Modo de falha: Desbalanceamento
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
63
Regra Nº sub 1a_harm 2a_harm 3a_harm saída
1 Bom Bom Bom Bom nao_presente
2 Bom Bom Bom Alerta nao_presente
3 Bom Bom Bom Crítico nao_presente
4 Bom Bom Alerta Bom nao_presente
5 Bom Bom Alerta Alerta nao_presente
6 Bom Bom Alerta Crítico nao_presente
7 Bom Bom Crítico Bom nao_presente
8 Bom Bom Crítico Alerta nao_presente
9 Bom Bom Crítico Crítico nao_presente
10 Bom Alerta Bom Bom presente
11 Bom Alerta Bom Alerta nao_presente
12 Bom Alerta Bom Crítico nao_presente
13 Bom Alerta Alerta Bom nao_presente
14 Bom Alerta Alerta Alerta nao_presente
15 Bom Alerta Alerta Crítico nao_presente
16 Bom Alerta Crítico Bom nao_presente
17 Bom Alerta Crítico Alerta nao_presente
18 Bom Alerta Crítico Crítico nao_presente
19 Bom Crítico Bom Bom crítico
20 Bom Crítico Bom Alerta crítico
21 Bom Crítico Bom Crítico nao_presente
22 Bom Crítico Alerta Bom crítico
23 Bom Crítico Alerta Alerta crítico
24 Bom Crítico Alerta Crítico nao_presente
25 Bom Crítico Crítico Bom nao_presente
26 Bom Crítico Crítico Alerta nao_presente
27 Bom Crítico Crítico Crítico nao_presente
28 Alerta Bom Bom Bom nao_presente
29 Alerta Bom Bom Alerta nao_presente
30 Alerta Bom Bom Crítico nao_presente
31 Alerta Bom Alerta Bom nao_presente
32 Alerta Bom Alerta Alerta nao_presente
33 Alerta Bom Alerta Crítico nao_presente
34 Alerta Bom Crítico Bom nao_presente
35 Alerta Bom Crítico Alerta nao_presente
36 Alerta Bom Crítico Crítico nao_presente
37 Alerta Alerta Bom Bom presente
38 Alerta Alerta Bom Alerta nao_presente
39 Alerta Alerta Bom Crítico nao_presente
40 Alerta Alerta Alerta Bom nao_presente
41 Alerta Alerta Alerta Alerta nao_presente
42 Alerta Alerta Alerta Crítico nao_presente
43 Alerta Alerta Crítico Bom nao_presente
44 Alerta Alerta Crítico Alerta nao_presente
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
64
45 Alerta Alerta Crítico Crítico nao_presente
46 Alerta Crítico Bom Bom crítico
47 Alerta Crítico Bom Alerta crítico
48 Alerta Crítico Bom Crítico nao_presente
49 Alerta Crítico Alerta Bom crítico
50 Alerta Crítico Alerta Alerta crítico
51 Alerta Crítico Alerta Crítico nao_presente
52 Alerta Crítico Crítico Bom nao_presente
53 Alerta Crítico Crítico Alerta nao_presente
54 Alerta Crítico Crítico Crítico nao_presente
55 Crítico Bom Bom Bom nao_presente
56 Crítico Bom Bom Alerta nao_presente
57 Crítico Bom Bom Crítico nao_presente
58 Crítico Bom Alerta Bom nao_presente
59 Crítico Bom Alerta Alerta nao_presente
60 Crítico Bom Alerta Crítico nao_presente
61 Crítico Bom Crítico Bom nao_presente
62 Crítico Bom Crítico Alerta nao_presente
63 Crítico Bom Crítico Crítico nao_presente
64 Crítico Alerta Bom Bom presente
65 Crítico Alerta Bom Alerta nao_presente
66 Crítico Alerta Bom Crítico nao_presente
67 Crítico Alerta Alerta Bom nao_presente
68 Crítico Alerta Alerta Alerta nao_presente
69 Crítico Alerta Alerta Crítico nao_presente
70 Crítico Alerta Crítico Bom nao_presente
71 Crítico Alerta Crítico Alerta nao_presente
72 Crítico Alerta Crítico Crítico nao_presente
73 Crítico Crítico Bom Bom crítico
74 Crítico Crítico Bom Alerta crítico
75 Crítico Crítico Bom Crítico nao_presente
76 Crítico Crítico Alerta Bom crítico
77 Crítico Crítico Alerta Alerta crítico
78 Crítico Crítico Alerta Crítico nao_presente
