NEURAL NETWORKS FOR PREDICTIVE MAINTENANCE ON OFF-HIGWAY TRUCKS
CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO === Com o aumento da demanda por minério no mundo, a complexidade, o tamanho e o preço dos equipamentos de extração mineral aumentaram consideravelmente. Como estas máquinas possuem uma tecnologia de monitoramento embarcada no equipamento...
| Main Author: | |
|---|---|
| Other Authors: | |
| Language: | Portuguese |
| Published: |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
2009
|
| Online Access: | http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=15673@1 http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=15673@2 |
| Summary: | CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO === Com o aumento da demanda por minério no mundo, a complexidade, o tamanho e
o preço dos equipamentos de extração mineral aumentaram consideravelmente. Como
estas máquinas possuem uma tecnologia de monitoramento embarcada no equipamento, a
utilização desses dados para o aumento da confiabilidade e da disponibilidade do
equipamento tornou-se fundamental, de modo a reduzir os custos de manutenção. O
objetivo desta dissertação foi desenvolver um modelo de apoio à decisão de parada de
equipamento, baseado na classificação por Redes Neurais Artificiais de padrões pré-falha
de caminhões fora de estrada. O modelo proposto tem como objetivo identificar o estado
de falha, ou padrão pré-falha de um equipamento, utilizando os dados armazenados nos
equipamentos e seus respectivos registros de falha, para que seja possível avaliar o risco
de falha deste equipamento e decidir se o mesmo deve ser parado ou aguardar uma nova
parada programada. Essa dissertação foi desenvolvida em quatro partes: estudo dos
principais modelos de manutenção atualmente utilizados; definição e desenvolvimento do
modelo para abordar o problema, baseado em redes neurais artificiais; avaliação de
desempenho do modelo proposto; e simulação do downtime da máquina utilizando o
modelo de decisão proposto. No estudo dos principais modelos foi realizada uma
pesquisa bibliográfica sobre a evolução da manutenção, passando por modelos de
manutenção corretiva, manutenção preventiva e, por fim, chegando ao modelo de
manutenção baseada no monitoramento de condições. Para os dois últimos tipos de
manutenção, foram apresentados os principais modelos utilizados na abordagem do
problema, seus benefícios e deficiências. O desenvolvimento do modelo foi segmentado
em três etapas principais: tratamento das bases de dados, tanto de dados obtidos
diretamente do equipamento quanto das bases de registro de falha dos equipamentos;
seleção de variáveis, baseada no cálculo da influência de cada sensor do equipamento na
determinação de seu estado de falha, assim como na definição do intervalo ideal para se
agrupar os dados; e definição da topologia das redes. Na etapa de avaliação do
desempenho do modelo proposto foram utilizados dados de falhas corretivas mais
recorrentes para os dois componentes específicos de caminhões fora de estrada: motor e
transmissão, sendo que o monitoramento eletrônico do motor é mais extenso do que o de
transmissão, no que diz respeito ao número de sensores empregados no monitoramento.
Para a comparação de desempenho entre os diferentes modelos avaliados, dois fatores
tiveram maior relevância: melhor desempenho na classificação e maior intervalo entre a
identificação do padrão pré-falha e a ocorrência da falha. Os resultados de classificação
dos padrões pré-falha foram bastante satisfatórios para a maioria dos casos de estudos,
com as taxas de acerto variando entre 85% e 95%. A partir do modelo de classificação
determinado na etapa anterior, passou-se à simulação de diferentes cenários de falhas,
calculando-se os tempos de máquina parada (downtimes) que teriam sido evitados se as
intervenções definidas pelo modelo tivessem sido executadas, analisando-se, assim, o
aumento de disponibilidade proporcionado pelo uso do modelo proposto. === With the increasing demand for ore in the world, the complexity, size and price of
mining equipment have increased considerably. As these machines have embedded
monitoring technology, the use of such data to increase the reliability and availability of
the equipment has become essential in order to reduce maintenance costs. The objective
of this work is developing a model that supports the decision of stopping an equipment,
based on its actual state, using pattern recognition by neural networks. The proposed
model aims to identify the state of equipment failure or pre-failure based on the data
stored in the equipment and on the records of failure, so as to assess the risk of failure of
equipment and to decide whether it should be stopped or wait for a new programmed
shutdown. This dissertation was developed in four parts: study of the main models
currently used for maintenance; design and implementation of the model to address this
problem, based on artificial neural networks; performance evaluation of the proposed
model; and simulation of equipment downtime using the proposed model. In the study of
the main models a research was made about the evolution of maintenance techniques,
through models of corrective maintenance, preventive maintenance and, finally, reaching
the maintenance model based on condition monitoring. For the last two types of
maintenance, it is presented the main models used in addressing the problem, its benefits
and shortcomings. The development of the model was segmented into three main stages:
processing of databases, from the data obtained directly from the equipment to the base of
record of equipment failure; variable selection, based on the calculation of the influence
of each equipment sensor to determine its failure state, as well as the definition of the
ideal range of group data, and definition of the topology of networks. In the stage of
assessing the performance of the proposed model we used data from corrective failures
more often of two specific components of off-highway trucks: engine and
transmission. To compare the performance between the different models evaluated, two
factors were more important: classification performance and the longest interval between
the identification of a pre-failure pattern and the occurrence of the failure. The results of
classification of pre-failure patterns were quite satisfactory for most case studies, with hit
rates ranging between 85% and 96%. From the classification model given in the previous
step, we moved on to simulate different failure scenarios, calculating the equipment
downtime that would have been avoided if the interventions defined by the model had
been implemented, thus analyzing the increased availability provided by the use of the
proposed model. |
|---|