IBP1924_12 METODOLOGIA PARA IDENTIFICAO DE PADRES DE OPERAO E CONSTRUO DE SISTEMA DE PREDIO DE FALHAS DE TURBINAS A GS EM UMA UNIDADE TERMELTRICA Otaclio

J. Pereira1, Luciana de A. Pacheco2, Srgio T. S. Barretto3, Weliton E. S. Leite4, Cristiano H. O. Fontes5, Carlos A. M. T. Cavalcante 6
Copyright 2012, Instituto Brasileiro de Petrleo, Gs e Biocombustveis - IBP Este Trabalho Tcnico foi preparado para apresentao na Rio Oil & Gas Expo and Conference 2012, realizado no perodo de 17 a 20 de setembro de 2012, no Rio de Janeiro. Este Trabalho Tcnico foi selecionado para apresentao pelo Comit Tcnico do evento, seguindo as informaes contidas no trabalho completo submetido pelo(s) autor(es). Os organizadores no iro traduzir ou corrigir os textos recebidos. O material conforme, apresentado, no necessariamente reflete as opinies do Instituto Brasileiro de Petrleo, Gs e Biocombustveis, Scios e Representantes. de conhecimento e aprovao do(s) autor(es) que este Trabalho Tcnico seja publicado nos Anais da Rio Oil & Gas Expo and Conference 2012.

Resumo
Este artigo apresenta uma metodologia para a aquisio de conhecimento de uma planta industrial com base em padres de operao e para configurao de um sistema inteligente de predio de falhas em turbinas a gs. A aquisio dos padres foi feita por tcnicas de minerao de sries temporais multivariveis, estes obtidos de um Sistema de Gerenciamento de Informaes de Plantas Industriais, ou Process Information Management System (PIMS). Os padres foram usados para concepo e construo do sistema fuzzy cuja inferncia baseia-se em avaliar a similaridade da operao da turbina com os padres levantados.

Abstract
This paper presents a method to knowledge acquisition from an industrial plant data and to develop a intelligent system to fault prediction in gas turbines. The patterns acquisition uses a data mining approach in data obtained from a Plant Information Management System (PIMS). The patterns were used to concept and develop the fuzzy system and its inference rules are based on similarity measures between the gas turbine operation and the patterns acquired.

1. Introduo
O avano da tecnologia de informao (TI) propiciou o armazenamento e a manipulao de grande volume de dados. Isso motivou a criao de mtodos associados gerao de conhecimento (Knowledge Discovery on data - KDD) e minerao (Data Mining DM) que usam os dados para obteno de conhecimento til, agregando valor aos negcios (FAYYAD, 1995). Na engenharia, a grande disponibilidade de dados em plantas industriais tambm foi propiciada pelo aperfeioamento das tecnologias de instrumentao, controle e automao. Sistemas de Gerenciamento de Informaes de Plantas Industriais (Plant Information Management Systems PIMS) disponibilizam dados que expressam a dinmica de vrias variveis de processo em um horizonte de tempo que pode atingir vrios anos (CARVALHO, 2003). Em algumas situaes, os dados, ou objetos, so representados por mais de uma srie temporal e o conhecimento til a ser extrado est relacionado ao comportamento integrado destas sries, caracterizando-se um problema de reconhecimento de padres em sries multivariveis. Este problema possui maior complexidade em relao ao caso convencional (sries monovariveis) e por isso requer tcnicas especficas para o seu tratamento. O conhecimento til e inesperado gerado a partir da minerao dos dados, mais especificamente das sries temporais, pode dar suporte para uma melhor operao da planta e para a reduo de ocorrncia de falhas. Como no caso analisado neste trabalho, dados histricos de uma usina termeltrica, equipada com turbinas a gs, podem viabilizar uma melhor capacidade produtiva e a implementao de alternativas sistemticas para evitar ou contingenciar a ocorrncia de falhas. Com isso, garante-se o fornecimento das demandas de energia e vapor previamente estabelecidas, com mnimo

______________________________ 1 Mestre, Engenheiro de Computao Escola Politcnica da UFBA 2 Mestre, Bacharel em Cincia da Computao Petrobras 3 Mestre, Matemtico Petrobras 4 Pesquisador, Engenheiro Eletricista Escola Politcnica da UFBA 5 Doutor, Engenheiro Qumico Escola Politcnica da UFBA 6 Doutor, Engenheiro Mecnico Escola Politcnica da UFBA