79 Crítico Crítico Crítico Bom nao_presente
80 Crítico Crítico Crítico Alerta nao_presente
81 Crítico Crítico Crítico Alerta nao_presente
Modo de falha: Desalinhamento
Regra Nº sub 1a_harm 2a_harm 3a_harm saida
1 Bom Bom Bom Bom nao_presente
2 Bom Bom Bom Alerta presente
3 Bom Bom Bom Crítico crítico
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
65
4 Bom Bom Alerta Bom presente
5 Bom Bom Alerta Alerta presente
6 Bom Bom Alerta Crítico presente
7 Bom Bom Crítico Bom crítico
8 Bom Bom Crítico Alerta crítico
9 Bom Bom Crítico Crítico crítico
10 Bom Alerta Bom Bom nao_presente
11 Bom Alerta Bom Alerta presente
12 Bom Alerta Bom Crítico crítico
13 Bom Alerta Alerta Bom presente
14 Bom Alerta Alerta Alerta presente
15 Bom Alerta Alerta Crítico crítico
16 Bom Alerta Crítico Bom crítico
17 Bom Alerta Crítico Alerta crítico
18 Bom Alerta Crítico Crítico crítico
19 Bom Crítico Bom Bom nao_presente
20 Bom Crítico Bom Alerta presente
21 Bom Crítico Bom Crítico crítico
22 Bom Crítico Alerta Bom presente
23 Bom Crítico Alerta Alerta presente
24 Bom Crítico Alerta Crítico crítico
25 Bom Crítico Crítico Bom crítico
26 Bom Crítico Crítico Alerta crítico
27 Bom Crítico Crítico Crítico crítico
28 Alerta Bom Bom Bom nao_presente
29 Alerta Bom Bom Alerta presente
30 Alerta Bom Bom Crítico crítico
31 Alerta Bom Alerta Bom presente
32 Alerta Bom Alerta Alerta presente
33 Alerta Bom Alerta Crítico crítico
34 Alerta Bom Crítico Bom crítico
35 Alerta Bom Crítico Alerta crítico
36 Alerta Bom Crítico Crítico crítico
37 Alerta Alerta Bom Bom nao_presente
38 Alerta Alerta Bom Alerta presente
39 Alerta Alerta Bom Crítico crítico
40 Alerta Alerta Alerta Bom presente
41 Alerta Alerta Alerta Alerta presente
42 Alerta Alerta Alerta Crítico crítico
43 Alerta Alerta Crítico Bom crítico
44 Alerta Alerta Crítico Alerta crítico
45 Alerta Alerta Crítico Crítico crítico
46 Alerta Crítico Bom Bom nao_presente
47 Alerta Crítico Bom Alerta presente
48 Alerta Crítico Bom Crítico crítico
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
66
49 Alerta Crítico Alerta Bom presente
50 Alerta Crítico Alerta Alerta presente
51 Alerta Crítico Alerta Crítico crítico
52 Alerta Crítico Crítico Bom crítico
53 Alerta Crítico Crítico Alerta crítico
54 Alerta Crítico Crítico Crítico crítico
55 Crítico Bom Bom Bom nao_presente
56 Crítico Bom Bom Alerta presente
57 Crítico Bom Bom Crítico crítico
58 Crítico Bom Alerta Bom presente
59 Crítico Bom Alerta Alerta presente
60 Crítico Bom Alerta Crítico crítico
61 Crítico Bom Crítico Bom crítico
62 Crítico Bom Crítico Alerta crítico
63 Crítico Bom Crítico Crítico crítico
64 Crítico Alerta Bom Bom nao_presente
65 Crítico Alerta Bom Alerta presente
66 Crítico Alerta Bom Crítico crítico
67 Crítico Alerta Alerta Bom presente
68 Crítico Alerta Alerta Alerta crítico
69 Crítico Alerta Alerta Crítico crítico
70 Crítico Alerta Crítico Bom crítico
71 Crítico Alerta Crítico Alerta crítico
72 Crítico Alerta Crítico Crítico crítico
73 Crítico Crítico Bom Bom nao_presente
74 Crítico Crítico Bom Alerta presente
75 Crítico Crítico Bom Crítico crítico
76 Crítico Crítico Alerta Bom presente
77 Crítico Crítico Alerta Alerta presente
78 Crítico Crítico Alerta Crítico crítico
79 Crítico Crítico Crítico Bom crítico
80 Crítico Crítico Crítico Alerta crítico
