lucas pereira wanderley de oliveira criaÇÃo de …
TRANSCRIPT
LUCAS PEREIRA WANDERLEY DE OLIVEIRA
CRIAÇÃO DE HARDWARE E SOFTWARE PARA
IDENTIFICAÇÃO DE NÃO-CONFORMIDADES DE
MÁQUINAS EM AMBIENTE INDUSTRIAL
NATAL-RN
2021
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE TECNOLOGIA
CURSO DE ENGENHARIA DE COMPUTAÇÃO
Lucas Pereira Wanderley de Oliveira
Criação de hardware e software para identificação de não-conformidades de máquinas em
ambiente industrial.
Trabalho de Conclusão de Curso na modalidade
Monografia, submetido como parte dos
requisitos necessários para conclusão do curso
de Engenharia de Computação pela
Universidade Federal do Rio Grande do Norte.
Orientador: Prof. Dr. Marco Antonio Leandro
Cabral
Natal-RN
2021
Universidade Federal do Rio Grande do Norte – UFRN
Sistema de Bibliotecas - SISBI
Catalogação de Publicação na Fonte. UFRN - Biblioteca Central Zila Mamede
Elaborado por Ana Cristina Cavalcanti Tinôco - CRB-15/262
Oliveira, Lucas Pereira Wanderley de.
Criação de hardware e software para identificação de não-
conformidades de máquinas em ambiente industrial / Lucas Pereira
Wanderley de Oliveira. - 2021.
41 f.: il.
Monografia (graduação) - Universidade Federal do Rio Grande
do Norte, Curso de Engenharia de Computação, Natal, RN, 2021.
Orientador: Prof. Dr. Marco Antonio Leandro Cabral.
1. Hardware - Monografia. 2. Software - Monografia. 3.
Inteligência artificial - Monografia. 4. Máquinas - Monografia.
5. Não-conformidades - Monografia. I. Cabral, Marco Antonio
Leandro. II. Título.
RN/UF/BCZM CDU 004.8
Lucas Pereira Wanderley de Oliveira
Criação de hardware e software para identificação de não-conformidades de máquinas em
ambiente industrial.
Trabalho de Conclusão de Curso na modalidade
Monografia, submetido como parte dos
requisitos necessários para conclusão do curso
de Engenharia de Computação pela
Universidade Federal do Rio Grande do Norte.
Aprovado em 10 de setembro de 2021:
___________________________________________________
Prof. Dr. Marco Antonio Leandro Cabral – Orientador
UFRN
___________________________________________________
Prof. Dr. Efrain Pantaleón Matamoros – Examinador interno
UFRN
___________________________________________________
Prof. Dr. Luiz Affonso Henderson Guedes de Oliveira – Examinador interno
UFRN
Natal-RN
2021
DEDICATÓRIA
Dedico este trabalho a Eclair, por além de ter me mostrado como resolver problemas
cotidianos com eletrônica, ter compartilhado seu interesse por tecnologia comigo, dedico a
Ricardo por ter me ensinado a soldar, dedico a Bruna por ter me ensinado a programar, dedico
a Toby por ter me falado dessas plaquinhas Arduino, dedico a Irilene pelo zelo e cuidado
dedico a Elisabeth pelo amor e paciência.
AGRADECIMENTOS
Agradeço inicialmente à minha família, ao meu pai Ricardo, à minha mãe Irilene, à
minha irmã Bruna e à minha esposa Elisabeth pelo apoio incondicional, pela motivação diária,
pelo amor e por sempre acreditarem no meu potencial. Muitas vezes foi difícil, mas sem vocês
eu simplesmente não teria chegado até aqui.
Agradeço também aos meus avós, especialmente à minha avó Maria Angelita e ao meu
avô Eclair por grande parte da contribuição motivacional. Gostaria que pudessem estar conosco
para comemorarmos esse momento tão importante para mim.
Ao restante dos familiares, por compreenderem quando não pude me fazer presente. Sou
muito grato por isso e por poder contar com todos.
Aos meus amigos e colegas de laboratório, seja na Célula Acadêmica do laboratório de
informática 4 da ECT, seja no Laboratório de Automação e Robótica ou seja no Laboratório de
Prototipagem. Em cada um eu fiz grandes amigos e conheci excelentes profissionais. Fizemos
coisas incríveis e descobrimos que somos capazes de mudar o mundo. Espero que possamos
deixar nossas marcas por onde formos da mesma forma como marcamos uns aos outros nessas
experiências que compartilhamos.
Aos meus grandes amigos André Cavalcanti e Rodrigo Bessa pelas aventuras passadas
e futuras, dos laboratórios na Universidade para a vida pós acadêmica.
Ao Prof. Dr. Luiz Eduardo por ver em mim o interesse em trabalhar com inovações, me
introduzir às novas tecnologias e me inserir nesse ambiente incrível.
Ao Prof. Dr. Julio Melo por sempre ter me considerado em seus novos projetos e por
me aperfeiçoar em áreas e conhecimentos únicos, ajudando a me destacar como profissional.
Ao Prof. Dr. Dino Lincoln por me chamar para participar de seu projeto criado com
tanto carinho e ajudar a evoluí-lo.
Ao Prof. Dr. Efrain Pantaleón e Prof. Dr. Marco Cabral por profissionalmente me
permitirem trabalhar em áreas tão inovadoras e com tanto potencial ‒ onde eu possa exercer
grande parte do conhecimento adquirido até aqui ‒, e pessoalmente, por serem grandes fontes
de motivação e inspiração. Vocês são incríveis e tenho muita gratidão de ter vocês em minha
vida. Estou em débito com vocês.
Aos demais grandes mestres ao longo dessa jornada, que jamais esquecerei vocês.
“Stay hungry, stay foolish.”
(Steve Jobs)
RESUMO
Criação de hardware e software para identificação de não-conformidades de máquinas em
ambiente industrial.