Rio Oil & Gas Expo and Conference 2012 risco de interrupo, evitando ou mitigando penalidades e o consequente prejuzo financeiro em razo de indisponibilidades. Este artigo apresenta uma metodologia composta de duas etapas. A primeira etapa tem como objetivo a aquisio de conhecimento, representado na forma de padres de operao, a partir de sries temporais de uma planta industrial. Mais especificamente, so identificados de forma sistemtica padres com e sem falhas em uma turbina a gs de escala comercial que representa o principal equipamento de uma Unidade Termeltrica. Este conhecimento, na forma de padres, foi utilizado na segunda etapa da metodologia que objetiva a construo de um sistema dinmico para predio de falhas usando a abordagem de sistemas de inferncia fuzzy. Na prxima seo ser apresentado o cenrio de aplicao. Na seo 3 a metodologia apresentada com suas duas etapas: de identificao dos padres e operao e de construo do sistema inteligente. A seo 4 apresenta os resultados da aplicao da metodologia e a seo 5 apresenta as consideraes finais do artigo.

2. Cenrio de Aplicao
O cenrio de aplicao deste trabalho a Unidade Termeltrica Rmulo Almeida (UTE-RA), integrante do parque industrial da empresa Petrleo Brasileiro S.A. A UTE-RA uma unidade de cogerao que opera em ciclo combinado, tem como principal insumo o gs natural e produz vapor e energia eltrica.

(a)

(b)

Figura 1 (a)UTE-RA (S BARRETTO, 2009) e (b)Ilustrao da turbina a gs RB211-G62 DF (ROLLS ROYCE, 2010) A UTE-RA possui trs turbinas a gs (TG), cada uma combinada a um gerador eltrico de 27 MW e a uma caldeira de recuperao (Heat Recovery Steam Generator HRSG). A Unidade dispe ainda de uma Caldeira Auxiliar (CA) e uma Turbina a Vapor (TV), tambm acoplada a um gerador de 56 MW, totalizando assim uma capacidade de gerao de 137 MW de energia eltrica e de produo de 260,3 t/h de vapor. O modelo de turbina a gs (TG) instalado o RB211-G62 DF (ROLLS ROYCE, 2010), do fabricante RollsRoyce, composta pelo gerador de gs modelo RB211 24G DLE DF e pela turbina de potncia RT62. As turbinas podem sofrer desarmes, tambm chamadas de trips (SARAVANAMUTTOO, 1996), e estas falhas podem ser provocadas por diversas causas: surgncia, vibrao do eixo e disperso de temperatura, por exemplo. Em interao com operadores e especialistas da planta e com a anlise dos relatrios de operao, a falha por disperso de temperatura na partida da turbina foi o primeiro tipo de ocorrncia a ser investigado na construo desta metodologia. A disperso de temperatura ocorre entre as cmaras de combusto individuais distribudas radialmente, em um anel central entre o compressor e o expansor (SARAVANAMUTTOO, 1996). Na Figura 1 esta distribuio radial das cmaras pode ser visualizada tanto no desenho da turbina (anel na parte central do esquema da turbina) bem como no sintico do sistema supervisrio (crculo representando as cmaras). As TG de modelo RB211 Rolls-Royce dispem de nove combustores e o sistema de controle da RB211 foi projetado para desarmar o equipamento caso a temperatura de operao de alguma das cmaras se distancie em 150C da mdia de temperatura de todas as cmaras, de forma a proteger o equipamento de danos por dilatao diferencial. Quando este desarme ocorre, caracteriza-se um trip por disperso de temperatura.

3. A Metodologia
A metodologia composta de duas etapas conforme visto na Figura 2. A primeira etapa tem como objetivo a aquisio de conhecimento, representado na forma de padres de operao, a partir de sries temporais obtidos num 2

Rio Oil & Gas Expo and Conference 2012 PIMS da unidade termeltrica. Atravs da metodologia so identificados os padres com e sem falhas em uma turbina a gs. A segunda etapa da metodologia utiliza estes padres para a construo de um sistema dinmico para predio de falhas usando a abordagem de sistemas de inferncia fuzzy.

Figura 2 Metodologia e suas duas principais etapas 3.1. Etapa 1: Identificao dos padres de operao a partir dos dados Cada etapa da metodologia organizada em suas atividades, produtos e ferramentas computacionais usadas para a atingir o seu propsito. Uma viso das atividades da primeira etapa est apresentada na Figura 3.

