IBP1924_12 METODOLOGIA PARA IDENTIFICAÇÃO DE PADRÕES DE OPERAÇÃO E CONSTRUÇÃO DE SISTEMA DE PREDIÇÃO DE FALHAS DE TURBINAS A GÁS EM UMA UNIDADE TERMELÉTRICA

Otacílio J. Pereira1, Luciana de A. Pacheco2, Sérgio T. S. Barretto3, Weliton E. S. Leite4, Cristiano H. O. Fontes5, Carlos A. M. T. Cavalcante 6
Copyright 2012, Instituto Brasileiro de Petróleo, Gás e Biocombustíveis - IBP Este Trabalho Técnico foi preparado para apresentação na Rio Oil & Gas Expo and Conference 2012, realizado no período de 17 a 20 de setembro de 2012, no Rio de Janeiro. Este Trabalho Técnico foi selecionado para apresentação pelo Comitê Técnico do evento, seguindo as informações contidas no trabalho completo submetido pelo(s) autor(es). Os organizadores não irão traduzir ou corrigir os textos recebidos. O material conforme, apresentado, não necessariamente reflete as opiniões do Instituto Brasileiro de Petróleo, Gás e Biocombustíveis, Sócios e Representantes. É de conhecimento e aprovação do(s) autor(es) que este Trabalho Técnico seja publicado nos Anais da Rio Oil & Gas Expo and Conference 2012.

Resumo
Este artigo apresenta uma metodologia para a aquisição de conhecimento de uma planta industrial com base em padrões de operação e para configuração de um sistema inteligente de predição de falhas em turbinas a gás. A aquisição dos padrões foi feita por técnicas de mineração de séries temporais multivariáveis, estes obtidos de um Sistema de Gerenciamento de Informações de Plantas Industriais, ou Process Information Management System (PIMS). Os padrões foram usados para concepção e construção do sistema fuzzy cuja inferência baseia-se em avaliar a similaridade da operação da turbina com os padrões 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. Introdução
O avanço da tecnologia de informação (TI) propiciou o armazenamento e a manipulação de grande volume de dados. Isso motivou a criação de métodos associados à geração de conhecimento (Knowledge Discovery on data - KDD) e mineração (Data Mining – DM) que usam os dados para obtenção de conhecimento útil, agregando valor aos negócios (FAYYAD, 1995). Na engenharia, a grande disponibilidade de dados em plantas industriais também foi propiciada pelo aperfeiçoamento das tecnologias de instrumentação, controle e automação. Sistemas de Gerenciamento de Informações de Plantas Industriais (Plant Information Management Systems – PIMS) disponibilizam dados que expressam a dinâmica de várias variáveis de processo em um horizonte de tempo que pode atingir vários anos (CARVALHO, 2003). Em algumas situações, os dados, ou objetos, são representados por mais de uma série temporal e o conhecimento útil a ser extraído está relacionado ao comportamento integrado destas séries, caracterizando-se um problema de reconhecimento de padrões em séries multivariáveis. Este problema possui maior complexidade em relação ao caso convencional (séries monovariáveis) e por isso requer técnicas específicas para o seu tratamento. O conhecimento útil e inesperado gerado a partir da mineração dos dados, mais especificamente das séries temporais, pode dar suporte para uma melhor operação da planta e para a redução de ocorrência de falhas. Como no caso analisado neste trabalho, dados históricos de uma usina termelétrica, equipada com turbinas a gás, podem viabilizar uma melhor capacidade produtiva e a implementação de alternativas sistemáticas para evitar ou contingenciar a ocorrência de falhas. Com isso, garante-se o fornecimento das demandas de energia e vapor previamente estabelecidas, com mínimo

______________________________ 1 Mestre, Engenheiro de Computação – Escola Politécnica da UFBA 2 Mestre, Bacharel em Ciência da Computação – Petrobras 3 Mestre, Matemático – Petrobras 4 Pesquisador, Engenheiro Eletricista – Escola Politécnica da UFBA 5 Doutor, Engenheiro Químico – Escola Politécnica da UFBA 6 Doutor, Engenheiro Mecânico – Escola Politécnica da UFBA