O objetivo deste trabalho é demonstrar a importância da manutenção de máquinas em ambiente
industrial e das vantagens de se identificar corretamente as não-conformidades no seu
funcionamento, tendo em vista a diminuição de falhas que possam ocasionar perdas financeiras
e temporais devido a interrupções na produção e custo da manutenção reativa. Para a escrita
deste texto, buscou-se como referencial teórico as obras de Cabral et al. (2019), Tristan, Ashkan
e Cai Xia (2015), Spada (2016), Cooley; Tukey (1965), Cooley; Lewis; Welch (1969), Amihai
et al. (2018), Selfner; Lenk; Malek (2010), Wang et al. (2020), Plante; Nejadpak; Yang (2015),
Silva; Menezes (2005). Da perspectiva metodológica, a pesquisa teve caráter quantitativo e
exploratório e apesar de não ter atingido a totalidade do objetivo proposto, o projeto realizado
pode ser considerado bem-sucedido, pois concluiu-se que a escolha de uma máquina com
maiores índices de falha poderia ter evidenciado a detecção de não-conformidades. Espera-se
que a discussão sobre a temática abordada nessa monografia não se encerre aqui, tendo em vista
a relevância do tema para a pesquisa científica, assim como para a indústria, objetivando
melhorar o seu funcionamento e reduzir os custos que possam ser ocasionados por falta de uma
boa predição de falhas.
Palavras-chave: Hardware, software, inteligência artificial, máquinas, não-conformidades.
ABSTRACT
Creation of hardware and software to identify non-conformities of machines in an
industrial environment.
The objective of this work is to demonstrate the importance of machine maintenance in an
industrial environment and the advantages of correctly identifying non-conformities in their
operation, in view of the reduction of failures that can cause financial and temporal losses due
to interruptions in production and cost of reactive maintenance. For the writing of this text, was
sought as the theoretical framework the works of Cabral et al. (2019), Tristan, Ashkan and Cai
Xia (2015), Spada (2016), Cooley; Tukey (1965), Cooley; Lewis; Welch (1969), Amihai et al.
(2018), Selfner; Lenk; Malek (2010), Wang et al. (2020), Plant; Nejadpak; Yang (2015), Silva;
Menezes (2005). From a methodological perspective, the research had a quantitative and
exploratory character and despite not having reached the entire proposed objective, the finished
project can be considered successful, as it was concluded that the choice of a machine with
higher failure rates could have evidenced the detection of non-conformities. It is hoped that the
discussion on the theme addressed in this monography does not end here, in view of the
relevance of the theme for scientific research, as well as for the industry, aiming to improve its
operation and reduce the costs that may be caused by lack of a good failure prediction.
Keywords: Hardware, software, artificial intelligence, machines, non-conformities.
LISTA DE ILUSTRAÇÕES
Figura 1 – Resultados de busca por palavras-chave. ................................................................ 15
Figura 2 – Outros resultados de busca por palavras-chave. ..................................................... 15
Figura 3 – Modelo e funcionamento de um microfone dinâmico ............................................ 18
Figura 4 – Vista lateral do chiller Mecalor............................................................................... 22
Figura 5 – Vista frontal do chiller Mecalor. ............................................................................. 23
Figura 6 – Funcionamento do chiller (circuito com compressores). ........................................ 24
Figura 7 – Funcionamento do chiller (circuito com a bomba). ................................................ 24
Figura 8 – Moto compressor 1 e o microfone do canal de captura 1. ...................................... 25
Figura 9 – Moto compressor 2 e o microfone do canal de captura 2. ...................................... 26
Figura 10 – Posicionamento dos compressores e bomba no interior da máquina. ................... 26
Figura 11 – Cálculo do ganho de amplificação de um circuito multiplicador não-inversor. ... 28
Figura 12 – Esquemático da placa amplificadora. .................................................................... 28
Figura 13 – Diagrama da placa amplificadora.......................................................................... 29
Figura 14 – Placa amplificadora montada. ............................................................................... 29
Figura 15 – Conjunto placa amplificadora, Arduino e Raspberry Pi no chiller. ...................... 30
Figura 16 – Diagrama da captura e armazenamento dos dados. .............................................. 31
Figura 17 – Página web exibindo uma simulação do painel da máquina em tempo real. ........ 33
Figura 18 – Diagrama do funcionamento final do conjunto. .................................................... 33
Figura 19 – Primeira placa de amplificação. ............................................................................ 35
Figura 20 – Exemplo de resultados da classificação. ............................................................... 37
Figura 21 – Exemplo de dados da página. ................................................................................ 38
Figura 22 – Exibição do estado atual no site e classificação do algoritmo. ............................. 38
LISTA DE ABREVIATURAS E SIGLAS
SIGLA SIGNIFICADO
JSON JavaScript Object Notation
REST Representational State Transfer
USB Universal Serial Bus
SUMÁRIO
1 INTRODUÇÃO .................................................................................................................. 13
1.1 APRESENTAÇÃO .......................................................................................................... 13
1.2 OBJETIVOS .................................................................................................................. 14
1.2.1 Objetivo Geral ................................................................................................... 14
1.2.2 Objetivos Específicos........................................................................................ 14
1.3 JUSTIFICATIVA ............................................................................................................. 14
1.4 ESTRUTURA DE APRESENTAÇÃO DO TRABALHO.......................................................... 15
2 REFERENCIAL TEÓRICO ............................................................................................ 17
2.1 MONITORAMENTO DE UMA MÁQUINA .......................................................................... 17
2.1.1 Sinal analógico .................................................................................................. 17
2.1.2 Conversão para domínio da frequência ............................................................. 18
2.2 APRENDIZADO DE MÁQUINA PARA MONITORAMENTO DE MÁQUINAS........................... 19
2.2.1 Algoritmo k-means............................................................................................ 19
3 METODOLOGIA DA PESQUISA .................................................................................. 20
3.1 CARACTERIZAÇÃO DA PESQUISA ................................................................................. 20
3.2 PROCEDIMENTOS DE PESQUISA ..................................................................................... 21
4 PROCEDIMENTOS EXPERIMENTAIS ....................................................................... 22
4.1 A PLANTA .................................................................................................................... 22
4.1.1 Posicionamento dos sensores ............................................................................ 25
4.2 CAPTURA DE DADOS .................................................................................................... 27
4.3 ARMAZENAMENTO DOS DADOS ................................................................................... 30
4.4 TREINAMENTO DO K-MEANS ......................................................................................... 31
4.5 EXIBIÇÃO DOS DADOS ................................................................................................. 32
5 RESULTADOS E DISCUSSÕES ..................................................................................... 34
5.1 CAPTURA DOS SINAIS .................................................................................................. 34
5.2 ARMAZENAMENTO DOS DADOS ................................................................................... 35
5.3 IDENTIFICAÇÃO DOS ESTADOS ..................................................................................... 36
5.3.1 Controle das etapas ........................................................................................... 36
5.3.2 Captura de novos dados .................................................................................... 36
5.3.3 Processamento das horas................................................................................... 37
5.3.4 Página web ........................................................................................................ 37
5.4 RESULTADOS ............................................................................................................... 38
6 CONCLUSÕES E RECOMENDAÇÕES ........................................................................ 39
7 REFERÊNCIAS ................................................................................................................. 40
13
1 INTRODUÇÃO
Este capítulo aborda as informações introdutórias sobre o tema da pesquisa, assim como
apresenta a pergunta norteadora do estudo, os objetivos pretendidos, a justificativa da relevância
da pesquisa para a ciência, assim como descreve a estrutura de organização da monografia.
