Determinação do tempo de vida útil remanescente em processos cíclicos

Abstract

A análise da Vida Útil Remanescente (VUR) de sistemas e equipamentos permite a prevenção de falhas, de modo que uma manutenção efetiva possa ser realizada em tempo de corrigir falhas que estão próximas de acontecer. O sinal de degradação de uma ou mais variáveis pode servir como base para estimar a VUR de um determinado sistema, desde que este sinal seja modelado matematicamente de forma correta. Neste trabalho, se analisa a VUR de processos cíclicos, sendo determinado então o Número de Ciclos Remanescentes (NCR) de forma a maximizar a produção garantindo a segurança operacional. Para isso serão consideradas duas abordagens: Metodologia Bayesiana e Séries Temporais. A metodologia Bayesiana está baseada em Inferência Bayesiana para atualizar os valores do parâmetro estocástico, proporcionando uma maior representatividade na estimação do NCR. Os parâmetros determinísticos e os hiperparâmetros na distribuição a priori do parâmetro estocástico são estimados através do método da estimativa por máxima verossimilhança (EMV), enquanto o parâmetro estocástico no modelo de degradação de um sistema pode ser atualizado a cada instante em que um novo dado de degradação é obtido. Por outro lado, as Séries Temporais se baseiam em conjuntos de Treino para poder ajustar um modelo que se aproxime do conjunto utilizado para validação. Na estimativa do NCR serão considerados modelos estacionários (Suavização Exponencial Simples), não‐estacionários (Suavização Exponencial Dupla e ARIMA) e modelos que utilizam o componente de sazonalidade (Suavização Exponencial Tripla e SARIMA). Um Estudo de Caso de uma unidade Temperature Swing Adsorption (TSA) para desidratação do gás natural será utilizada para avaliar estas duas abordagens na previsão do NCR em processos cíclicos. Os resultados sugerem que a metodologia bayesiana é a mais indicada na estimativa do NCR, enquanto que as Séries Temporais são adequadas para identificar o padrão cíclico do processo.

The analysis of Remaining Useful Life (RUL) of systems and equipment enables the prevention of failures, so that effective maintenance can be performed in time to correct failures that are close to happening. The degradation signal of a variable can be used as a basis for estimating the RUL of a given system since this signal is modeled mathematically correctly. In this paper, the RUL of cyclic processes is analyzed with the determination of the Number of Remaining Cycles (NRC) in order to maximize production, guaranteeing operational safety. Two approaches will be considered: Bayesian Methodology and Time Series. The Bayesian methodology is based on Bayesian Inference to update the stochastic parameter, providing a greater representativeness in the estimation of the NRC. The determinisc parameters and the hiperparameters in the prior distribution of the stochastic parameter are estimated through the maximum likelihood estimation (MLE) method, while the stochastic parameter in the degradation model of a system can be update evey time a new degradation data is obtained. On the other hand, the Time Series are based on Training sets to be able to fit a model that is similar to the set used for validation. In the estimation of NRC will be considered stationary models (Simple Exponential Smoothing), non‐stationary (Double Exponential Smoothing and ARIMA) and models that consider the component of seasonality (Triple Exponential Smoothing and SARIMA). A Case Study of a Temperature Swing Adsorption (TSA) unit for natural gas dehydration will be used to evaluate these two approaches in predicting NRC in cyclic processes. The results suggest that the Bayesian Methodology is the most indicated in the NCR estimation, while the Time Series are adequate to identify the cyclic pattern of the process.