81 Crítico Crítico Crítico Crítico crítico
Modo de falha: Folga
Regra Nº sub 1a_harm 2a_harm 3a_harm saida
1 Bom Bom Bom Bom nao_presente
2 Bom Bom Bom Alerta nao_presente
3 Bom Bom Bom Crítico nao_presente
4 Bom Bom Alerta Bom nao_presente
5 Bom Bom Alerta Alerta nao_presente
6 Bom Bom Alerta Crítico nao_presente
7 Bom Bom Crítico Bom nao_presente
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
67
8 Bom Bom Crítico Alerta nao_presente
9 Bom Bom Crítico Crítico nao_presente
10 Bom Alerta Bom Bom nao_presente
11 Bom Alerta Bom Alerta nao_presente
12 Bom Alerta Bom Crítico nao_presente
13 Bom Alerta Alerta Bom nao_presente
14 Bom Alerta Alerta Alerta nao_presente
15 Bom Alerta Alerta Crítico nao_presente
16 Bom Alerta Crítico Bom nao_presente
17 Bom Alerta Crítico Alerta nao_presente
18 Bom Alerta Crítico Crítico nao_presente
19 Bom Crítico Bom Bom nao_presente
20 Bom Crítico Bom Alerta nao_presente
21 Bom Crítico Bom Crítico nao_presente
22 Bom Crítico Alerta Bom nao_presente
23 Bom Crítico Alerta Alerta nao_presente
24 Bom Crítico Alerta Crítico nao_presente
25 Bom Crítico Crítico Bom nao_presente
26 Bom Crítico Crítico Alerta nao_presente
27 Bom Crítico Crítico Crítico nao_presente
28 Alerta Bom Bom Bom presente
29 Alerta Bom Bom Alerta presente
30 Alerta Bom Bom Crítico presente
31 Alerta Bom Alerta Bom presente
32 Alerta Bom Alerta Alerta presente
33 Alerta Bom Alerta Crítico presente
34 Alerta Bom Crítico Bom presente
35 Alerta Bom Crítico Alerta presente
36 Alerta Bom Crítico Crítico presente
37 Alerta Alerta Bom Bom presente
38 Alerta Alerta Bom Alerta presente
39 Alerta Alerta Bom Crítico presente
40 Alerta Alerta Alerta Bom presente
41 Alerta Alerta Alerta Alerta presente
42 Alerta Alerta Alerta Crítico presente
43 Alerta Alerta Crítico Bom presente
44 Alerta Alerta Crítico Alerta presente
45 Alerta Alerta Crítico Crítico presente
46 Alerta Crítico Bom Bom presente
47 Alerta Crítico Bom Alerta presente
48 Alerta Crítico Bom Crítico presente
49 Alerta Crítico Alerta Bom presente
50 Alerta Crítico Alerta Alerta presente
51 Alerta Crítico Alerta Crítico presente
52 Alerta Crítico Crítico Bom presente
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
68
53 Alerta Crítico Crítico Alerta presente
54 Alerta Crítico Crítico Crítico presente
55 Crítico Bom Bom Bom crítico
56 Crítico Bom Bom Alerta crítico
57 Crítico Bom Bom Crítico crítico
58 Crítico Bom Alerta Bom crítico
59 Crítico Bom Alerta Alerta crítico
60 Crítico Bom Alerta Crítico crítico
61 Crítico Bom Crítico Bom crítico
62 Crítico Bom Crítico Alerta crítico
63 Crítico Bom Crítico Crítico crítico
64 Crítico Alerta Bom Bom crítico
65 Crítico Alerta Bom Alerta crítico
66 Crítico Alerta Bom Crítico crítico
67 Crítico Alerta Alerta Bom crítico
68 Crítico Alerta Alerta Alerta crítico
69 Crítico Alerta Alerta Crítico crítico
70 Crítico Alerta Crítico Bom crítico
71 Crítico Alerta Crítico Alerta crítico
72 Crítico Alerta Crítico Crítico crítico
73 Crítico Crítico Bom Bom crítico
74 Crítico Crítico Bom Alerta crítico
75 Crítico Crítico Bom Crítico crítico
76 Crítico Crítico Alerta Bom crítico
77 Crítico Crítico Alerta Alerta crítico
78 Crítico Crítico Alerta Crítico crítico
79 Crítico Crítico Crítico Bom crítico
80 Crítico Crítico Crítico Alerta crítico
81 Crítico Crítico Crítico Crítico crítico
