Como Sistema Especialista e Machine Learning podem ser usados conjuntamente no diagnóstico automático

ESTUDO DE CASO – Como Sistema Especialista e Machine Learning podem ser usados conjuntamente no diagnóstico automático – Caso Transformadores

Este estudo propõe abordar a utilização conjunta do Sistema Especialista, logica fuzzy e do método de Machine Learning como uma opção extremamente eficaz na detecção ou diagnóstico precoce de falhas em equipamentos, bem como demonstrar que seus pontos fracos podem ser praticamente anulados, assim como seus pontos fortes ampliados. Para elucidar a temática proposta neste documento serão analisadas as técnicas utilizadas na detecção ou diagnóstico de falhas em Transformadores da CTG Brasil, cujo conhecimento para realização da configuração do diagnóstico do Sistema MDM foram obtidas a partir de normas, procedimentos e conhecimento tácito dos especialistas da empresa nesta área. 

Neste caso analisado, temos 5763 pontos monitorados, logo a ideia principal na utilização do Sistema Especialista é simplificar e automatizar o trabalho do técnico responsável pelo equipamento, que para analisar e reportar o funcionamento dele necessita acompanhar uma quantidade robusta e diversa de informações, utilizando por vezes ferramentas que não são desenvolvidas com tal finalidade. Na base do Sistema Especialista MDM encontra-se o conceito de análise de múltiplos parâmetros, capaz de utilizar dados de entrada provenientes de uma diversidade de fontes, desde laudos de laboratório até sinais de sensores, sejam eles de medições em tempo real com informações coletadas por operadores em rotas de inspeção (como vazamentos, ruídos, mau cheiro, etc…). Dessa forma as informações são cruzadas dentro do algoritmo do sistema, que por sua vez é responsável pela análise desses dados. A partir daí é realizado o cálculo automático do que os valores apontam sobre o funcionamento do equipamento, encontrando como resultado uma possível falha, por mais incipiente que seja.

Esta maneira precoce e assertiva de detecção de falhas é viabilizada pela utilização de duas premissas, sendo a primeira a da lógica “fuzzy”, que oferece os resultados com um grau de pertinência e não de forma binária.  Desta maneira, um equipamento pode estar 10% danificado, por exemplo, o que na prática indica que uma falha está se desenvolvendo. A segunda premissa é a monitoração de cada dado de acordo com pontos de operação em que o equipamento se encontra, isso faz com que falhas que se desenvolvem apenas possam ocorrer em certa faixa de temperatura ou potência, por exemplo, sejam identificadas  de forma mais precisa. 

1 – MÉTODOS DE DIAGNÓSTICO AUTOMÁTICO DE EQUIPAMENTOS

Este tópico visa apresentar de forma sucinta as duas técnicas utilizadas no diagnóstico automático de equipamentos, descrevendo seus preceitos básicos de funcionamento e apresentando suas virtudes e fraquezas.

1.1 Sistema Especialista

A Inteligência Artificial (IA) surgiu da ideia inicial de que os computadores poderiam ser inteligentes e tem como objetivo científico fundamental compreender os mecanismos do comportamento inteligente, tanto em máquinas como em pessoas. Um ramo dessa exploração – também chamado de sistemas especialistas ou sistemas baseados em conhecimento – concentrou-se na construção de programas destinados a incorporar um modelo robusto de experiência humana em um domínio, usando um conjunto específico de opções arquitetônicas e técnicas de construção. A base de conhecimento de um sistema especialista contém conhecimento factual e heurístico. Os sistemas baseados em conhecimento são baseados nas técnicas computacionais de IA. O uso de computadores para modelar a perícia de especialistas reconhecidos trouxe novas questões ao foco e forneceu novas ferramentas experimentais para o estudo da perícia. Cada aplicação bem-sucedida confirma a adequação dos métodos de representação e inferência para capturar a experiência necessária para executar uma tarefa específica em um domínio específico. Os métodos computacionais acrescentaram um poder expressivo e significativo ao campo das ciências cognitivas. As aplicações de sistemas baseados em conhecimento ao longo de várias décadas fornecem um modelo importante para trabalhar com automação, no qual assistentes inteligentes de IA tornam o trabalho humano mais seguro, menos tedioso e geralmente melhor. [1] 

1.1.1 Caracterização

Os sistemas especialistas são diferenciados dos programas convencionais em vários e importantes aspectos. Embora nenhuma das características seguintes esteja faltando totalmente em outro software bem projetado, todas elas juntas fornecem a caracterização de uma classe distinta de programas. Basta dizer que não há um acordo comum na literatura sobre uma caracterização específica e que poucos sistemas especialistas exibem todas essas características no mesmo grau. No entanto, as cinco características a seguir fornecem um conjunto de aspirações dentro das quais podemos agrupar sistemas especialistas.