1.1 Apresentação
Monitorar o funcionamento de máquinas é importante quando considerada uma cadeia
de produção industrial. Processos que apresentem falhas podem acarretar perdas consideráveis
tanto de capital quanto de tempo, com interrupção na produção e custo de manutenção reativa,
caso uma manutenção programada não seja realizada. Manter uma máquina em boas condições,
através de check-ups constantes, é previsto em seu manual de operações, porém, muitas vezes
deixa-se acumular trocas preventivas de componentes, seja pelo atual funcionamento correto
do equipamento ou pelo custo de substituição destas peças, sendo então necessário monitorar
os componentes da máquina.
Antes da popularização de sistemas embarcados o monitoramento de componentes de
um equipamento se dava pela observação, geralmente por meio de um técnico especializado
em um determinado fabricante, onde o diagnóstico era baseado em experiência e intuição. Com
a difusão da ideia da Indústria 4.0 a utilização de tecnologia embarcada para aferir as condições
de funcionamento de uma linha de produção se tornou uma solução para redução de custos de
manutenção em médio e longo prazo, em troca de um custo inicial elevado para o
desenvolvimento e instalação deste monitoramento automatizado.
Existem equipamentos no mercado criados especificamente para aferir as condições de
componentes de máquinas industriais, que indicam peças que podem estar avariadas e
necessitam ser trocadas preventivamente a fim de mantê-la em bom funcionamento sem
comprometer a produção. Porém, este tipo de recurso pode ser demasiado custoso ou mesmo
inacessível, dependendo da localização geográfica da empresa, tornando-o uma prática pouco
comum e restrita a empresas com grande capital ou de localização privilegiada.
Partindo dessa necessidade, têm-se como questão norteadora da pesquisa: É possível
utilizar componentes existentes no mercado (off-the-shelf) para criar um dispositivo capaz de
identificar não-conformidades de uma máquina em um ambiente de produção industrial?
14
Logo, o que se buscou na construção e execução da pesquisa foi apresentar uma solução
permanente de baixo custo e não invasiva para monitorar máquinas utilizando produtos já
existentes no mercado, como microcontroladores, microcomputadores e amplificadores
operacionais.
1.2 Objetivos
1.2.1 Objetivo Geral
Demonstrar a utilização de equipamentos amplamente disponíveis no mercado para
monitorar máquinas em ambientes industriais de modo a identificar não-conformidades.
1.2.2 Objetivos Específicos
• Construir o protótipo de hardware para monitoramento de uma máquina
• Criar o software para monitoramento de uma máquina
• Treinar o algoritmo de classificação do estado de funcionamento da máquina
• Descrever o processo de reconhecimento dos estados de funcionamento da máquina.
1.3 Justificativa
Reduzir custos com manutenção e maximizar o tempo de produção são desafios diários
em ambientes fabris. Com a redução no tamanho de componentes eletrônicos e com o aumento
da capacidade de processamento de microcontroladores, a utilização de dispositivos dedicados
para detecção de falhas se torna uma prática cada vez mais comum. A partir dos usos desses
dispositivos para monitorar equipamentos individuais em linhas de produção, percebe-se uma
contribuição considerável no que diz respeito à redução de tempo ocioso, pois estes podem
indicar quando uma não-conformidade está em curso, propiciando sua manutenção imediata.
Nesse sentido, o presente estudo apresenta relevância para a pesquisa científica, tendo
em vista a escassez de proposições dessa natureza nos repositórios acadêmicos, conforme
ilustram as Figuras 1 e 2, nas quais é possível perceber que quando combinadas as palavras-
chave non-compliance, detection e hardware, obtem-se apenas três resultados no repositório
Scopus e um no Engineering Village, mostrando que o tema é pouco abordado em conjunto.
15
Figura 1 – Resultados de busca por palavras-chave.
Fonte: Acervo pessoal (2021).
Figura 2 – Outros resultados de busca por palavras-chave.
Fonte: Acervo pessoal (2021).
Da mesma forma, esse estudo tem sua existência justificada à sociedade e
especialmente à indústria, no sentido de trazer soluções possíveis para a melhoria dos processos
de manutenção e consequentemente de desperdício de tempo e capital para a correção de falhas
nos equipamentos. Logo, a pesquisa contribui para retornar social e financeiramente todo o
investimento feito na formação do profissional da Engenharia de Computação, especificamente
no âmbito da Universidade Federal do Rio Grande do Norte.
1.4 Estrutura de Apresentação do Trabalho
Esta monografia está estruturada em seis capítulos, quais sejam:
No Capítulo 1 do texto é apresentada a sua Introdução, que descreve o tema geral da
pesquisa, a pergunta norteadora que deu origem ao estudo e os objetivos geral e específicos,
16
além da justificativa que sustenta a escrita e o desenvolvimento da pesquisa perante o ambiente
acadêmico.
O Capítulo 2 empenha-se em apresentar as obras e os autores que embasaram
teoricamente a pesquisa, trazendo as principais contribuições de cada um deles para a
compreensão dos processos e das reflexões que permitiram o desenvolvimento desse estudo.
No Capítulo 3 da monografia buscou-se descrever a metodologia da pesquisa conforme
seu caráter e natureza, assim como os procedimentos metodológicos realizados em consonância
com os objetivos específicos, a fim de atingir o objetivo geral proposto.