Pode-se observar que para o caso de desbalanceamento, há algumas situações onde
está presente uma condição alerta para a faixa de freqüência fundamental, mas, como
há outras componentes presentes, a saída apresenta que o modo de falha
desbalanceamento não está presente. Isso se dá pois o aparecimento de outras
componentes juntamente com a fundamental é situação característica do modo de
falha desalinhamento. Mesmo assim foram feitas algumas ponderações, com a ajuda
de um especialista na área, a respeito de casos críticos onde há desbalanceamento
severo que impacta em reflexo em outras faixas de freqüência.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
69
Outra observação que pode ser feita é a respeito do modo de falha folga. Ele é
dependente apenas da variável “sub”, que representa sub-harmônicas, pois apenas
essa faixa de freqüência é suficiente para detectar tal modo de falha. Vale ressaltar
que o tipo de folga que está sendo tratada é aquela decorrente de problema de
ajustagem, que causa efeito de raspagem.
É importante notar que o modo de falha “desbalanceamento” só pode ser identificado
quando a medição é feita na direção radial, pois este não possui componentes axiais.
Isso será levado em consideração no VI. Por outro lado, no caso do desalinhamento,
quando apresentado na direção radial ele é considerado desalinhamento paralelo, e na
direção axial desalinhamento angular, conforme citado na teoria deste trabalho. Já o
modo de falha incipiente “folga” apresenta vibração em ambas direções.
Realizando a montagem desses três controladores fuzzy para detecção dos modos de
falha incipientes, junto com a apresentação de seus valores em tela para o usuário,
considerando também a direção da análise, é montado o diagrama de blocos conforme
figura abaixo:
Figura 49 - Diagrama de blocos dos controladores para detecção de modo de falha incipiente
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
70
E para o caso da direção axial de análise, simplesmente descartamos o controlador
para o desbalanceamento:
Figura 50 - Detalhe da ausência do controlador de detecção de desbalanceamento para o caso axial.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
71
Com isso temos o sistema de VI completo, com painel frontal conforme figura abaixo:
Figura 51 - Painel Frontal do VI
E com diagrama de blocos completo conforme figura a seguir:
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
72
Figura 52 - Diagrama de blocos completo. No detalhe, o SubVI de processamento inicial
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
73
3.7. Resultados Obtidos
Foram realizados ensaios com diversos conjuntos de dados de entrada, e, para efeito
de experimentação, alterados os ganhos de entrada para que determinados casos que
possuem níveis de vibração muito pequenos para que seja considerado um modo de
falha incipiente, este se apresente detectável para o sistema especialista.
Conjunto de dados 1
Equipamento: Motor de Indução, acionamento de moinho de cimento.
Potência: 1250kW
Rotação: 3600rpm
Ponto de análise: Mancal anterior do motor.
Direção da amostra: Radial
Figura 53 - Foto do equipamento analisado
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
74
Figura 54 - Amostra de entrada - Conjuntos de dados 1. Amplitude em gpk, tempo em ms.
