Metodologia para geração sintética de dados de falha para modelos de Prognostics and Health Management orientados a dados em gêmeos digitais
Year: 2023
Type: dissertation
Abstract: PHM (acrônimo na língua inglesa para Prognostics and Health Management) é um dos principais serviços englobados pela Indústria 4.0. Entretanto, a escassez de dados de falhas devido à natureza de operação das máquinas ainda é um desafio a ser transposto neste campo. Devido aos recentes avanços tecnológicos em poder computacional, simulação, detecção e rede, os gêmeos digitais nos permitem adotar uma abordagem diferente para esse problema: inserir falhas em uma réplica digital do ativo real para treinar modelos de PHM orientados a dados. Neste trabalho, propomos uma metodologia geral para gerar e validar dados sintéticos de falha para PHM. Além disso, apresentamos uma aplicação da metodologia proposta, produzindo um conjunto de dados sintéticos de falha validado com dados reais. No experimento, modelamos um poço de petróleo inteligente em um simulador de fluido-dinâmica computacional comercial e injetamos falhas no sistema, modificando o comportamento esperado do equipamento para gerar dados sintéticos de falha. Em seguida, avaliamos a qualidade dos dados sintéticos treinando algoritmos de aprendizado de máquina sobre eles, testando com dados reais de um poço de petróleo e aplicando métricas de fidelidade para verificar as melhorias necessárias no processo. Os resultados mostram a viabilidade de geração de dados sintéticos úteis para fins de PHM, e a metodologia proposta indica pontos de aprimoramento nos dados gerados. A metodologia apresentada ainda possui limitações quanto à sua extrapolação para o caso geral de PHM, e este trabalho também discute alternativas para superar essas restrições.
Author: Schena, Rafael
Language: English
Subfield: Control and Systems Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7119268564