Rio Oil & Gas Expo and Conference 2012 risco de interrupção, evitando ou mitigando penalidades e o consequente prejuízo financeiro em razão de indisponibilidades. Este artigo apresenta uma metodologia composta de duas etapas. A primeira etapa tem como objetivo a aquisição de conhecimento, representado na forma de padrões de operação, a partir de séries temporais de uma planta industrial. Mais especificamente, são identificados de forma sistemática padrões com e sem falhas em uma turbina a gás de escala comercial que representa o principal equipamento de uma Unidade Termelétrica. Este conhecimento, na forma de padrões, foi utilizado na segunda etapa da metodologia que objetiva a construção de um sistema dinâmico para predição de falhas usando a abordagem de sistemas de inferência fuzzy. Na próxima seção será apresentado o cenário de aplicação. Na seção 3 a metodologia é apresentada com suas duas etapas: de identificação dos padrões e operação e de construção do sistema inteligente. A seção 4 apresenta os resultados da aplicação da metodologia e a seção 5 apresenta as considerações finais do artigo.

2. Cenário de Aplicação
O cenário de aplicação deste trabalho é a Unidade Termelétrica Rômulo Almeida (UTE-RA), integrante do parque industrial da empresa Petróleo Brasileiro S.A. A UTE-RA é uma unidade de cogeração que opera em ciclo combinado, tem como principal insumo o gás natural e produz vapor e energia elétrica.

(a)

(b)

Figura 1 – (a)UTE-RA (SÁ BARRETTO, 2009) e (b)Ilustração da turbina a gás RB211-G62 DF (ROLLS ROYCE, 2010) A UTE-RA possui três turbinas a gás (TG), cada uma combinada a um gerador elétrico de 27 MW e a uma caldeira de recuperação (Heat Recovery Steam Generator – HRSG). A Unidade dispõe ainda de uma Caldeira Auxiliar (CA) e uma Turbina a Vapor (TV), também acoplada a um gerador de 56 MW, totalizando assim uma capacidade de geração de 137 MW de energia elétrica e de produção de 260,3 t/h de vapor. O modelo de turbina a gás (TG) instalado é o RB211-G62 DF (ROLLS ROYCE, 2010), do fabricante RollsRoyce, composta pelo gerador de gás modelo RB211 24G DLE DF e pela turbina de potência RT62. As turbinas podem sofrer desarmes, também chamadas de trips (SARAVANAMUTTOO, 1996), e estas falhas podem ser provocadas por diversas causas: surgência, vibração do eixo e dispersão de temperatura, por exemplo. Em interação com operadores e especialistas da planta e com a análise dos relatórios de operação, a falha por dispersão de temperatura na partida da turbina foi o primeiro tipo de ocorrência a ser investigado na construção desta metodologia. A dispersão de temperatura ocorre entre as câmaras de combustão individuais distribuídas radialmente, em um anel central entre o compressor e o expansor (SARAVANAMUTTOO, 1996). Na Figura 1 esta distribuição radial das câmaras pode ser visualizada tanto no desenho da turbina (anel na parte central do esquema da turbina) bem como no sinótico do sistema supervisório (círculo representando as câmaras). As TG de modelo RB211 Rolls-Royce dispõem de nove combustores e o sistema de controle da RB211 foi projetado para desarmar o equipamento caso a temperatura de operação de alguma das câmaras se distancie em ± 150ºC da média de temperatura de todas as câmaras, de forma a proteger o equipamento de danos por dilatação diferencial. Quando este desarme ocorre, caracteriza-se um trip por dispersão de temperatura.

3. A Metodologia
A metodologia é composta de duas etapas conforme visto na Figura 2. A primeira etapa tem como objetivo a aquisição de conhecimento, representado na forma de padrões de operação, a partir de séries temporais obtidos num 2

Rio Oil & Gas Expo and Conference 2012 PIMS da unidade termelétrica. Através da metodologia são identificados os padrões com e sem falhas em uma turbina a gás. A segunda etapa da metodologia utiliza estes padrões para a construção de um sistema dinâmico para predição de falhas usando a abordagem de sistemas de inferência fuzzy.

Figura 2 – Metodologia e suas duas principais etapas 3.1. Etapa 1: Identificação dos padrões de operação a partir dos dados Cada etapa da metodologia é organizada em suas atividades, produtos e ferramentas computacionais usadas para a atingir o seu propósito. Uma visão das atividades da primeira etapa está apresentada na Figura 3.