Após a FFT, obtém-se o seguinte espectro:
Figura 55 - Espectro do conjunto de dados 1. Amplitude em mm/s, freqüência em Hz
E após o primeiro sistema de inferência fuzzy, é obtido o gráfico com as condições para cada faixa de freqüência.
Figura 56 - Gráfico de condição fuzzy por faixa de frequencia
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
75
O sistema indica a condição de todo espectro com o valor “-1”, que significa “BOM” de
acordo com a descrição de variável lingüística do sistema. Isso mostra que os níveis de
vibração são muito pequenos para a classe de equipamento identificada para que
possa ser identificado qualquer modo de falha incipiente. Isso é correto, dado que com
uma potência de 1250kW o equipamento corresponderia, de acordo com a variável
lingüística de classe de equipamento, à Classe IV, que só apresenta nível de vibração
alerta a partir de 11,2 mm/s.
Conseqüentemente, os conseguintes sistemas de inferência fuzzy resultam também
em “-1”, o que indica que não há nenhum modo de falha presente.
Figura 57 - Resultado final para o conjunto de dados.
Alterando o ganho de entrada para 10, obtêm-se os seguintes resultados:
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
76
Figura 58 - Espectro de velocidade para ganho = 10
Figura 59 - Condição fuzzy por faixa de frequência com ganho = 10
Com o aumento do ganho de entrada, os valores de vibração passam a atingir níveis
críticos, como pode ser visto no gráfico de condição fuzzy. Como conseqüência, a
condição fuzzy na faixa de frequência fundamental passa a ser apresentada como “1”
(crítico) e o modo de falha “desbalanceamento” é claramente identificado pelo
sistema. Há a aparição de um nível irrisório na segunda harmônica, o que resulta
também na aparição de um nível irrisório de desalinhamento.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
77
Figura 60 - Resultado final para o mesmo conjunto de dados com ganho = 10
Conjunto de dados 2
Equipamento: Motor de Indução, acionamento de bomba centrífuga.
Potência: 44,16kW
Rotação: 3600rpm
Ponto de análise: Mancal anterior da bomba.
Direção da amostra: Axial
Figura 61 - Gráfico de aceleração do conjunto de dados 2. Amplitude em gpk, tempo em ms.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
78
Transformados os dados de entrada para o domínio da freqüência:
Figura 62 - Espectro do conjunto de dados de entrada 2. Amplitude em mm/s, freqüência em Hz.
Esse espectro é então processado pelo sistema de inferência fuzzy para determinação
de condição para cada freqüência.
Figura 63 - Gráfico de condição fuzzy por faixa de freqüência para conjunto de dados de entrada 2.
Logo após o gráfico é processado pelo script que identifica a condição global por faixa
de freqüência. Esses valores são então processados pelo próximo sistema de inferência
fuzzy que determinará o modo de falha incipiente. Como resultado obtém-se:
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
79
Figura 64 - Resultados obtidos para conjunto de dados de entrada 2.
Como se trata de um conjunto de dados de entrada coletados na direção axial, o nível
de desbalanceamento pode ser ignorado. Pode ser visto que o nível de
desbalanceamento apresentou valor “-0,266845” – um valor próximo de zero, que
indica a presença do modo de falha “desalinhamento”, embora este não se apresente
em estado crítico.
Conjunto de dados 3
Equipamento: Motor de Indução, acionamento de ventilador.
Potência: 18,4kW
Rotação: 1780rpm
Ponto de análise: Mancal posterior do motor.
Direção da amostra: Radial
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
80
Figura 65 - Foto do equipamento referente ao conjunto de dados 3.
Figura 66 - Gráfico de aceleração do conjunto de dados 3. Amplitude em gpk, tempo em ms.
Figura 67 - Espectro do conjunto de dados de entrada 3. Amplitude em mm/s, freqüência em Hz.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
81
Figura 68 - Gráfico de condição fuzzy por faixa de freqüência para o conjunto de dados de entrada 3.
Figura 69 – Resultados obtidos para o conjunto de dados de entrada 3.