O Capítulo 4 deste estudo contextualiza o leitor quanto ao local de realização dos
experimentos e descreve os procedimentos executados durante o desenvolvimento da pesquisa, tais
como a identificação e apresentação dos equipamentos utilizados para a captura, para o
armazenamento, para o processamento e para a exibição das informações coletadas.
O Capítulo 5 descreve, analisa e interpreta os dados coletados a partir dos procedimentos
metodológicos apresentados no capítulo anterior, assim como estabelece as relações necessárias
entre a parte prática e o levantamento teórico que embasa o estudo.
O Capítulo 6 traça breves conclusões da pesquisa obtidos a partir dos experimentos
propostos e realizados, assim como convida outros pesquisadores a propor novos estudos sobre
o tema trabalhado na monografia, considerando a relevância científica e prática de pesquisas
como esta, para o ambiente industrial moderno.
Por fim são listadas as referências que deram suporte à construção da pesquisa, de modo
a oferecer ao leitor um ponto de partida para as considerações traçadas ao longo do texto.
17
2 REFERENCIAL TEÓRICO
2.1 Monitoramento de máquina
Para realizar o monitoramento de máquina é necessário utilizar um sensor para capturar
um sinal referente ao funcionamento desse equipamento, para que este, posteriormente, possa
ser processado e analisado. Desta forma, conforme Cabral et al. (2017), a utilização de um
microfone dinâmico para a captura dos sinais de vibração da máquina identifica corretamente
os seus estados de funcionamento.
Segundo Tristan, Ashkan e Cai Xia (2015), a conversão do sinal analógico de um sensor
para a domínio da frequência através da realização da transformada rápida de Fourier (Fast
Fourier Transform - FFT) evidencia as falhas do sistema através dos picos do espectro, sendo,
portanto, um passo necessário para o monitoramento de uma máquina.
2.1.1 Sinal analógico
De acordo com Spada (2016), o microfone dinâmico (Figura 3) é um dos mais comuns
do mercado e de maior resistência mecânica. Seu funcionamento consiste no movimento de
uma bobina em um ímã permanente ‒ a partir da pressão realizada no diafragma exposto à fonte
sonora ‒, o que gera uma tensão análoga ao sinal captado.
A partir do sinal do microfone um conversor analógico/digital (Analog Devices, 2021)
o transforma em sinal digital, para armazenar em um meio digital, como em um computador ou
para realizar manipulações.
De modo a capturar um sinal digital perfeitamente correspondente ao sinal analógico
original, o Teorema da Amostragem (SHANNON, 1949) deve ser aplicado ao utilizar uma
frequência de amostragem de, pelo menos, duas vezes a taxa de frequência máxima que se
deseja amostrar.
18
Figura 3 – Modelo e funcionamento de um microfone dinâmico
Fonte: Spada (2016).
2.1.2 Conversão para domínio da frequência
A transformada rápida de Fourier é um algoritmo para a execução computacional da
transformada discreta de Fourier (discrete Fourier transform - DFT) (COCHRAN et al., 1967),
o que reduz sua complexidade matemática, o seu custo computacional e, consequentemente,
diminui o tempo necessário para sua conclusão.
Tendo como base o teorema de Parseval (Equação 1) tem-se que o sinal no domínio da
frequência, após a conversão pela FFT, terá uma potência igual à energia do sinal analógico
original, o que possibilita o seu uso para a análise de vibração da máquina.
∫ |𝑥(𝑡)|2 𝑑𝑡∞
−∞
= 1
2𝜋 ∫ |𝑋(𝜔)|2 𝑑𝜔
∞
−∞
= ∫ |𝑋(2𝜋𝑓)|2 𝑑𝑓∞
−∞
(Equação 1)
Para aplicar o teorema de Parseval ao sinal no domínio da frequência, o método
desenvolvido por Welch (1967) é computacionalmente rápido para uma utilização contínua e
seu resultado gera uma média dos valores de potência em pequenas janelas de frequência,
19
reduzindo sinais provenientes de ruído (JWO; CHANG; WU, 2021) ou por estímulos
momentâneos.
2.2 Aprendizado de máquina para monitoramento de máquinas
Segundo AMIHAI et al. (2018), o monitoramento de equipamentos juntamente com a
utilização de aprendizado de máquina (Machine Learning - ML) é uma forma válida para prever
o estado futuro de uma máquina.
A predição de uma falha durante a operação de um equipamento, a partir da análise de
seu estado corrente, é chamada de predição online de falha (SALFNER; LENK; MALEK,
2010). Uma abordagem para monitorar sintomas de falhas é o método com classificadores, que
consiste em comparar o estado atual com dados anteriormente classificados. Dessa forma, a
predição online de falha pode encaixar o estado atual em uma classificação de falha iminente
ou não.
2.2.1 Algoritmo k-means
O algoritmo k-means foi assim nomeado por MacQueen (1967) a partir do proposto por
Forgy (1965) e depois por Lloyd (1982). Conforme Morissette e Chartier (2013), o método
Forgy-Lloyd é o ideal para processar uma grande quantidade de dados discretos.
A classificação consiste em agrupar um conjunto de dados de acordo com suas
semelhanças e diferenças e, na maioria das vezes, utilizar como métrica a distância euclidiana
dos pontos aos centroides criados para estimar a qual agrupamento pertencem (MORISSETTE;
CHARTIER, 2013).
Classificadores do tipo k-means para predição de falhas possuem uma acurácia mínima
de 80% (WANG et al., 2020), quando analisada a vibração no domínio do tempo de uma
máquina rotativa. E, de acordo com Tristan, Ashkan e Cai Xia (2015), a vibração produzida por
um equipamento pode ser utilizada para a sua manutenção preditiva.
20
3 METODOLOGIA DA PESQUISA
Este capítulo busca explicitar o processo científico, a classificação da pesquisa, os
instrumentos utilizados e o método para analisar os dados capturados.
3.1 Caracterização da pesquisa
De acordo com Prodanov e Freitas (2013, p. 44),
pesquisar cientificamente significa realizarmos essa busca de conhecimentos,
apoiando-nos em procedimentos capazes de dar confiabilidade aos resultados
[...] significa muito mais do que apenas procurar a verdade, mas descobrir
respostas para perguntas ou soluções para os problemas levantados através do
emprego de métodos científicos (PRODANOV e FREITAS, 2013, p. 44).