Um sistema especialista é um programa de computador que [2]:

1. Razões com conhecimentos que são tanto simbólicas quanto matemáticas;
2. Usa métodos que são heurísticos (plausíveis), bem como algorítmicos (exatos);
3. Executa tão bem um diagnóstico quanto os especialistas em sua área de trabalho;
4. Torna compreensível o que é conhecido e as razões das suas respostas;
5. Mantém Flexibilidade.

1.1.2 Questionamentos e desafios na utilização do Sistema Especialista

A tendência geral na discussão referente aos desafios na utilização do Sistema Especialista segue uma metodologia bastante racional, alguns apontamentos são fornecidos na literatura atual. Entre as questões que surgem durante a implementação de um sistema especialista, as principais são as seguintes: [5]

• Quais tarefas são adequadas para encapsulamento dentro de um sistema especialista? Quais são os estágios de desenvolvimento de um sistema especialista?
• Como o conhecimento é adquirido? Pode ser usado mais de um especialista ou técnica? Como os especialistas são interrogados? Como o conflito (entre vários especialistas) é resolvido?
• Quais são os problemas técnicos? O que são as linguagens e ferramentas apropriadas para o desenvolvimento de um sistema sério? Quais são as linguagens apropriados e ferramentas para executar ou entregar um serviço rápido e sistema eficiente? [5]

Então, por que investir em um sistema especialista? 

• Os sistemas especialistas não se cansam. Eles podem realizar tarefas de rotina com alta confiabilidade e consistência;
• O processo de aquisição de conhecimento se aprofunda aprimorando a compreensão dos próprios especialistas;
• Os sistemas especialistas permitem que os especialistas se concentrem em tarefas mais raras e interessantes;
• Sistemas especialistas podem ser usados ​​para treinar principiantes;
• Os sistemas especialistas fornecem uma memória da comunidade para compartilhar e propagar conhecimento;
• Sistemas especialistas, com rede, permitem a padronização generalizada de técnicas, métodos, requisitos, etc. (5)

1.2  Machine Learning

O “Machine Learning” pode ser amplamente definido como métodos computacionais usando a experiência para melhorar o desempenho ou para fazer previsões precisas. Neste caso a “experiência” se refere às informações previamente disponíveis para o sistema “aprendiz”, que normalmente assumem a forma de dados eletrônicos coletados e disponibilizados para análise. Esses dados podem estar na forma de “conjuntos de treinamento humano digitalizado” ou outros tipos de informações obtidas via interação com o meio ambiente. Em todos os casos, sua qualidade e tamanho são cruciais para o sucesso das previsões feitas pelo sistema “aprendiz”.

O “Machine Learning” consiste em projetar algoritmos de previsão eficientes e precisos. Como em outras áreas da ciência da computação, algumas medidas críticas da qualidade desses algoritmos são sua complexidade de tempo e espaço. Mas, no “Machine Learning”, precisaremos, adicionalmente, de uma noção de complexidade do fenômeno para avaliar o tamanho da amostra necessária para que o algoritmo aprenda uma família de conceitos. De forma mais geral, as garantias de aprendizagem teórica para um algoritmo dependem da complexidade do conceito das classes consideradas e o tamanho da amostra de treinamento.

Uma vez que o sucesso de um algoritmo de aprendizagem depende dos dados usados, o “Machine Learning” está intrinsecamente relacionada à análise de dados e estatísticas. De forma mais geral, as técnicas de aprendizado são métodos baseados em dados que combinam conceitos fundamentais em ciência computacional com ideias de estatística, probabilidade e otimização [3].