Como resultado foi obtido um valor de “-0,600437” para a condição da falha incipiente
folga, indicando um início de presença de folga no equipamento, em níveis ainda não
próximos do alerta, mas já significativos o bastante para serem detectados pelo
sistema especialista.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
82
3.8. Conclusões
O sistema se apresentou eficiente na detecção das três falhas incipientes propostas
pelo projeto, indicando inclusive seus níveis de presença nos dados analisados com um
bom grau de confiabilidade. Uma observação que pode ser feita é a respeito da
situação em que os níveis de vibração não são altos o suficiente para indicar qualquer
modo de falha: o sistema indica corretamente que não há modo de falha incipiente – e
realmente não há, mas talvez fosse interessante que houvesse algum tipo de
indicação, dizendo, por exemplo, que apesar dos níveis de vibração não serem altos o
bastante, há dados que indicam um possível início da presença do modo de falha e que
um acompanhamento com futuras análises seria interessante para verificar se o modo
de falha incipiente evolui – algo que pode ser inclusive adicionado ao sistema
futuramente.
A criação do sistema em LabVIEW propicia uma grande facilidade para que sejam
realizadas alterações e melhorias, fazendo com que o projeto possa servir como base
para, por exemplo, futuros sistemas de detecção que se utilizem do mesmo conceito,
porém com uma gama mais ampla de modos de falha detectáveis.
Outro ponto importante é o fato de que o sistema, por ser um sistema baseado em
variáveis e regras lingüísticas, ainda pode, com a maturação de seu uso ao longo do
tempo, ter as funções de pertinência de suas variáveis e sua base de regras alteradas
para se adaptar a situações mais diversas, propiciando uma detecção de modos de
falha incipientes ainda melhor.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
83
4. Referências Bibliográficas 1. ISO 2372, 1974. Mechanical vibration of machines with operating speeds from
10 to 200 rev/s – Basics for specifying evaluation Standards. ISO.
2. VDI 2053, Oktober 1964. Beurteilungsmaβtäbe für mechanisch Schwingungen
von Maschinen. VDI.
3. NSK, 2004. Vibrações Mecânicas Aplicadas à Manutenção. NSK.
4. HANSEN, Bendt L.; Aplicações de promedições sincrônicas de vibrações para o
diagnóstico de defeitos em máquinas. In Manutenção, nº 29, mar/abr 1991, p.
32-40.
5. SHAW, Ian S., Controle e Modelagem Fuzzy, São Paulo : Edgard Blücher :
Fapesp, 1999.
6. TAYLOR, James L., Vibration Analysis Handbook, Vibration Consultants, 2003,
ISBN: 978-0-9640-5172-0.
7. SILVA, Clarence W. de, Vibration and Shock Handbook, New York : CRC Press,
2005, ISBN: 978-0-8493-1580-0.
8. HARRIS, Cyril M.; PIERSOL, Allan G.; Harris’ Vibration and Shock Handbook, 5th
edition, McGraw Hill, 2002, ISBN: 0-07-137081-1
9. FINLEY, William R.; HODOWANEC, Mark M.; HOLTER, Warren G.; An Analytical
Approach to Solving Motor Vibration Problems, 1999, IEEE Paper No. PCIC-99-
20.
10. TANAKA, Kazuo; An introduction to Fuzzy Logic for practical applications,
Springer, 1962, ISBN: 0-387-94807-4
11. BARROS, Laércio C. et al.; Mini Curso Introdução à Lógica Fuzzy, Simpósio de
Aplicações em Lógica Fuzzy, Sorocaba – SP, 2006.