Figura 3 Atividades e tarefas da etapa de identificao dos padres Para montar uma base de eventos organizados por grupo, inicialmente foi feito um levantamento perante operao identificando a classe de eventos a investigar, no caso o evento de Trip ou Desarme da turbina a Gs por disperso de temperatura. Os relatrios operacionais da turbina foram levantados para se obter uma lista de todas as ocorrncias dos eventos de trip e de partida normal e para cada evento foram recuperandos: o instante da ocorrncia, o grupo (partida com ou sem trip) e comentrios da operao. Estas ocorrncias permitiram ento fotografar, isto , retirar amostras das sries temporais do evento e para tanto foram usadas tanto tarefas manuais como algoritmos de busca linear em sries temporais (VLACHOS, 2005). Assim, foram obtidos os objetos ou ocorrncias dos eventos a investigar com seus atributos (data e hora, grupo e comentrios do operador) bem como as curvas ou sries temporais dos eventos. Dois grupos foram estabelecidos, um grupo com 18 objetos associados a partidas com trip e outro grupo com 57 objetos associados a partidas normais. A atividade de Identificar variveis e parmetros para distino entre grupos tratou um aspecto chave da metodologia que encontrar meios para a distino entre os grupos de objetos com e sem falhas. Esta atividade envolveu a seleo das variveis de processo capazes de reconhecer ou caracterizar padres associados operao de partida da turbina, e a definio de parmetros associados ao janelamento, normalizao dos dados e mtricas de similaridade. Inicialmente cada objeto composto pelas sries temporais dos eventos sofreu um preprocessamento e sofreu normalizao, janelamento para recuperar apenas a parte transiente do evento e algumas outras operaes. A partir da foi feita a quantificao da similaridade entre as sries temporais e para tanto foram usadas tcnicas tanto para o caso monovarivel 3

Rio Oil & Gas Expo and Conference 2012 por exemplo a distncia euclidiana e a DTW (Dynamic Time Warping) bem como tcnicas para o caso multivarivel, por exemplo o SPCA (Similarity Factor Principal Component Analysis) (LIAO, 2005; YANG, 2004). Com a aplicao das medidas de similaridade foi determinado o nvel de homogeneidade em cada grupo (partidas com e sem falha) e a distino entre eles. A partir do experimento, da seleo de diferentes variveis e de diferentes formas de preprocessamento e medida de similaridade, foi identificado que as variveis de Vazo do Gs, Temperatura de Exausto e Temperatura de Entrada bem como o SPCA permitiram melhor indicador de distino entre os grupos. Com as variveis e parmetros identificados na atividade anterior, foi possvel fazer o reconhecimento dos padres. Para cada um dos 2 conjuntos de objetos (partida com trip e sem trip) foi aplicado o algoritmo Fuzzy C-Means (GAN, 2007; HOPPNER, 1999; LIAO, 2005), adaptado para a clusterizao de sries multivariveis. A modificao englogou o procedimento de clculo dos centros dos clusters e foi necessria pois os objetos a agrupar tratam sries temporais multivariveis que demandaram o uso do SPCA como mtrica de similaridade ao contrrio do caso tradicional que considera como mtrica a distncia euclidiana. O algorimto forneceu os diferentes grupos de partidas normais, o grau de pertinncia de cada objeto a cada um destes grupos e os centros ou padres de cada grupo (ou cluster). Com isso foi possvel, a partir desta primeira etapa desmembradas nas trs atividades descritas, reconhecer os padres de operao com e sem falha para a partida da turbina com base nas variveis de processo. Uma outra forma de descrever o procedimento descrito est apresentada na Figura 4.

de lise e An aridad os il p Sim os Gru re ent

P Ide attern ntii s cat io n

Figure 4 Viso geral da primeira etapa da metodologia 3.2. Etapa 2: Construo do Sistema de Predio de Falhas baseado em lgica Fuzzy Diante dos padres levantados, o raciocnio base para a concepo do sistema dinmico para predio de falhas est na comparao de uma amostra em tempo real da operao da planta em relao a um dos padres normais de operao, identificado na etapa anterior como padro seguro de partida da turbina. Conforme similaridade e aproximao das curvas reais de partida da turbina e o padro seguro de operao, o sistema de inferncia fuzzy (MENDEL, 2001) pode predizer a ocorrncia ou no de uma falha. Este raciocnio base para a concepo do sistema pode ser abstrado em um plano cartesiano conforme ilustrado na Figura 5. Caso o sistema esteja em um ponto de operao prximo ao de falha e se aproximando da falha, a tendncia de falha alta. A outra situao extrema o sistema longe do ponto de operao de falha e se distanciando, neste caso a tendncia de falha baixa.