Nesse sentido, esse estudo utiliza como norteador o método monográfico, ao descrever
um estudo de caso em sua profundidade, no sentido de proporcionar a outros pesquisadores da
mesma temática, uma observação dos fatores que influenciam os processos analisados nos
procedimentos experimentais, que serão apresentados no capítulo 4.
Quanto à natureza dessa pesquisa, ela se classifica como uma pesquisa aplicada, que
tem como objetivo “gerar conhecimentos para aplicação prática dirigidos à solução de
problemas específicos” (PRODANOV e FREITAS, 2013, p. 51).
Do ponto de vista dos objetivos, essa pesquisa se classifica como exploratória, pois tem
como finalidade
proporcionar mais informações sobre o assunto que vamos investigar,
possibilitando sua definição e seu delineamento, isto é, facilitar a delimitação
do tema da pesquisa; orientar a fixação dos objetivos e a formulação das
hipóteses ou descobrir um novo tipo de enfoque para o assunto. Assume, em
geral, as formas de pesquisas bibliográficas e estudos de caso (PRODANOV
e FREITAS, 2013, p. 51).
Em se tratando dos procedimentos técnicos, esse estudo se caracteriza como pesquisa
bibliográfica, pois tem seu embasamento teórico apoiados em materiais tais como dissertações,
teses, artigos científicos e materiais de internet. Do mesmo modo, podemos qualificá-la também
como uma pesquisa experimental e de abordagem quantitativa, que ocorre
21
quando determinamos um objeto de estudo, selecionamos as variáveis que
seriam capazes de influenciá-lo, definimos as formas de controle e de
observação dos efeitos que a variável produz no objeto. Portanto, na pesquisa
experimental, o pesquisador procura refazer as condições de um fato a ser
estudado, para observá-lo sob controle. Para tal, ele se utiliza de local
apropriado, aparelhos e instrumentos de precisão, a fim de demonstrar o modo
ou as causas pelas quais um fato é produzido, proporcionando, assim, o estudo
de suas causas e seus efeitos (PRODANOV e FREITAS, 2013, p. 57).
3.2 Procedimentos de pesquisa
Para fins de procedimentos de pesquisa, “ou seja, a maneira pela qual obtemos os dados
necessários para a elaboração da pesquisa” (PRODANOV e FREITAS, 2013, p. 54), a monografia
se utilizou do levantamento bibliográfico em fontes de pesquisa, especialmente no trabalho
desenvolvido por Cabral et al. (2019), que ofereceu elementos essenciais para que, com
alterações na metodologia e nas pretensões de resultados, fosse possível favorecer um processo
automático e embarcado de classificação da máquina analisada.
A classificação utilizando k-means seguiu a metodologia de Wang et al. (2020), com
treinamento e classificação inicial supervisionada, com os clusters contendo os estados da
máquina definidos, antes de iniciados os testes com a classificação autônoma.
Foi utilizado também o procedimento observacional para validar os resultados que
foram obtidos por software juntamente com os estados do hardware que estava sendo analisado.
Outro procedimento técnico utilizado para o desenvolvimento desse estudo foi a
pesquisa ou prática de campo, na qual foi possível observar in loco o funcionamento da
máquina, assim como conseguir dados e informações suficientes para responder ao problema
de pesquisa, e alcançar os objetivos propostos.
22
4 PROCEDIMENTOS EXPERIMENTAIS
Este capítulo busca contextualizar o leitor quanto ao local de realização dos
experimentos e explanar os procedimentos realizados para a atingir os objetivos propostos.
Serão descritos os equipamentos utilizados para a captura, para o armazenamento, para o
processamento e para a exibição das informações coletadas.
4.1 A planta
Os procedimentos de captura de sinais e monitoramento ocorreram na máquina Mecalor
UMAG (Unidade Móvel de Água Gelada, um chiller) modelo MSA-60-RI-380/C/T, conforme
ilustram as Figuras 4 e 5, responsável pela linha de produção de água gaseificada e pelo
resfriamento de garrafas de plástico recém moldadas, em uma indústria de prospecção e envase
de água mineral.
Figura 4 – Vista lateral do chiller Mecalor.
Fonte: Acervo pessoal (2021).
23
Figura 5 – Vista frontal do chiller Mecalor.
Fonte: Acervo pessoal (2021).
O chiller possui em seu interior dois motocompressores, ventiladores e uma motobomba
de água. As Figuras 6 e 7 demonstram o funcionamento da máquina.
24
Figura 6 – Funcionamento do chiller (circuito com compressores).
Fonte: Mecalor (c2015).
Figura 7 – Funcionamento do chiller (circuito com a bomba).
Fonte: Mecalor (c2015).
25
4.1.1 Posicionamento dos sensores
Devido funcionamento dos compressores ser determinante para a identificação do modo
de operação da máquina, os microfones foram posicionados na parte superior de cada um
(Figuras 8 e 9), o que facilitaria a detecção de seu funcionamento.
Posteriormente, foi identificado que os microfones também são capazes de identificar o
funcionamento da bomba, devido à sua proximidade (vide Figura 10).
Figura 8 – Moto compressor 1 e o microfone do canal de captura 1.
Fonte: Acervo pessoal (2021).
26
Figura 9 – Moto compressor 2 e o microfone do canal de captura 2.
Fonte: Acervo pessoal (2021).
Figura 10 – Posicionamento dos compressores e bomba no interior da máquina.
Fonte: Acervo pessoal (2021).
27
4.2 Captura de dados
Para que a pesquisa pudesse ser iniciada a captura de sinais era necessária. Testes de
bancada apontavam para a necessidade de uso de um microcontrolador para as capturas de
dados e um computador para processar esses dados, a fim de otimizar cada etapa do processo,
preservando a criticidade de cada um.
Das opções disponíveis no mercado, o Arduino Due se mostrou a opção ideal para ser o
elemento que interagiria diretamente com os sensores, pois reúne quatro fatores de extrema
importância para a pesquisa: é uma plataforma bem difundida de desenvolvimento, possui
conectores que facilitam a prototipagem, possui uma precisão de 12 bits no conversor
analógico-digital (analog to digital converter - ADC) e possibilita uma taxa de captura de sinais
analógicos de até um milhão de amostras por segundo (one million samples per second - 1
MSPS).