12. CLARK, Cory L.; LabVIEW – Digital Signal Processing and Digital
Communications, McGraw-Hill, 2005, ISBN: 0-07-144492-0
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
84
5. Anexos
5.a. Código MathScript utilizado
Identificação de desvios na freqüência fundamental indicada pelo usuário
% %Busca desvio na frequência fundamental % hz = rpm/60; freqteste = floor(hz); %range do teste; range = floor(freqteste*(tol/100)); num = 0; idx = 0; %há uma correção de +1 no índice, pois em mathscript %os arrays começam em 1 e não em 0. for x=floor((freqteste/res) - (range/res))+1:1:ceil((freqteste/res) + (range/res))+1 if inVel(x) > num num = inVel(x); idx = x; end; end; % -1 para correção de mathscript para G freqout =(idx-1)*res; idxout = idx-1
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
85
Identificação de condição por faixa de freqüência
% % Define a condição para cada faixa de frequência % range = floor(freqin*(tol/100)); % 1x, 2x e 3x fundamental for mul=1:1:3 freqteste = freqin*mul num = -2 % há uma correção de +1 no índice, pois em mathscript % os arrays começam em 1 e não em 0 for x=floor((freqteste/res) - (range/res))+1:1:ceil((freqteste/res) + (range/res))+1 if input(x) > num ffreq(mul) = input(x) num = input(x) end end end % sub harmonicas num = -2 freqteste = freqin for x=1:1:floor((freqteste/res) - (range/res)) if input(x) > num ffreq(4) = input(x) num = input(x) end end
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
86
5.b. Documentação do VI
tg.vi
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
87
Rotação (RPM)
Potência (kW)
Caminho do controlador Fuzzy
Caminho da amostra de entrada
Tempo da amostra (ms)
Tolerância para pesquisa de frequência (%)
Direção
Ganho de entrada
Aceleração (domínio frequência)
Aceleração de pico (espectro, mm/s²)
Velocidade (domíno frequência)
Velocidade de Pico (espectro, mm/s)
Aceleração (domínio tempo)
Frequencia Fundamental Estimada (Hz)
Velocidade RMS (mm/s)
Aceleração RMS (mm/s²)
Gráfico de Condição Fuzzy por frequência
Resolução da DFT (Hz)
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
88
Condição Fuzzy por faixa de frequencia
Numeric
Nível de Folga
Nível de Desalinhamento
Nível de Desbalanceamento
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
89
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
90
Merge Errors.vi
C:\Program Files (x86)\National Instruments\LabVIEW
8.5\vi.lib\Utility\error.llb\Merge Errors.vi
Fuzzy Controller.vi
C:\Program Files (x86)\National Instruments\LabVIEW
8.5\vi.lib\addons\control\fuzzy\fuzzy logic.llb\Fuzzy Controller.vi
Convert from Dynamic Data2
Convert from Dynamic Data
Converts the dynamic data type to numeric, Boolean, waveform, and array data
types for use with other VIs and functions.
p_ini.vi
L:\Unesp\TG\LabView\p_ini.vi
Load Fuzzy Controller.vi
C:\Program Files (x86)\National Instruments\LabVIEW
8.5\vi.lib\addons\control\fuzzy\fuzzy logic.llb\Load Fuzzy Controller.vi
Read From Measurement File
Read From Measurement File
Reads data from a text-based measurement file (.lvm) or binary measurement file
(.tdm or .tdms).
NI_AALPro.lvlib:AC & DC Estimator.vi
C:\Program Files (x86)\National Instruments\LabVIEW
8.5\vi.lib\Analysis\0measdsp.llb\AC & DC Estimator.vi
Convert from Dynamic Data
Convert from Dynamic Data
Converts the dynamic data type to numeric, Boolean, waveform, and array data
types for use with other VIs and functions.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
91
"tg.vi History"
Current Revision: 77
Position in Hierarchy
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
92
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
93
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
94
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
95
p_ini.vi
Aceleração (domínio tempo)
Waveform
t0
dt
Y
dt
error
The error cluster contains error or warning information.
The pop-up option Explain Error (or Explain Warning)
gives more information about the error displayed.
status
The status boolean is either TRUE (X) for an error,
or FALSE (checkmark) for no error or a warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
code
The code number identifies the error or warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
96
source
The source string describes the origin of the error or
warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
attributes
Velocidade - FFT - (Pico)
Waveform
t0
dt
Y
dt
error
The error cluster contains error or warning information.
The pop-up option Explain Error (or Explain Warning)
gives more information about the error displayed.
status
The status boolean is either TRUE (X) for an error,
or FALSE (checkmark) for no error or a warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
code
The code number identifies the error or warning.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
97
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
source
The source string describes the origin of the error or
warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
attributes
Aceleração RMS
Waveform
t0
dt
Y
dt
error
The error cluster contains error or warning information.
