Método de detecção e quantificação de dano por corrosão em tanques de FPSO com dados coletados de um sistema de SHM baseado em ondas guiadas

Abstract

Neste trabalho foi proposto um método de processamento de dados provindos de um sistema de Monitoramento de Saúde Estrutural (SHM) baseado em ondas guiadas visando à detecção e quantificação de danos por corrosão em tanques de armazenamento em unidades Flutuantes de Produção, Armazenamento e Transferência (FPSO). Para isso, foram utilizados dados de um painel simulando um trecho da estrutura de um tanque de FPSO, que foi instrumentado com um conjunto de sensores operados com eletrônica e software desenvolvidos em um trabalho prévio. Primeiramente foram obtidos sinais a partir da estrutura na condição íntegra para criar um banco de dados de sinais base (baselines). Posteriormente, foram introduzidos diferentes níveis de dano no painel, e novas coletas de dados foram realizadas para cada nível de dano. O método proposto consiste em realizar uma redução de dimensão nos dados do teste de ondas guiadas usando Análise de Componentes Independentes (ICA). A partir dos dados reduzidos, é utilizado uma abordagem baseada na detecção de outliers para identificar a componente referente ao dano de forma automática. Para isso, primeiramente é montado um conjunto de dados a partir do banco de dados de baseline, onde os dados são selecionados de forma aleatória e sem reposição, formando o primeiro conjunto de dados. Em seguida é montado o segundo conjunto de dados, o qual é formado pelo primeiro conjunto e um sinal adicionado (sinal de baseline ou dano) em uma posição aleatória entre os demais sinais de baseline. Após a redução dimensional dos dados, foram utilizados os vetores de pesos do ICA para identificar se um determinado sinal tem origem de uma condição intacta ou danificada por meio de um procedimento envolvendo correlação cruzada. Nesse procedimento, as componentes dos dois conjuntos de dados são relacionadas entre si através do valor máximo da correlação cruzada. Assim, a componente relacionada ao dano do segundo conjunto tenderá a não estar vinculada, pois deverá ter menos similaridade com as componentes do primeiro conjunto. Por último, foi repetido este processo várias vezes para calcular a acurácia e os erros da detecção de danos e para calcular a rela- ção sinal-ruído (SNR) das componentes outliers para quantificar o dano. Foram obtidas taxas médias de acurácia acima de 80% para detecção de danos, com taxas médias de erro Tipo I abaixo de 20% e taxas médias de erro Tipo II abaixo de 40%. Além disso, foi possível estimar a severidade dos danos, principalmente, em seus estágios iniciais de profundidade.

In this study, it was proposed a method for processing data from a guided wave-based Structural Health Monitoring (SHM) aiming to detect and quantify corrosion damage on storage tanks Floating Production, Storage and Offloading (FPSO) units. For this, data from a panel simulating a section of an FPSO tank structure were used, which were instrumented with a set of sensors operated with electronics and software developed in a previous study. First, signals were obtained from the intact structure to create a baseline signal database. Subsequently, different damage levels were introduced into the panel and new data collection was performed for each damage level. The proposed method consists in performing a dimension reduction on guided wave test data using Independent Component Analysis (ICA). From the reduced data, an approach based on outlier detection is used to automatically identify the damage component. For this purpose, a data set is first assembled from the baseline database, where the data is selected randomly and without replacement, forming the first data set. Then the second data set is assembled, which is made of the first set and one added signal (baseline signal or damage) at a random position among the other baseline signals. After the dimensional reduction of the data, ICA weight vectors were used to identify if a specific signal originated from an intact or damaged condition through a procedure involving cross-correlation. In this procedure, the components of the two data sets are related to each other through the maximum cross-correlation value. So, the damage-related components of the second set will tend to be unrelated, because it should have less similarity to the components of the first set. Finally, this process was repeated several times to calculate the accuracy and errors of the damage detection and to calculate the signal-to-noise ratio (SNR) of the outlier components to quantify the damage. Average accuracy above 80% was obtained for damage detection, with average Type I error rates below 20% and Type II error rates below 40%. Additionally, it was possible to estimate damage severity, especially in its early stages of depths.