A alta taxa de captura de sinais do microcontrolador presente na placa Due (um ARM
Cortex M3 de 32 bits, projetado pela Atmel) se divide de forma igual entre a quantidade de
entradas analógicas que estejam sendo utilizadas e, devido a forma de se configurar o tamanho
do buffer de amostras que o chip pode armazenar antes de enviar pela porta USB (através de
bits), a única forma de manter uma paridade entre o sinal convertido e a sua posição no vetor
de dados seria com a utilização de 2n-1 canais, com n representando o número de entradas
analógicas a serem utilizadas.
O computador escolhido para armazenar e processar os dados coletados pelo Arduino
foi um Raspberry Pi 3 modelo B+, devido aos seguintes fatores: também é uma plataforma bem
difundida de desenvolvimento, utiliza sistema operacional Linux, pode ser facilmente acoplada
ao Arduino em um invólucro pequeno e possui excelentes recursos de hardware, dado o seu
tamanho.
A fim de capturar com maior clareza todo o espectro dos sinais dos microfones utilizados,
uma placa amplificadora com um ganho de 5,7 vezes (seguindo o cálculo de amplificação da
Figura 11) e com um offset ajustável foi desenvolvida (Figuras 12 a 15), visto que parte do sinal
produzido se encontra em valores de tensão abaixo do ponto de repouso, quando não há
captação de sinais.
28
Figura 11 – Cálculo do ganho de amplificação de um circuito multiplicador não-inversor.
Fonte: Boylestad (c1998).
Figura 12 – Esquemático da placa amplificadora.
Fonte: Acervo pessoal (2020).
29
Figura 13 – Diagrama da placa amplificadora.
Fonte: Acervo pessoal (2020).
Figura 14 – Placa amplificadora montada.
Fonte: Acervo pessoal (2020).
30
Figura 15 – Conjunto placa amplificadora, Arduino e Raspberry Pi no chiller.
Fonte: Acervo pessoal (2021).
4.3 Armazenamento dos dados
Para o treinamento do algoritmo de aprendizado de máquina seria necessário coletar
diversos sinais em momentos distintos do funcionamento da máquina. E devido à grande
quantidade de dados gerados pelas capturas, um computador com maior capacidade de
armazenamento era necessário. A solução adotada foi a de utilizar outro computador Raspberry
Pi como servidor REST unicamente para armazenar em um banco de dados os valores
processados pelo Raspberry Pi ligado ao Arduino (Figura 16).
A solução armazenava os dados de cada sensor em uma estrutura JSON, juntamente
com informações inerentes ao dado armazenado (quantidade de valores, quantidade de sensores
lidos, data da aferição e o valor em segundos do tempo de leitura sequencial e do intervalo entre
as leituras). Dessa forma, o treinamento do algoritmo poderia ser realizado em um computador
31
de mesa tradicional sem a necessidade de ter um grande espaço de armazenamento (ou volume
físico de armazenamento) no local da máquina, na planta industrial.
Figura 16 – Diagrama da captura e armazenamento dos dados.
Fonte: Acervo pessoal (2021).
4.4 Treinamento do k-means
A partir de observações do funcionamento normal da máquina, cinco modos de
operação foram identificados e, consequentemente, seis estados foram definidos para utilização
no algoritmo k-means:
• apenas a bomba funcionando;
• funcionamento da bomba e compressor 1;
• funcionamento da bomba e compressor 2;
• funcionamento da bomba e os dois compressores;
• máquina desligada e
• operação não conhecida.
Para que a classificação pelo algoritmo obtivesse mais êxito foram utilizados dois
possíveis estados para cada modo de operação em que a máquina estivesse ligada, tendo em
vista que os sinais de máquina desligada equivalem a um sinal demasiadamente diferente dos
32
demais e os sinais de operação não conhecida (ou treinada) indicam um novo modo de
funcionamento, possivelmente evidenciando uma operação em não-conformidade.
Após obter os sinais dos sensores referentes aos estados mencionados foi realizado o
aprendizado de máquina através do treinamento do algoritmo k-means. Para isso, foi realizada
a conversão do sinal analógico (no domínio do tempo) para o sinal da densidade espectral de
potência (no domínio da frequência) utilizando o método de Welch com uma sobreposição de
50% na janela de amostragem.
A partir dessa conversão foram extraídos os valores da maior potência registrada, da
média de potência do sinal e o valor da integral da curva (utilizando a regra de Simpson
composta) para serem utilizados como valores de comparação no treinamento do algoritmo.
4.5 Exibição dos dados
Após o treinamento do k-means, o Raspberry Pi foi programado para executar diversas
capturas de sinais ao longo do dia, para ao final do expediente, quando o chiller estiver
desligado, realizar o processamento das horas da máquina: quanto tempo ficou em
funcionamento, quanto tempo ficou gelando a água e quanto tempo passou em um estado ainda
não mapeado.
Para visualizar os dados processados, uma página web foi desenhada. Nela seria exibida
o estado atual da máquina bem como as estatísticas dos dias úteis anteriores. Para tanto, foi
utilizada a biblioteca Streamlit, para a linguagem de programação Python. Esse código ficaria
monitorando um diretório específico, contendo todas as informações exibidas. De acordo com
o estado atual da última análise da máquina, uma imagem digitalmente manipulada será exibida,
contendo as características dessa análise, para que corresponda ao painel na Mecalor (Figura
17).
Tanto o código de armazenamento dos sinais processados quanto o código referente à
página no navegador serão coordenados por um programa Unix (Cron), de forma que sejam
executados toda vez que o Raspberry Pi for ligado (Figura 18).
33
Figura 17 – Página web exibindo uma simulação do painel da máquina em tempo real.
Fonte: Acervo pessoal (2021).
Figura 18 – Diagrama do funcionamento final do conjunto.
Fonte: Acervo pessoal (2021).
34
5 RESULTADOS E DISCUSSÕES
Neste capítulo são apresentados os resultados obtidos neste trabalho, tendo como base
o exposto no capítulo 4, juntamente com as dificuldades enfrentadas e escolhas que tiveram de
ser tomadas para atingir o objetivo proposto, separados pelas etapas do processo, conforme
descritas a seguir.