The pop-up option Explain Error (or Explain Warning)
gives more information about the error displayed.
status
The status boolean is either TRUE (X) for an error,
or FALSE (checkmark) for no error or a warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
98
code
The code number identifies the error or warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
source
The source string describes the origin of the error or
warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
attributes
Velocidade RMS
Waveform
t0
dt
Y
dt
error
The error cluster contains error or warning information.
The pop-up option Explain Error (or Explain Warning)
gives more information about the error displayed.
status
The status boolean is either TRUE (X) for an error,
or FALSE (checkmark) for no error or a warning.
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
99
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
code
The code number identifies the error or warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
source
The source string describes the origin of the error or
warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
attributes
Máximo Aceleração
Waveform
t0
dt
Y
dt
error
The error cluster contains error or warning information.
The pop-up option Explain Error (or Explain Warning)
gives more information about the error displayed.
status
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
100
The status boolean is either TRUE (X) for an error,
or FALSE (checkmark) for no error or a warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
code
The code number identifies the error or warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
source
The source string describes the origin of the error or
warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
attributes
Máximo Velocidade
Waveform
t0
dt
Y
dt
error
The error cluster contains error or warning information.
The pop-up option Explain Error (or Explain Warning)
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
101
gives more information about the error displayed.
status
The status boolean is either TRUE (X) for an error,
or FALSE (checkmark) for no error or a warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
code
The code number identifies the error or warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
source
The source string describes the origin of the error or
warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
attributes
Aceleração - FFT - (Pico)
Waveform
t0
dt
Y
dt
error
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
102
The error cluster contains error or warning information.
The pop-up option Explain Error (or Explain Warning)
gives more information about the error displayed.
status
The status boolean is either TRUE (X) for an error,
or FALSE (checkmark) for no error or a warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
code
The code number identifies the error or warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
source
The source string describes the origin of the error or
warning.
The pop-up option Explain Error (or Explain
Warning) gives more information about the error
displayed.
attributes
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
103
RMS da Velocidade
Statistics
Returns the selected parameter of the first signal in a waveform.
--------------------
This Express VI is configured as follows:
This Express VI produces the following measurements:
RMS
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
104
Total Samples
Velocidade Máxima no espectro
Statistics
Returns the selected parameter of the first signal in a waveform.
--------------------
This Express VI is configured as follows:
This Express VI produces the following measurements:
Maximum
Index of Max
Total Samples
Aceleração Máxima no espectro
Statistics
Returns the selected parameter of the first signal in a waveform.
--------------------
This Express VI is configured as follows:
This Express VI produces the following measurements:
Maximum
Index of Max
RMS da Aceleração
Statistics
Returns the selected parameter of the first signal in a waveform.
--------------------
This Express VI is configured as follows:
This Express VI produces the following measurements:
RMS
Total Samples
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
105
exnSpectralBlock spectral measurements peak poly.vi
C:\Program Files (x86)\National Instruments\LabVIEW 8.5\vi.lib\express\express
analysis\Spectral\Block\exnSpectralBlock spectral measurements peak poly.vi
exnSpectralBlock spectral measurements peak DDT.vi
C:\Program Files (x86)\National Instruments\LabVIEW 8.5\vi.lib\express\express
analysis\Spectral\Block\exnSpectralBlock spectral measurements peak DDT.vi
Integral (Sum[Xdt])
Time Domain Math
Performs one of several math functions on time domain signals.
--------------------
This Express VI is configured as follows:
Math Operation: Integral
Calculation Mode: Continuous Calculation
NI_AALPro.lvlib:AC & DC Estimator.vi
C:\Program Files (x86)\National Instruments\LabVIEW
8.5\vi.lib\Analysis\0measdsp.llb\AC & DC Estimator.vi
Convert from Dynamic Data
Convert from Dynamic Data
Converts the dynamic data type to numeric, Boolean, waveform, and array data
types for use with other VIs and functions.
"p_ini.vi History"
Current Revision: 11
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
106
Position in Hierarchy
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
107
Sistema para detecção de falhas incipientes em máquinas rotativas utilizando instrumentação virtual e inteligência artificial
108
5.c. Documentação dos controladores Fuzzy
(em anexo)