Figura 5 Ilustrao da lgica fuzzy baseada em proximidade e aproximao do ponto de operao Seguindo ento este raciocnio, a arquitetura do sistema de predio de falhas concebida para o projeto est ilustrada na Figura 6. Uma vez com o padro de referncia identificado ela ser a base para a comparao das janelas de operao coletadas em tempo real e um clculo de similaridade entre as duas sries temporais permitir ter uma noo de distncia entre o padro e a operao. Analisando a dinmica desta distncia possvel calcular uma tendncia que dar a 4

Rio Oil & Gas Expo and Conference 2012 noo de aproximao da operao em relao ao padro de referncia. O sistema fuzzy diante ento desta distncia e da aproximao e dotado de suas regras de inferncia permitir indicar a probabilidade de falha na turbina.

Figura 6 Esquema da concepo da arquitetura do Sistema Fuzzy A Figura 6 permite tambm identificar os elementos que compem o sistema baseado em lgica fuzzy (MENDEL, 2001), no caso: os antecedentes (distncia e aproximao), o consequente (probabilidade de falha) e com isso, a forma como as regras de inferncia devem ser estabelecidas. Isso permite tambm estabelecer uma estrutura ou roteiro para a compreenso da segunda etapa da metodologia que visou partir do conhecimento sobre os padres de operao e dos objetos de partida da turbina organizados em seus grupos (com e sem falha) e atravs das atividades de configurao do sistema produzir o sistema para predio de falhas. As atividades desta etapa esto apresentadas na Figura 7. Inicialmente um dos padres de referncia identificados na etapa anterior foi escolhido como referncia para a inferncia sobre falhas. O critrio desta escolha foi selecionar o padro que apresentasse maior distino em relao aos outros padres pois assim permitiria uma maior segurana no clculo da inferncia. Para isso tanto as similaridades entre os padres foram consideradas bem como uma anlise dos objetos e os padres. Um dos padres de partida normal foi escolhido pois apresentava maior distino entre os outros padres e seus respectivos objetos e por isso carcterizava uma bom padro para partida segura. Com base neste padro todas as distncias e aproximaes foram calculadas para cada objeto e para cada tamanho de janela. Por exemplo, para uma determinada partida que durou um total de 16 minutos, foi feito o processamento de como a distncia e aproximao se comportou no minuto 1, 2, 3 e assim sucessivamente at o tamanho total da janela. Todos estes dados originaram uma base de referncia para configurao e validao do sistema. A partir desta base foi selecionado um conjunto de dados de distncia e de aproximao para ser realizada a configurao dos antecedentes. Para exemplificar, vale focar o caso de distncia ou similaridade. Na base de referncia foi obtida uma lista de distncias entre um subconjunto de objetos e o padro de referncia. Esta lista de distncias foi ento processada com vistas a identificar potenciais agrupamentos de distncias que por sua vez caracterizam as funes de pertinncia. Enfim, estes dados de distncia permitem ento estabelecer os parmetros da curva gaussiana referente s lo foram para os casos: muito distante, distante, prximo e muito prximo. O mesmo processamento foi realizado para os dados de aproximao para a configurao do respectivo antecedente. Os dados da base de referncia tambm foram analisados para se estabelecer as regras de inferncia do sistema fuzzy. Todas os perfis de distncia e de aproximao foram investigados via grficos e da pode-se observar comportamentos como: os objetos de trip apresentavam pouca similaridade com o padro de partida segura (escolhido como referncia) e alm disso seus valores de aproximao ao padro de referncia eram prximos de zero ou negativos. Assim estabeleceu-se por exemplo a regra que para distncia muito distante e aproximao distanciando-se, a probabilidade de falha alta. Diante das funes de pertinncia e das regras estabelecidas, as atividades subsequentes foi implementar em MatLab o sistema fuzzy e da processar as inferncias para a base de referncia e com isso validar, isto , contabilizar os ndices de acertos e de erros na predio para os objetos de partida com trip e sem trip. A Figura 7 apresenta estas atividades descritas nesta segunda etapa da metodologia.