5.1 Captura dos sinais
Inicialmente foram escolhidos dois tipos de sensores, os microfones dinâmicos e
extensômetros (strain gauges) para realizar a análise inicial dos sinais do chiller. Porém, a
fixação dos últimos ao equipamento não foi bem-sucedida e, portanto, não foi utilizada nessa
pesquisa. Quanto aos microfones, logo cedo foi percebida a necessidade de inserir um offset ao
seu sinal, tendo em vista que os níveis de tensão emitidos poderiam atingir valores negativos,
o que danificaria a placa de captura utilizada. Isto fez necessário utilizar um circuito integrado
(CI) amplificador de dois canais para cada microfone, pois um canal (amplificador operacional
– amp-op) do CI faria a adição da tensão de offset e o outro amp-op faria a amplificação do
sinal do microfone.
Devido ao posicionamento dos microfones nos compressores do chiller, o fator de
amplificação utilizado na placa amplificadora precisou ser alterado duas vezes. O primeiro fator
utilizado amplificou em mais de 1200 vezes (na placa da Figura 19) os valores de tensão e
tornou os sinais indistinguíveis na maioria as capturas realizadas. Apenas a partir da análise do
sinal sem amplificação foi possível estabelecer um valor ideal para fator de amplificação.
35
Figura 19 – Primeira placa de amplificação.
Fonte: Acervo pessoal (2021).
Para garantir que os valores referentes aos microfones fossem os mais recentes
possíveis, houve a necessidade de incluir um sinal de reset proveniente do Raspberry Pi ligado
ao Arduino. Isso certificaria que os dados obtidos seriam apenas a partir do início da captura e
não de sinal antigo em buffer, proveniente de uma captura anterior.
A taxa de captura do Arduino Due não pôde ser fixada para um valor pré-definido. Como
sua conversão de valores analógicos para valores digitais ficou ocorrendo de forma ininterrupta,
depois de recebido o comando para a sua ativação, a quantidade de dados convertidos obtidos
passou a variar com a taxa de conclusão das conversões. Apesar disso, as taxas obtidas sempre
foram superiores a 105 mil amostras por segundo em dois canais de forma simultânea, o que
garantiu fidelidade para frequências de até 52,5 KHz.
5.2 Armazenamento dos dados
Uma captura contendo essa grande quantidade de sinais gerou arquivos com 4 MB por
dois segundos de leitura, por canal. Observando este fato, o armazenamento local no Raspberry
Pi logo se tornaria inteiramente ocupado, impossibilitando mais capturas. Assim, foi necessária
a utilização do outro Raspberry Pi, com um cartão de memória maior, para o armazenamento
36
temporário desses sinais, até a realização do treinamento do algoritmo de aprendizado de
máquina.
5.3 Identificação dos estados
A partir das capturas dos sinais do chiller em seus estados padrão foi possível realizar o
treinamento do algoritmo de machine learning k-means. Foram inseridos o maior valor
registrado, a média e a integral de cada leitura para realizar a sua classificação supervisionada.
Ao final disso, um arquivo base contendo os valores de todos os estados foi criado, para ser
utilizado em todas as novas classificações de estado da máquina.
Após a obtenção dos estados possíveis da máquina, foi criada a estrutura de códigos
para realizar novas capturas, armazenar localmente os dados até a realização da classificação
dos novos sinais e o cálculo do tempo de funcionamento do chiller em cada modo de operação.
Nesta etapa, o código precisou ser subdividido em três partes de ativação sequencial: controle
de execução das diferentes etapas, captura de novos dados e processamento das horas de
permanência em cada modo de operação da máquina. O site para exibir as informações
funcionaria de forma simultânea a todos.
A ativação sequencial dos códigos foi necessária devido às limitações de processamento
do Raspberry Pi, pois ele passou a operar de forma lenta quando utilizados os códigos de forma
simultânea, ocasionando em arquivos incompletos e baixa responsividade na página web.
5.3.1 Controle das etapas
O código de controle de execução das etapas seria responsável por enviar o comando
para realizar novas capturas no horário comercial da empresa, pois correspondia ao horário de
funcionamento do chiller e responsável por dar início ao código de processamento das horas
em cada modo de operação, após o fim do expediente.
5.3.2 Captura de novos dados
O código para captura de novos dados seria responsável por enviar o comando de reset
e de realizar novas conversões ao Arduino, bem como receber esses valores, organizar os
valores por canal, classificar com base nos valores obtidos de forma supervisionada (Figura
37
20), armazenar o estado atual da máquina, junto com o horário leitura e se o estado pertence a
uma classificação ainda não identificada.
Figura 20 – Exemplo de resultados da classificação.
Fonte: Acervo pessoal (2021).
5.3.3 Processamento das horas
O código para execução após o fim do expediente tornou-se o mais computacionalmente
intensivo, justificando a decisão de ser executado quando não estivesse sendo utilizado. Este
passo varreria um arquivo contabilizando a troca de classificações ocorridas ao longo do dia,
de forma a somar o tempo de permanência nos estados de operação pela diferença de horários
em que foram observadas. Dessa forma, um grande tempo de permanência em um estado ainda
não mapeado poderia indicar uma anomalia na máquina e, posteriormente, uma operação em
estado não-conforme.
5.3.4 Página web
A página web seria executada desde a inicialização do Raspberry Pi e ficaria observando
os arquivos gerados pelo código de captura por mudanças para exibir ao usuário, os valores das
horas calculadas nos dias anteriores e avisos (Figuras 21 e 22).
38
Figura 21 – Exemplo de dados da página.
Fonte: Acervo pessoal (2021).
Figura 22 – Exibição do estado atual no site e classificação do algoritmo.
Fonte: Acervo pessoal (2021).
5.4 Resultados
Com base no que foi observado in loco e nos resultados obtidos pelo classificador, o
objetivo da pesquisa foi alcançado parcialmente. Foram utilizados componentes de ampla
disponibilidade no mercado para manter o custo baixo e ele foi capaz de identificar os estados
de funcionamento da máquina Mecalor, porém não ocorreram não-conformidades (ou
demasiadas classificações de estado não mapeado) expressivas ao longo do período de
realização da pesquisa para confirmar esta funcionalidade.
