Detecção e diagnóstico de falhas em processos industriais baseado em modelagem data-driven sob a ótica da indústria 4.0

Abstract

O quantitativo de dados gerados no mundo digital vem crescendo exponencialmente nos últimos anos, tanto em relação à qualidade como à diversidade. A inteligência e a capacidade de utilizar a informação a partir dos dados é considerado por muitos como o “novo petróleo” da contemporaneidade. Nas indústrias, tal fato não ocorre de maneira distinta, as empresas que sabem utilizar os dados em seu benefício possuem uma vantagem competitiva de mercado imensa, tornando-se capazes de reduzir os custos de produção, aumentar a qualidade de seus produtos e garantir eficiência em relação a sua segurança operacional. Diante desse cenário, surge a indústria 4.0, baseada nas tecnologias de manufatura digital, tais como IoT, Big Data, Cloud Computing, além de outras tecnologias emergentes. Nessa revolução, as fábricas tornam-se cada vez mais mais inteligentes, flexíveis, dinâmicas, ágeis, integradas e capazes de prevenir acidentes de trabalho além de paradas não planejadas ao longo do seu processo de produção. Para que isso de fato ocorra, torna-se imprescindível detectar, diagnosticar e tratar satisfatoriamente as falhas que ocorrem ao longo do processo produtivo. Sabe-se que uma falha é definida como uma variabilidade não natural das variáveis de um processo em seu estado estacionário, as quais não foram devidamente corrigidas pelo controlador. Dessa forma, este trabalho propõe-se a realizar a detecção e o diagnóstico de falhas através de uma análise multivariada utilizando como estudo de caso simulações obtidas do Tennessee Eastman Process. Para a detecção, utilizou-se a técnica de PCA combinada com as estatísticas T² e Q e posteriormente comparou-se o desempenho do modelo com a análise univariada. E para realizar o diagnóstico das falhas, foram testado duas abordagens distintas, a primeira na qual foi treinada e testada um modelo de rede neural recorrente em LSTM a partir de todas as variáveis de processo normalizadas, e logo em seguida foi realizado o mesmo procedimento, porém com uma prévia transformação linear através da PCA, considerando uma variância acumulada de 90% das PCA’s. Estes modelos foram otimizados através de uma variação aleatória dos seus hiperparâmetros e em seguida comparados entre si e entre outros algoritmos de machine learning disponíveis na biblioteca scikit-time. Para a detecção, o modelo baseado em PCA foi capaz de evidenciar, de maneira satisfatória, 13 das 20 falhas com taxas de detecção de falhas acima de 90%, e para o diagnóstico, o modelo combinado de PCA e LSTM foi capaz de diagnosticar, com mais de 85% de acurácia, 17 das 20 falhas, obtendo uma acurácia global de 94%.