Rio Oil & Gas Expo and Conference 2012

Figura 7 Atividades e tarefas da etapa de construo do sistema fuzzy

4. Resultados
Os resultados apresentados nesta seo esto organizados em duas partes equivalentes s duas etapas da metodologia. 4.1. Relacionados etapa de identificao dos padres de operao Na anlise de similaridade entre os dois grupos (com e sem trip), algumas combinaes das trs variveis do processo previamente seleccionadas (vazo de gs natural, a temperatura do gs natural na admisso e temperatura dos gases de exausto) foram testados, considerando-se tambm o caso monovarivel. A alternativa de objeto com as trs variveis proporcionou melhor homogeneidade dentro do grupo de partida com trip e melhor polarizao entre os dois grupos de partidas normais. O algoritmo de agrupamento (clustering) foi baseado nestas trs variveis e na medida de similaridade SPCA (Principal Component Similarity Factor). O algoritmo identificou dois padres (N1 e N2) para o grupo de partidas normais. Por conta da homogeneidade e o nmero pequeno de objetos no grupo de partidas com falha, apenas um padro foi considerado para este grupo. Portanto, o objeto mdio do grupo foi considerado o padro de falha. A Figura 8a apresenta um dos padres de partida normal (N2) e a Figura 8b, o padro de falha (T1). Figura 8c ilustra a distncia entre os padres, tambm baseado no SPCA. 6

Rio Oil & Gas Expo and Conference 2012

(a)

(b)

(c)

Figura 8 (a) Um dos padres de partida normal (N2); (b) O padro de trip (T1) e (c) Distncia entre os padres Na Figura 9a, o padro N2 usado como referncia e as distncias de todos os objetos a este padro so apresentadas. Como esperado, os objetos do grupo N2 so muito similares ao padro N2 e os objetos dos outros grupos apresentam menor similaridade. A Figure 4b mostra o grau de pertinncia de cada objeto de partida normal em relao ao padro N2 e uma distribuio polarizada verificada. Existem poucos objetos no centro do eixo y assegurando pouca ambiguidade ou incerteza do processo de agrupamento.

(a)

(b)

Figure 9 (a) Distncia dos objetos ao padro N2 (b) Objetos em torno do padro N2 A primeira curva na parte superior da Figura 10 mostra a curva de vazo de gs em uma partida com ocorrncia de trip. Usando a tcnica de janela deslizante (moving-window) (SINGHAL, 2002), as distncias entre a amostra do evento e cada um dos padres (T1, N1 and N2) so apresentadas. Ao se deslocar na regio da partida (no meio da figura) o perfil de distncia apresenta maior aproximao com os padres de trip (T1) e de partida normal (N1). Isto significa que a ocorrncia mais prxima aos padres T1 e N1 e mais distantes do padro N2. Isso sugere que o padro N2 representa uma alternativa para a partida segura da turbina.

Figura 10 Comportamento Dinmico das distncias entre uma partida com falha e os padres T1, N1 e N2 7

Rio Oil & Gas Expo and Conference 2012 4.2. Relacionados etapa de construo do sistema baseado em lgica fuzzy Os resultados referentes ao sistema fuzzy envolvem aspectos intermedirios por exemplo, de configurao e parametrizao de antecedentes e regras do sistema, bem como os prprios resultados finais de inferncia a respeito da probabilidade de falha. Em relao aos resultados intermedirios, uma base de referncia consolidando todos os objetos com suas respectivas distncias e aproximao em relao ao padro de referncia, para cada tamanho de janela minuto a minuto foi construda e organizada com vistas a facilitar a configurao do sistema fuzzy. Usando esta base de configurao, foi extrada uma lista de valores de distncias e de aproximao de parte dos objetos para o estabelecimento das funes de pertinncia. Para exemplificar, a lista de distncia originou 4 funes de pertinncias cujas formas podem ser vistas na Figura 11. No experimento que originou estas funes de pertinncia visualizadas no grfico, a lista de distncias sofreu um processo de agrupamento (clustering) via algoritmo Fuzzy CMeans, com base nos centros dos grupos e nas pertinncias de cada distncia oas centro foi possvel capturar os parmetros das funes gaussianas.

