Gêmeos digitais baseados em aprendizado de máquina para apoio à tomada de decisão operacional em uma usina termelétrica à combustão interna

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Deon, Bruno
Orientador(a): Padoin, Natan
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/249956
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Química, Florianópolis, 2023.
id UFSC_bcce7da04ea69f58ee52b04191e6d72d
oai_identifier_str oai:repositorio.ufsc.br:123456789/249956
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaDeon, BrunoPadoin, NatanSoares, Cíntia2023-09-01T13:05:43Z2023-09-01T13:05:43Z2023383097https://repositorio.ufsc.br/handle/123456789/249956Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Química, Florianópolis, 2023.No Brasil, Usinas Termelétricas (UTEs) possuem um caráter estratégico e emergencial devido à flexibilidade de operação e por não dependerem de condições climáticas, de forma que a disponibilidade e a confiabilidade de uma UTE são questões críticas. O desafio de garantir estas características está intrinsicamente associado aos processos de manutenção. Através do programa de Pesquisa e Desenvolvimento da Agência Nacional de Energia Elétrica, a Radix - Engenharia e Desenvolvimento de Software e a Universidade Federal de Santa Catarina, atuando em parceria, desenvolveram um sistema de detecção de anomalias para auxílio à tomada de decisão em manutenções preditivas com abordagem de Gêmeos Digitais para as Unidades Geradoras Diesel (UGDs) das Centrais Elétricas da Paraíba - Epasa. Associando dados de sensores historiados a notas de manutenção, foi possível treinar modelos regressivos nas melhores condições de operação criando, assim, Gêmeos Digitais que mimetizam as principais variáveis de quatro subsistemas integrantes das UGDs: o sistema de admissão de combustível, arrefecimento, lubrificação e ar de admissão e gases de exaustão (sendo os dois últimos combinados, uma vez que estão correlacionados pelo turbocompressor). Para análise e validação destes modelos, as UGDs foram treinadas e testadas em grupos, avaliando o coeficiente de determinação (R²) e a raiz quadrada do erro quadrático médio (RMSE) em cada caso. Ao normalizar os erros (entre as predições e as variáveis alvo) e submetê-los a uma média móvel, foi possível criar um índice de saúde que reflete o desempenho de cada subsistema e, assim, avaliar a ocorrência de desvios anômalos. Ao correlacionar tais desvios com as notas de manutenção, a partir de janelas temporais, foi possível dar aos modelos regressivos a capacidade de classificação. Dessa forma, métricas como a Acurácia e o F1-Score também puderam ser utilizadas. Um algoritmo genético foi utilizado para otimização dos modelos, selecionando as entradas, algoritmos de regressão e hiperparâmetros que maximizassem as métricas de regressão e de classificação, simultaneamente. Dessa forma, foram obtidos como resultados médios finais R² de 0,93 e RMSE de 0,072 para as regressões, enquanto para as métricas de classificação uma Acurácia média de 0,86 foi observada e um F1- Score de 0,52 foi alcançado na detecção de anomalias. Por fim, os modelos foram implementados em um sistema SCADA de supervisão com telas personalizadas para acompanhamento em tempo real das operações. A metodologia desenvolvida pode ser replicada para indústrias em geral que utilizam um sistema semelhante de aquisição de dados.Abstract: In Brazil, Thermoelectric Power Plants (TPPs) have a strategic and emergency character due to the flexibility of operation and for not depending on weather conditions, so the TPPs availability and reliability are critical issues. The challenge of ensuring these characteristics is intrinsically associated with maintenance processes. Through the Research and Development program of the National Electric Energy Agency, Radix - Engineering and Software, in partnership with the Federal University of Santa Catarina, developed an anomaly detection system to aid decision-making in predictive maintenance with a Digital Twin approach for the Electric Power Plants of Paraíba (Epasa) Diesel Generating Units (DGUs). By associating historical sensor data with maintenance notes, it was possible to train regressive models in the best operating conditions to create digital twins that mimic the main variables of four subsystems that are part of the DGUs: the fuel admission system, cooling, lubrication, combustion air admission and gases exhaustion (the latter two were combined, since they are correlated by the turbocharger). For