 

1.2.1 Questionamentos e desafios na utilização do “Machine Learning”

Embora o “Machine Learning” tenha provado ter um impacto profundo em diversos setores, ainda existem incertezas e desafios em relação à tecnologia.

Em sua essência, a IA é um conjunto de equações matemáticas e algoritmos que requerem treinamento humano. Isso significa que a IA e o “Machine Learning” são tão inteligentes quanto nós os ensinamos a ser. Quando aplicada corretamente, a IA é um assistente perfeito para nos ajudar a ser mais produtivos. 

Um problema mais técnico com o “Machine Learning” é a capacidade da tecnologia de lidar com dados não rotulados. Como o “Machine Learning” depende de dados para aprender, ele naturalmente requer uma grande quantidade de dados rotulados (labeled data) para funcionar com mais eficiência. No entanto, há muitos casos em que os dados não estão prontamente disponíveis ou não estão rotulados. Isso torna a criação de algoritmos mais desafiadora. Com pesquisas em andamento e novos avanços, esses sistemas estão sendo treinados para se tornarem mais inteligentes e atingirem uma precisão de nível humano, para que um dia os dados não rotulados sejam tão suficientes quanto os dados rotulados [4].

2 – UTILIZAÇÃO DA METODOLOGIA DE SISTEMA ESPECIALISTA NO DIAGNÓSTICO DE TRASNFORMADORES

2.1 A Solução da MDM Sistemas para o diagnóstico dos transformadores da CTG Brasil

Com o objetivo de automatizar o diagnóstico de falhas de transformadores de potência nas usinas da CTG Brasil desenvolveu-se um trabalho conjunto entre a CTG Brasil e a MDM Sistemas, que possibilitou a configuração de todos os transformadores das 14 usinas controladas pelo grupo. Antes de a atualização ser efetuada, a monitoração costumava ser feita através do uso de planilhas de acompanhamento, cujo preenchimento era realizado pelos técnicos responsáveis por cada equipamento, utilizando as informações dos laudos laboratoriais de análise de óleo e cuja análise era feita pelos especialistas da área na empresa, estes identificavam possíveis falhas utilizando sua experiência no assunto e através da utilização de normas, comparando os valores obtidos com os plausíveis.

Os principais desafios apresentados pela empresa na utilização do método descrito são:

• Como encontrar uma forma confiável de validar os dados presentes nas diversas planilhas, que por vezes são extensas e com grande quantidade de informações;
• Como rastrear alterações realizadas por descuido, presença de algum dado de referência não preenchido ou mesmo preenchido de maneira incorreta, que possa afetar diretamente no resultado esperado;
• Como executar diagnósticos automáticos e confiáveis de falhas em todos os equipamentos da usina utilizando a maior quantidade de informações possíveis, desde laudos de laboratórios até referências de pontos de operação do equipamento, cruzando todos os dados em um só sistema. 

Com o intuito de solucionar estas questões a MDM Sistemas propôs que a monitoração e diagnóstico dos transformadores através da análise do óleo isolante fosse incorporada ao sistema MDM, que já se encontrava em utilização nas usinas. Para que esse objetivo fosse alcançado fez-se necessário o entendimento por parte dos engenheiros da MDM Sistemas do conhecimento utilizado pelos especialistas da CTG na detecção de falhas. Este conhecimento encontra-se, em grande parte, formalizado em normas e métodos específicos utilizados na análise do óleo isolante dos transformadores.

De posse dessas informações a configuração de todos os equipamentos no Sistema pôde ser efetuada num período compreendido por aproximadamente seis semanas. Ao término da atividade o resultado foi de 5763 pontos monitorados configurados em 116 transformadores nas 14 usinas. Foram utilizadas como conhecimento de referência duas normas; IEC 60599 e IEEE C57-104 e quatro métodos; Rogers, Gás Chave, Myers e 2-FAL. Com isso os 116 equipamentos se encontram aptos após o período de configuração e testes a detectar falhas de acordo com as normas e métodos supracitados. 