Figura 3 – Atividades e tarefas da etapa de identificação dos padrões Para montar uma base de eventos organizados por grupo, inicialmente foi feito um levantamento perante operação identificando a classe de eventos a investigar, no caso o evento de Trip ou Desarme da turbina a Gás por dispersão de temperatura. Os relatórios operacionais da turbina foram levantados para se obter uma lista de todas as ocorrências dos eventos de trip e de partida normal e para cada evento foram recuperandos: o instante da ocorrência, o grupo (partida com ou sem trip) e comentários da operação. Estas ocorrências permitiram então “fotografar”, isto é, retirar amostras das séries temporais do evento e para tanto foram usadas tanto tarefas manuais como algoritmos de busca linear em séries temporais (VLACHOS, 2005). Assim, foram obtidos os objetos ou ocorrências dos eventos a investigar com seus atributos (data e hora, grupo e comentários do operador) bem como as curvas ou séries 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 variáveis e parâmetros para distinção entre grupos” tratou um aspecto chave da metodologia que é encontrar meios para a distinção entre os grupos de objetos com e sem falhas. Esta atividade envolveu a seleção das variáveis de processo capazes de reconhecer ou caracterizar padrões associados à operação de partida da turbina, e a definição de parâmetros associados ao janelamento, normalização dos dados e métricas de similaridade. Inicialmente cada objeto composto pelas séries temporais dos eventos sofreu um preprocessamento e sofreu normalização, “janelamento” para recuperar apenas a parte transiente do evento e algumas outras operações. A partir daí foi feita a quantificação da similaridade entre as séries temporais e para tanto foram usadas técnicas tanto para o caso monovariável 3

Rio Oil & Gas Expo and Conference 2012 por exemplo a distância euclidiana e a DTW (Dynamic Time Warping) bem como técnicas para o caso multivariável, por exemplo o SPCA (Similarity Factor Principal Component Analysis) (LIAO, 2005; YANG, 2004). Com a aplicação das medidas de similaridade foi determinado o nível de homogeneidade em cada grupo (partidas com e sem falha) e a distinção entre eles. A partir do experimento, da seleção de diferentes variáveis e de diferentes formas de preprocessamento e medida de similaridade, foi identificado que as variáveis de Vazão do Gás, Temperatura de Exaustão e Temperatura de Entrada bem como o SPCA permitiram melhor indicador de distinção entre os grupos. Com as variáveis e parâmetros identificados na atividade anterior, foi possível fazer o reconhecimento dos padrões. 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 clusterização de séries multivariáveis. A modificação englogou o procedimento de cálculo dos centros dos clusters e foi necessária pois os objetos a agrupar tratam séries temporais multivariáveis que demandaram o uso do SPCA como métrica de similaridade ao contrário do caso tradicional que considera como métrica a distância euclidiana. O algorimto forneceu os diferentes grupos de partidas normais, o grau de pertinência de cada objeto a cada um destes grupos e os centros ou padrões de cada grupo (ou cluster). Com isso foi possível, a partir desta primeira etapa desmembradas nas três atividades descritas, reconhecer os padrões de operação com e sem falha para a partida da turbina com base nas variáveis de processo. Uma outra forma de descrever o procedimento descrito está apresentada na Figura 4.

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

P Ide attern ntii s cat io n

Figure 4 – Visão geral da primeira etapa da metodologia 3.2. Etapa 2: Construção do Sistema de Predição de Falhas baseado em lógica Fuzzy Diante dos padrões levantados, o raciocínio base para a concepção do sistema dinâmico para predição de falhas está na comparação de uma amostra em tempo real da operação da planta em relação a um dos padrões normais de operação, identificado na etapa anterior como padrão seguro de partida da turbina. Conforme similaridade e aproximação das curvas reais de partida da turbina e o padrão seguro de operação, o sistema de inferência fuzzy (MENDEL, 2001) pode predizer a ocorrência ou não de uma falha. Este raciocínio base para a concepção do sistema pode ser abstraído em um plano cartesiano conforme ilustrado na Figura 5. Caso o sistema esteja em um ponto de operação próximo ao de falha e se aproximando da falha, a tendência de falha é alta. A outra situação extrema é o sistema longe do ponto de operação de falha e se distanciando, neste caso a tendência de falha é baixa.

Figura 5 – Ilustração da lógica fuzzy baseada em proximidade e aproximação do ponto de operação Seguindo então este raciocínio, a arquitetura do sistema de predição de falhas concebida para o projeto está ilustrada na Figura 6. Uma vez com o padrão de referência identificado ela será a base para a comparação das “janelas” de operação coletadas em tempo real e um cálculo de similaridade entre as duas séries temporais permitirá ter uma noção de distância entre o padrão e a operação. Analisando a dinâmica desta distância é possível calcular uma tendência que dará a 4

Rio Oil & Gas Expo and Conference 2012 noção de aproximação da operação em relação ao padrão de referência. O sistema fuzzy diante então desta distância e da aproximação e dotado de suas regras de inferência permitirá indicar a probabilidade de falha na turbina.