analysis and validation, the five DGUs data were combined so it could be trained and tested in groups, evaluating the coefficient of determination (R²) and the root mean square error (RMSE) of the models. A health index was created by normalizing the errors (between the predictions and the target variables) and submitting them to a moving average, thus reflecting the performance of each subsystem and being able to evaluate the occurrence of anomalous deviations. By correlating such deviations with the maintenance notes, using time windows, it was possible to give the regressive models the ability to classify. Thus, metrics such as accuracy and F1-Score could also be used. A genetic algorithm was used to optimize the models, selecting inputs, regression algorithms and hyperparameters that maximized the regression and classification metrics simultaneously. Resulting in a final average R² of 0.93 and RMSE of 0.072 for the regressions, and for the classification metrics an average Accuracy of 0.86 and F1- Score of 0.52 for the anomalies detection. Finally, the models were implemented in a SCADA supervisory system with customized dashboards for real-time monitoring. That the methodology can be replicated for industries in general that use a similar data acquisition system.113 p.| il., gráfs.porEngenharia químicaAprendizado do computadorGêmeos digitais (simulação de computador)Usinas termelétricasGêmeos digitais baseados em aprendizado de máquina para apoio à tomada de decisão operacional em uma usina termelétrica à combustão internainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPENQ0989-D.pdfPENQ0989-D.pdfapplication/pdf4682441https://repositorio.ufsc.br/bitstream/123456789/249956/1/PENQ0989-D.pdfc62c0be1c85e66fec14d6512f2bbb149MD51123456789/2499562023-09-01 10:05:43.347oai:repositorio.ufsc.br:123456789/249956Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732023-09-01T13:05:43Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Gêmeos digitais baseados em aprendizado de máquina para apoio à tomada de decisão operacional em uma usina termelétrica à combustão interna
title Gêmeos digitais baseados em aprendizado de máquina para apoio à tomada de decisão operacional em uma usina termelétrica à combustão interna
spellingShingle Gêmeos digitais baseados em aprendizado de máquina para apoio à tomada de decisão operacional em uma usina termelétrica à combustão interna
Deon, Bruno
Engenharia química
Aprendizado do computador
Gêmeos digitais (simulação de computador)
Usinas termelétricas
title_short Gêmeos digitais baseados em aprendizado de máquina para apoio à tomada de decisão operacional em uma usina termelétrica à combustão interna
title_full Gêmeos digitais baseados em aprendizado de máquina para apoio à tomada de decisão operacional em uma usina termelétrica à combustão interna
title_fullStr Gêmeos digitais baseados em aprendizado de máquina para apoio à tomada de decisão operacional em uma usina termelétrica à combustão interna
title_full_unstemmed Gêmeos digitais baseados em aprendizado de máquina para apoio à tomada de decisão operacional em uma usina termelétrica à combustão interna
title_sort Gêmeos digitais baseados em aprendizado de máquina para apoio à tomada de decisão operacional em uma usina termelétrica à combustão interna
author Deon, Bruno
author_facet Deon, Bruno
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Deon, Bruno
dc.contributor.advisor1.fl_str_mv Padoin, Natan
dc.contributor.advisor-co1.fl_str_mv Soares, Cíntia
contributor_str_mv Padoin, Natan
Soares, Cíntia
dc.subject.classification.none.fl_str_mv Engenharia química
Aprendizado do computador
Gêmeos digitais (simulação de computador)
Usinas termelétricas
topic Engenharia química
Aprendizado do computador
Gêmeos digitais (simulação de computador)
Usinas termelétricas
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Química, Florianópolis, 2023.
publishDate 2023
dc.date.accessioned.fl_str_mv 2023-09-01T13:05:43Z
dc.date.available.fl_str_mv 2023-09-01T13:05:43Z
dc.date.issued.fl_str_mv 2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/249956
dc.identifier.other.none.fl_str_mv 383097
identifier_str_mv 383097
url https://repositorio.ufsc.br/handle/123456789/249956
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 113 p.| il., gráfs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/249956/1/PENQ0989-D.pdf
bitstream.checksum.fl_str_mv c62c0be1c85e66fec14d6512f2bbb149
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851759034440351744

Registros relacionados