Figura 11 Funes de Pertinncias configuradas para o antecedente de distncia Em relao s regras, tambm os dados da base de configurao foram analisadas e parta tanto foi usada uma viso mostrada na Figura 12. O grfico apresenta para um determinado tamanho de janela o cruzamento dos dados de distncia e de aproximao. As linhas formando um grid dizem respeito os parmetros das funes de pertinncia e na figura possuvel perceber que para o quadrante de distncia muito distante e de aproximao parado h uma forte concentrao de objetos de partida segura (padro N2) e por outro lado uma baixa concentrao de objetos de trip ou padro N1. Isso quer dizer que para estes dois antecedentes, distncia muito prximo e aproximao parado, a probabilidade de falha baixa.

Figura 12 Anlise das distncias e aproximaes para cada objeto separados por quadrantes equivalentes s funes de pertinncia

Rio Oil & Gas Expo and Conference 2012 Usando ento o procedimento citado anteriomente foram derivadas as seguintes regras para o sistema fuzzy mostradas no quadro 1. Vale notar que as variveis lingusticas (Muito Prximo) e (Aproximando-se) dizem respeito ao ponto de operao da turbina em relao ao padro de referncia escolhido que reflete uma partida segura. Assim, o objeto Muito Prximo e Aproximando-se do padro N2 de partida segura tem baixa probabilidade de falha. Tabela 1. Regras de inferncia fuzzy derivadas a partir dos dados

Distncia Muito Distante Muito Distante Muito Distante Distante Distante Distante Prximo Prximo Prximo Muito Prximo Muito Prximo Muito Prximo

Aproximao Distanciando-se Parado Aproximando-se Distanciando-se Parado Aproximando-se Distanciando-se Parado Aproximando-se Distanciando-se Parado Aproximando-se

Probabilidade de Falha Alta Alta Alta Mdia Alta Alta Baixa Mdia Alta Baixa Mdia Baixa

Com todos os parmetros do sistema fuzzy determinados, o ltimo passo da metodologia foi executar o sistema e realizar as inferncias com a parte da base de referncia separada para validao. Uma comparao entre o resultado gerado pelo sistema e o resultado previsto na base de referncia originou o quadro de resultados abaixo em que para cada janela de tempo e para cada grupo de objetos foi estabelecido o ndice de acerto e erro na predio. Por exemplo, considerando uma janela de 8 minutos para o grupo de trip obteve-se um acerto de 80% dos casos, para o grupo de partida N1 obteve-se um acerto de 91% e para o grupo de partida N1 obteve-se um acerto de 100%, o que era esperado neste ltimo caso uma vez que o padro N2 foi usado como referncia. Tabela 2. ndice de acertos da predio de falha por tamanho de janela e grupos

Tamanho da Janela (minutos) 5 5 5 8 8 8 11 11 11 5. Concluses

Grupo Trip (T1) Normal 1 (N1) Normal 2 (N2) Trip (T1) Normal 1 (N1) Normal 2 (N2) Trip (T1) Normal 1 (N1) Normal 2 (N2)

Nmero de Objetos 15 23 18 15 23 23 14 20 29

Nmero de Acertos 12 17 7 12 21 23 12 19 25

Acertos (%) 80 73 38 80 91 100 85 95 86

Este trabalho apresentou uma metodologia para a identificao de padres de operao de turbinas a gs com o objetivo de prover os meios para a implementao de um sistema inteligente para predio de falhas. O projeto tem como premissa gerar produtos e resultados que sejam flexveis e portveis. Assim, apesar de estar direcionado para tratar especificamente a predio de falhas por disperso de temperatura em turbinas a gs, tanto a metodologia quanto as ferramentas e tcnicas empregadas podem ser adaptadas para tratar problemas de outras naturezas. Outros tipos de falhas podem ser investigados e processados, desde que esteja disponvel uma amostra de sua ocorrncia e os seus registros nos relatrios de operao. 9