Figura 6 – Esquema da concepção da arquitetura do Sistema Fuzzy A Figura 6 permite também identificar os elementos que compõem o sistema baseado em lógica fuzzy (MENDEL, 2001), no caso: os antecedentes (distância e aproximação), o consequente (probabilidade de falha) e com isso, a forma como as regras de inferência devem ser estabelecidas. Isso permite também estabelecer uma estrutura ou roteiro para a compreensão da segunda etapa da metodologia que visou partir do conhecimento sobre os padrões de operação e dos objetos de partida da turbina organizados em seus grupos (com e sem falha) e através das atividades de configuração do sistema produzir o sistema para predição de falhas. As atividades desta etapa estão apresentadas na Figura 7. Inicialmente um dos padrões de referência identificados na etapa anterior foi escolhido como referência para a inferência sobre falhas. O critério desta escolha foi selecionar o padrão que apresentasse maior distinção em relação aos outros padrões pois assim permitiria uma maior segurança no cálculo da inferência. Para isso tanto as similaridades entre os padrões foram consideradas bem como uma análise dos objetos e os padrões. Um dos padrões de partida normal foi escolhido pois apresentava maior distinção entre os outros padrões e seus respectivos objetos e por isso carcterizava uma bom padrão para partida segura. Com base neste padrão todas as distâncias e aproximações 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 distância e aproximação se comportou no minuto 1, 2, 3 e assim sucessivamente até o tamanho total da janela. Todos estes dados originaram uma base de referência para configuração e validação do sistema. A partir desta base foi selecionado um conjunto de dados de distância e de aproximação para ser realizada a configuração dos antecedentes. Para exemplificar, vale focar o caso de distância ou similaridade. Na base de referência foi obtida uma lista de distâncias entre um subconjunto de objetos e o padrão de referência. Esta lista de distâncias foi então processada com vistas a identificar potenciais agrupamentos de distâncias que por sua vez caracterizam as funções de pertinência. Enfim, estes dados de distância permitem então estabelecer os parâmetros da curva gaussiana referente às lo foram para os casos: muito distante, distante, próximo e muito próximo. O mesmo processamento foi realizado para os dados de aproximação para a configuração do respectivo antecedente. Os dados da base de referência também foram analisados para se estabelecer as regras de inferência do sistema fuzzy. Todas os perfis de distância e de aproximação foram investigados via gráficos e daí pode-se observar comportamentos como: os objetos de trip apresentavam pouca similaridade com o padrão de partida segura (escolhido como referência) e além disso seus valores de aproximação ao padrão de referência eram próximos de zero ou negativos. Assim estabeleceu-se por exemplo a regra que para distância “muito distante” e aproximação “distanciando-se”, a probabilidade de falha é “alta”. Diante das funções de pertinência e das regras estabelecidas, as atividades subsequentes foi implementar em MatLab o sistema fuzzy e daí processar as inferências para a base de referência e com isso validar, isto é, contabilizar os índices de acertos e de erros na predição para os objetos de partida com trip e sem trip. A Figura 7 apresenta estas atividades descritas nesta segunda etapa da metodologia.

5

Rio Oil & Gas Expo and Conference 2012

Figura 7 – Atividades e tarefas da etapa de construção do sistema fuzzy

4. Resultados
Os resultados apresentados nesta seção estão organizados em duas partes equivalentes às duas etapas da metodologia. 4.1. Relacionados à etapa de identificação dos padrões de operação Na análise de similaridade entre os dois grupos (com e sem trip), algumas combinações das três variáveis do processo previamente seleccionadas (vazão de gás natural, a temperatura do gás natural na admissão e temperatura dos gases de exaustão) foram testados, considerando-se também o caso monovariável. A alternativa de objeto com as três variáveis proporcionou melhor homogeneidade dentro do grupo de partida com trip e melhor polarização entre os dois grupos de partidas normais. O algoritmo de agrupamento (“clustering”) foi baseado nestas três variáveis e na medida de similaridade SPCA (Principal Component Similarity Factor). O algoritmo identificou dois padrões (N1 e N2) para o grupo de partidas normais. Por conta da homogeneidade e o número pequeno de objetos no grupo de partidas com falha, apenas um padrão foi considerado para este grupo. Portanto, o objeto médio do grupo foi considerado o padrão de falha. A Figura 8a apresenta um dos padrões de partida normal (N2) e a Figura 8b, o padrão de falha (T1). Figura 8c ilustra a distância entre os padrões, também baseado no SPCA. 6

