Predição de desligamentos de motores de uma usina termoelétrica baseada no histórico de eventos.

• Ano de defesa: 2020
• Autor(a) principal: VASCONCELOS, Bruno Rafael Araújo.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO; UFCG
• Palavras-chave em Português: Usina Termoelétrica; Detecção de Falhas; Sistema de Alarmes; Predição de Desligamentos; Thermoelectric Plant; Fault Detection; Alarm System; Shutdown Prediction; Ciência da Computação
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/18429

A identificação de falhas em motores de plantas industriais possui grande valor para as empresas, pois tem o objetivo de evitar consequências, tais como: a queima ou danificação de equipamentos, a morte de operários e catástrofes ambientais, dentre outros. Os motores utilizados em usinas termoelétricas são retirados de operação (desligados) sempre que uma falha grave acontece. Para cada mau funcionamento de um motor, no processo de geração de energia, um alarme é emitido para uma central de controle, o qual é mantido em um histórico de eventos. Cada alarme está associado a uma única falha e, portanto, uma sequência de alarmes pode ser vista como uma sequência de falhas. Identificar quando os desligamentos ocorrerão pode ajudar os operadores a evitá-los, através de correções de forma antecipada, para diminuir perdas no processo de produção. Diante deste cenário, a presente pesquisa objetivou, a partir do histórico de alarmes, extrair características e estruturá-las para treinar um modelo de predição e prognóstico. O modelo, construído, consiste em um modelo de aprendizagem de máquina. A abordagem proposta apresentou resultados satisfatórios. Do total de 57 casos válidos em que houve desligamentos, a técnica proporcionou 48 acertos. Dos 507 casos em que não houve desligamentos, o modelo acertou 390 casos, considerando um limiar de predição de 0,5 e técnica de validação cruzada (k fold, com k = 10). A abordagem para predição de desligamentos possibilitou, portanto, realizar prognósticos nos motores de uma termoelétrica, prevendo com antecedência os desligamentos. O número de falsos negativos mostra que o modelo pode apresentar resultados significativos quando for treinado com uma quantidade maior de exemplos de desligamento. Assim, a abordagem proposta se mostrou viável para a previsão de desligamentos em motores de uma usina termoelétrica.