39
6 CONCLUSÕES E RECOMENDAÇÕES
Apesar de não ter atingido a totalidade do objetivo proposto, o projeto realizado foi bem-
sucedido. A escolha de uma máquina com maiores índices de falha poderia ter evidenciado essa
detecção de não-conformidades.
Quanto ao equipamento produzido para a realização deste trabalho, pré-fabricar
componentes ajustáveis pode acelerar os procedimentos iniciais e utilizar outros tipos de
sensores pode complementar o resultado obtido, aumentando a precisão do algoritmo de
classificação.
Para a realização do reconhecimento dos estados de operação da máquina foi necessário
utilizar a estrutura de rede local da fábrica para enviar os resultados através da Internet, algo
que poderia ter sido um impeditivo para a continuidade do projeto caso não possuísse
estabilidade suficiente.
Para fins de recomendações, espera-se que a discussão sobre a temática abordada nessa
monografia não se encerre aqui, tendo em vista a relevância do tema para a pesquisa cientifica,
assim como para a indústria, objetivando melhorar o seu funcionamento e reduzir os custos que
possam ser ocasionados por falta de uma boa predição de falhas.
0x43 0x6F 0x6E 0x73 0x65 0x67 0x75 0x69 0x2C 0x20 0x76 0x6F 0x76 0xF4 0x21
40
7 REFERÊNCIAS
AMIHAI, I.; GITZEL, R.; KOTRIWALA, A. M.; PARESCHI, D.; SUBBIAH, S.; SOSALE
G. An Industrial Case Study Using Vibration Data and Machine Learning to Predict
Asset Health. 2018 IEEE 20th Conference on Business Informatics, Viena, p. 178-185, 2018.
ANALOG Devices. Analog to Digital Conversion. [S. l.], 2021. Disponível em:
<https://wiki.analog.com/university/courses/electronics/text/chapter-20>. Acesso em: 26 ago.
2021.
BOYLESTAD, Robert L.; NASHELSKY, Louis. Dispositivos Eletrônicos e Teoria de
Circuitos. 6. ed. Rio de Janeiro: LTC, 1998.
CABRAL, M. A. L.; MATAMOROS, E. P.; COSTA, J. A. F.; PINTO, A. P. V.; SOUZA, A.
S.; FREIRE, A. D.; BEZERRA, C. E. F.; CABRAL, E. L. S.; CASTRO, W. R. S.; SOUZA,
R. P.; SEABRA, E. A. R. Automated Classification of Tribological Faults of Alternative
Systems with the Use of Unsupervised Artificial Neural Networks. Journal of
Computational and Theoretical Nanoscience. [S. l.]: American Scientific Publishers, 2017,
v. 16, n. 7, p. 2644-2659.
COCHRAN, William T.; COOLEY, James W.; FAVIN, David L.; HELMS, Howard D.;
KAENEL, Reg A.; LANG, William W.; MALING JR, George C.; NELSON, David E.;
RADER, Charles M.; WELCH, Peter D. What Is the Fast Fourier Transform? Proceedings
of the IEEE, [S. l.], v. 55, n. 10, p. 1664-1674, out. 1967.
FORGY, Edward W. Cluster Analysis of Multivariate Data: Efficiency vs. Interpretability
of Classifications. Biometrics, [S. l.], v. 21, n. 3, p. 768, set. 1965.
JWO, Dah-Jing; CHANG, Wei-Yeh; WU, I-Hua. Windowing Techniques, the Welch
Method for Improvement of Power Spectrum Estimation. Computers, Materials &
Continua, Henderson, v. 67, n. 3, p. 3983-4003, 01 mar. 2021.
LLOYD, Stuart P. Least Squares Quantization in PCM. IEEE Transactions of Information
Theory, [S. l.], v. 28, n. 2, p. 129-136, mar. 1982.
MACQUEEN, James. Some Methods for Classification and Analysis of Multivariate
Observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and
Probability, Berkeley, v. 5.1, p. 281-296, 01 jan. 1967.
MECALOR. Chillers: Resfriamento de Processos Industriais. São Paulo, 2015. Disponível
em: <https://mecalor.com.br/imagens/2015/08/mecalor-catalogo-chillers.pdf>. Acesso em: 16
ago. 2021.
MORISSETTE, Laurence; CHARTIER, Sylvain. The k-means clustering technique:
General considerations and implementation in Mathematica. Tutorials in Quantitative
Methods for Psychology, [S. l.], v. 9, p. 15-24, fev. 2013.
PLANTE, Tristan; NEJADPAK, Ashkan; YANG, Cai Xia. Faults Detection and Failures
Prediction Using Vibration Analysis. 2015 IEEE Autotestcon, Prince George, p. 227-231,
17 dez. 2015.
41
PRODANOV, Cleber Cristiano. FREITAS, Ernani Cesar. Metodologia do Trabalho
Científico [recurso eletrônico]: métodos e técnicas da pesquisa e do trabalho acadêmico / 2.
ed. – Novo Hamburgo: Feevale, 2013.
SALFNER, Felix; LENK, Maren; MALEK, Miroslaw. A Survey of Online Failure
Prediction Methods. ACM Computing Surveys, [S. l.], v. 42, n. 3, 10, 29 mar. 2010.
SHANNON, Claude E. Communication in the Presence of Noise. Proceedings of the
Institute of Radio Engineers, [S. l.], v. 37, n. 1, p. 10-21, jan. 1949.
SPADA, Adriano L.; Microfones – Parte 1 [online]. Attack do Brasil, 2016. Disponível em:
<http://www.attack.com.br/repositorio//artigos-tecnicos/microfones%E2%80%93parte-
1.pdf>. Acesso em: 22 ago. 2021.
WANG, Q.; LIU, J.; WEI, B.; CHEN, W.; XU, S. Investigating the Construction, Training,
and Verification Methods of k-Means Clustering Fault Recognition Model for Rotating
Machinery. IEEE Access, [S. l.], v. 8, p. 196515-196528, 01 out. 2020.
WELCH, Peter D. The Use of Fast Fourier Transform for the Estimation of Power
Spectra: A Method Based on Time Averaging Over Short, Modified Periodograms. IEEE
Transactions on Audio and Electroacoustics, [S. l.], v. 15, n. 2, p. 70-73, jun. 1967.
0x4D 0x6F 0x7A 0x6F 0x76 0x6F