Rio Oil & Gas Expo and Conference 2012

(a)

(b)

(c)

Figura 8 – (a) Um dos padrões de partida normal (N2); (b) O padrão de trip (T1) e (c) Distância entre os padrões Na Figura 9a, o padrão N2 é usado como referência e as distâncias de todos os objetos a este padrão são apresentadas. Como esperado, os objetos do grupo N2 são muito similares ao padrão N2 e os objetos dos outros grupos apresentam menor similaridade. A Figure 4b mostra o grau de pertinência de cada objeto de partida normal em relação ao padrão N2 e uma distribuição polarizada é verificada. Existem poucos objetos no centro do eixo y assegurando pouca ambiguidade ou incerteza do processo de agrupamento.

(a)

(b)

Figure 9 – (a) Distância dos objetos ao padrão N2 (b) Objetos em torno do padrão N2 A primeira curva na parte superior da Figura 10 mostra a curva de vazão de gás em uma partida com ocorrência de trip. Usando a técnica de janela deslizante (moving-window) (SINGHAL, 2002), as distâncias entre a amostra do evento e cada um dos padrões (T1, N1 and N2) são apresentadas. Ao se deslocar na região da partida (no meio da figura) o perfil de distância apresenta maior aproximação com os padrões de trip (T1) e de partida normal (N1). Isto significa que a ocorrência é mais próxima aos padrões T1 e N1 e mais distantes do padrão N2. Isso sugere que o padrão N2 representa uma alternativa para a partida segura da turbina.

Figura 10 – Comportamento Dinâmico das distâncias entre uma partida com falha e os padrões T1, N1 e N2 7

Rio Oil & Gas Expo and Conference 2012 4.2. Relacionados à etapa de construção do sistema baseado em lógica fuzzy Os resultados referentes ao sistema fuzzy envolvem aspectos intermediários por exemplo, de configuração e parametrização de antecedentes e regras do sistema, bem como os próprios resultados finais de inferência a respeito da probabilidade de falha. Em relação aos resultados intermediários, uma base de referência consolidando todos os objetos com suas respectivas distâncias e aproximação em relação ao padrão de referência, para cada tamanho de janela minuto a minuto foi construída e organizada com vistas a facilitar a configuração do sistema fuzzy. Usando esta base de configuração, foi extraída uma lista de valores de distâncias e de aproximação de parte dos objetos para o estabelecimento das funções de pertinência. Para exemplificar, a lista de distância originou 4 funções de pertinências cujas formas podem ser vistas na Figura 11. No experimento que originou estas funções de pertinência visualizadas no gráfico, a lista de distâncias sofreu um processo de agrupamento (“clustering”) via algoritmo Fuzzy CMeans, com base nos centros dos grupos e nas pertinências de cada distância oas centro foi possível capturar os parâmetros das funções gaussianas.

Figura 11 – Funções de Pertinências configuradas para o antecedente de distância Em relação às regras, também os dados da base de configuração foram analisadas e parta tanto foi usada uma visão mostrada na Figura 12. O gráfico apresenta para um determinado tamanho de janela o cruzamento dos dados de distância e de aproximação. As linhas formando um grid dizem respeito os parâmetros das funções de pertinência e na figura é possíuvel perceber que para o quadrante de distância “muito distante” e de aproximação “parado” há uma forte concentração de objetos de partida segura (padrão N2) e por outro lado uma baixa concentração de objetos de trip ou padrão N1. Isso quer dizer que para estes dois antecedentes, distância “muito próximo” e aproximação “parado”, a probabilidade de falha é baixa.