Rio Oil & Gas Expo and Conference 2012 A primeira etapa da metodologia foi capaz de reconhecer padres de partida em uma turbina a gs e, em adicional, de que no caso em questo existe uma forma segura de partida da turbina que deve ser sempre almejada, isto , um padro de referncia de partida. Neste primeiro ciclo da metodologia o padro de referncia foi o denominado padro de partida normal N2. A segunda etapa da metodologia apresentou os procedimentos para a configurao dos antecedentes, consequentes e regras de inferncia do sistema fuzzy e tambm obteve xito ao encontrar bons resultados de predio para um primeiro experimento com a metodologia, motivando a relizao de novos experimentos e ciclos que visem os ajustes de parmetros, variveis e procedimentos para o refinamento dos resultados. A metodologia pode ser aplicada a outras usinas termeltricas, alm da UTE-RA, ou a outros tipos de usinas e equipamentos, desde que disponham de uma boa infraestrutura de coleta e disponibilidade de dados histricos de seus equipamentos. Em uma viso ainda mais ampla, e explorando ainda mais a portabilidade da metodologia, outros tipos de eventos, tais como pontos timos de operao (benchmarks) tambm podem ser investigados, de maneira que seja possvel a compreenso do seu comportamento e a busca da repetibilidade de seus padres na operao na planta. A conduo do projeto, as prticas exercidas e os resultados obtidos permitem constatar que o bom uso da tecnologia de informao e da engenharia de controle e automao pode gerar solues que permitam melhorar resultados operacionais, que neste contexto a melhoria da disponibilidade. Consequentemente, possvel um aumento da lucratividade e, sobretudo, a reduo dos prejuzos decorrentes de paradas e penalidades contratuais da unidade termeltrica.

6. Agradecimentos
Os agradecimentos so feitos Petrobras pela cooperao, pelo financiamento e por fornecer o objeto de estudo para a metodologia, Escola Politcnica, especificamente ao Laboratrio de Sistemas Integrados de Produo, por fornecer o ambiente adequado para o desenvolvimento da pesquisa e ao Programa de Ps-Graduao em Engenharia Industrial (PEI) por dar suporte com conhecimentos relevantes para o estudo.

7. Referncias
CARVALHO, F. B., TORRES, B. S., FONSECA, M. O., SEIXAS FILHO, C. Sistemas PIMS Conceituao, Usos e Benefcios. VII Seminrio de Automao de Processos da Associao Brasileira de Metalurgia e Materiais ABM, Santos/SP, Outubro, 2003. FAYYAD, U. M. PIATETSKY, G. SMYTH, P. UTHURUSAMY, R. Advances in Knowledge Discovery and Data Mining. California: American Association for Artificial Intelligence e MIT Press, 1996. GAN, G. MA, C. WU, J. Data clustering : theory, algorithms, and applications.ASA-SIAM series on statisticsand applied probability, 2007. HOPPNER, F. KLAWONN, R. KRUSE, R. RUNKER, T. Fuzzy Cluster Analysis. Wiley, Chichester, 1999. LIAO, T.W. Clustering of time series data - a survey, Science Direct. Pattern Recognition 38, p. 1857 1874, 2005. MENDEL, J. M. Uncertain Rule-based Fuzzy Logic Systems: Introduction and New Directions, Prentice-Hall P. T. R., London, UK, 2001. ROLLS-ROYCE. Material de Treinamento do Conjunto RB 211-G62 DF, 2010. S BARRETO, S. T. Desenvolvimento de Metodologia pata Atualizao em Tempo Real de Modelos Matemticos de Processos Decisrios. 2009. Dissertao (Mestrado em Mecatrnica) PPGM, Universidade Federal da Bahia, Salvador. SARAVANAMUTTOO, H. I. H.; ROGERS, G. F. C.; COHEN, H. Gas Turbine Theory. 5.ed. Dorchester: Prentice Hall, 1996.` VLACHOS, M. A practical Time-Series Tutorial with MATLAB. European Conference on Machine Learning, 2005. ROLLS-ROYCE. Material de Treinamento do Conjunto RB 211-G62 DF, 2010. S BARRETO, S. T. Desenvolvimento de Metodologia pata Atualizao em Tempo Real de Modelos Matemticos de Processos Decisrios. 2009. Dissertao (Mestrado em Mecatrnica) PPGM, Universidade Federal da Bahia, Salvador. SARAVANAMUTOO, H. I. H. ROGERS, G. F. C. COHEN, H. Gas Turbine Theory. 5.ed. Dorchester: Prentice Hall, 1996.` SINGHAL, A. SEBORG, D.E. Pattern Matching in Multivariate Time Series Databases Using a Moving-Window Approach, Industrial and Engineering Chemistry Research, 41, 3822-3838, 2002. YANG, K. SHANABI, C. A PCA-based Similarity Measure for Multivariate Time Series, Second ACM International Workshop on Multimedia Databases, ACM-MMDB 2004, Washington, DC, USA, November 13, 2004. VLACHOS, M. A practical Time-Series Tutorial with MATLAB, European Conference on Machine Learning, 2005.

10