Figura 12 – Análise das distâncias e aproximações para cada objeto separados por quadrantes equivalentes às funções de pertinência

8

Rio Oil & Gas Expo and Conference 2012 Usando então o procedimento citado anteriomente foram derivadas as seguintes regras para o sistema fuzzy mostradas no quadro 1. Vale notar que as variáveis linguísticas (Muito Próximo) e (Aproximando-se) dizem respeito ao ponto de operação da turbina em relação ao padrão de referência escolhido que reflete uma partida segura. Assim, o objeto Muito Próximo e Aproximando-se do padrão N2 de partida segura tem baixa probabilidade de falha. Tabela 1. Regras de inferência fuzzy derivadas a partir dos dados

Distância Muito Distante Muito Distante Muito Distante Distante Distante Distante Próximo Próximo Próximo Muito Próximo Muito Próximo Muito Próximo

Aproximação 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 Média Alta Alta Baixa Média Alta Baixa Média Baixa

Com todos os parâmetros do sistema fuzzy determinados, o último passo da metodologia foi executar o sistema e realizar as inferências com a parte da base de referência separada para validação. Uma comparação entre o resultado gerado pelo sistema e o resultado previsto na base de referência originou o quadro de resultados abaixo em que para cada janela de tempo e para cada grupo de objetos foi estabelecido o índice de acerto e erro na predição. 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 último caso uma vez que o padrão N2 foi usado como referência. Tabela 2. Índice de acertos da predição de falha por tamanho de janela e grupos

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

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)

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

Número 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 identificação de padrões de operação de turbinas a gás com o objetivo de prover os meios para a implementação de um sistema inteligente para predição de falhas. O projeto tem como premissa gerar produtos e resultados que sejam flexíveis e portáveis. Assim, apesar de estar direcionado para tratar especificamente a predição de falhas por dispersão de temperatura em turbinas a gás, tanto a metodologia quanto as ferramentas e técnicas empregadas podem ser adaptadas para tratar problemas de outras naturezas. Outros tipos de falhas podem ser investigados e processados, desde que esteja disponível uma amostra de sua ocorrência e os seus registros nos relatórios de operação. 9

Rio Oil & Gas Expo and Conference 2012 A primeira etapa da metodologia foi capaz de reconhecer padrões de partida em uma turbina a gás e, em adicional, de que no caso em questão existe uma forma segura de partida da turbina que deve ser sempre almejada, isto é, um padrão de referência de partida. Neste primeiro ciclo da metodologia o padrão de referência foi o denominado padrão de partida normal N2. A segunda etapa da metodologia apresentou os procedimentos para a configuração dos antecedentes, consequentes e regras de inferência do sistema fuzzy e também obteve êxito ao encontrar bons resultados de predição para um primeiro experimento com a metodologia, motivando a relização de novos experimentos e ciclos que visem os ajustes de parâmetros, variáveis e procedimentos para o refinamento dos resultados. A metodologia pode ser aplicada a outras usinas termelétricas, além da UTE-RA, ou a outros tipos de usinas e equipamentos, desde que disponham de uma boa infraestrutura de coleta e disponibilidade de dados históricos de seus equipamentos. Em uma visão ainda mais ampla, e explorando ainda mais a portabilidade da metodologia, outros tipos de eventos, tais como pontos ótimos de operação (benchmarks) também podem ser investigados, de maneira que seja possível a compreensão do seu comportamento e a busca da repetibilidade de seus padrões na operação na planta. A condução do projeto, as práticas exercidas e os resultados obtidos permitem constatar que o bom uso da tecnologia de informação e da engenharia de controle e automação pode gerar soluções que permitam melhorar resultados operacionais, que neste contexto é a melhoria da disponibilidade. Consequentemente, é possível um aumento da lucratividade e, sobretudo, a redução dos prejuízos decorrentes de paradas e penalidades contratuais da unidade termelétrica.

6. Agradecimentos
Os agradecimentos são feitos à Petrobras pela cooperação, pelo financiamento e por fornecer o objeto de estudo para a metodologia, à Escola Politécnica, especificamente ao Laboratório de Sistemas Integrados de Produção, por fornecer o ambiente adequado para o desenvolvimento da pesquisa e ao Programa de Pós-Graduação em Engenharia Industrial (PEI) por dar suporte com conhecimentos relevantes para o estudo.

7. Referências
CARVALHO, F. B., TORRES, B. S., FONSECA, M. O., SEIXAS FILHO, C. Sistemas PIMS – Conceituação, Usos e Benefícios. VII Seminário de Automação de Processos da Associação 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. SÁ BARRETO, S. T. Desenvolvimento de Metodologia pata Atualização em Tempo Real de Modelos Matemáticos de Processos Decisórios. 2009. Dissertação (Mestrado em Mecatrônica) – 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. SÁ BARRETO, S. T. Desenvolvimento de Metodologia pata Atualização em Tempo Real de Modelos Matemáticos de Processos Decisórios. 2009. Dissertação (Mestrado em Mecatrônica) – 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