2.2 Introdução a Análise de Gases em Transformadores

A detecção de certos gases gerados no óleo isolante em um transformador em serviço é com certa frequência a primeira indicação do mau funcionamento que pode levar à falha se não for corrigido. Formação de arco, descargas parciais, descargas de baixa energia, sobrecarga severa, falha do motor da bomba e superaquecimento no sistema de isolamento são alguns dos modos de falha de possível detecção. Quando essas condições ocorrem isoladamente, ou na forma de vários eventos simultâneos, podem resultar na decomposição dos materiais isolantes e na formação de vários gases combustíveis e não combustíveis. A própria operação normal do transformador também resultará na formação de alguns desses gases. Existem alguns casos em que é possível que alguns transformadores operem ao longo de sua vida útil com quantidades substanciais de gases combustíveis presentes. Operar um transformador com grandes quantidades de gás combustível presente não é uma ocorrência normal, contudo pode acontecer, geralmente após um grau de investigação e uma avaliação do possível risco.

No transformador, os gases gerados podem ser encontrados dissolvidos no óleo isolante, na manta de gás acima do óleo, ou em dispositivos de coleta de gás. A detecção de condição anormal requer a avaliação da quantidade do gás gerado presente e a taxa contínua de geração. Alguma indicação da fonte dos gases e do tipo de isolamento envolvido pode ser obtida determinando a composição dos gases gerados [7].

2.3 Métodos de Detecção Configurados no Sistema Especialista MDM

Para auxiliar o trabalho dos especialistas em manutenção de transformadores na análise da condição do equipamento, tanto com relação à formação de gases e estimativa de vida útil, foram configurados no banco de dados do Sistema MDM técnicas de avaliação e diagnóstico. A escolha destas técnicas foi o resultado de uma série de reuniões onde ficou decidido que a configuração das mesmas daria grande apoio na tomada de decisões. 

As técnicas configuradas serão brevemente descritas nos tópicos a seguir.

2.3.1 Análise dos gases dissolvidos no óleo – IEC 60599

De acordo com a norma IEC a identificação de modos de falha pode ser realizada a partir da análise laboratorial, quantificando a concentração de alguns gases dissolvidos no óleo isolante. Estes gases se formam ao longo da vida útil do transformador e a relação de dissolução entre eles é capaz de detectar de forma incipiente as falhas elencadas a seguir. Isso permite que sejam tomadas ações preventivas de acordo com cada caso [6].

Descargas parciais (PD)
Descargas de baixa energia (D1)
Descargas de alta energia (D2)
Falhas térmicas abaixo de 300°C (T1)
Falhas térmicas entre 300°C e 700°C (T2)
Falhas térmicas acima de 700°C (T3)

2.3.2 Análise dos gases Gerados em transformadores imersos em óleo – IEEE C57-104

As duas principais causas da formação de gás dentro de um transformador operacional são perturbações térmicas e elétricas. As perdas do condutor devido ao carregamento produzem gases da decomposição térmica associadas ao isolamento de óleo e ao isolamento sólido. Os gases também são produzidos a partir da decomposição do óleo e do isolamento exposto as temperaturas de arco. Geralmente, onde os gases de decomposição são formados principalmente por bombardeio iônico, há pouco ou nenhum calor associado a descargas de baixa energia e descargas parciais [7].

Estado	Limites principais da concentração de gás dissolvido [μL/L (ppm)]
Hidrogênio (H2)	Metano (CH4)	Acetileno (C2H2)	Etileno (C2H4)	Etano (C2H6)	Monóxido de Carbono (CO)	Dióxido de Carbono (CO2)	TDCG
Condição 1	100	120	1	50	65	350	2500	720
Condição 2	101 – 700	121 – 400	2 – 9	51 – 100	66 – 100	351 – 570	2500 – 4000	721 – 1920
Condição 3	701 – 1800	401 – 1000	10 – 35	101 – 200	101 – 150	571 – 1400	4001 – 10000	1921 – 4630
Condição 4	>1800	>1000	>35	>200	>150	>1400	>10000	>4630

Tabela 1 – Distinção da concentração de gases segundo norma IEEE C57-104

2.3.3 Avaliação de Falhas Através da Utilização de Gás chave

A metodologia do Gás Chave realiza a medição dos gases liberados pelo óleo isolante após uma falha, que então aumenta a temperatura no transformador de potência. A presença de gases de falha depende da temperatura ou energia que perturba a estrutura química do óleo isolante. Este método detecta falhas medindo gases individuais em vez de calcular as proporções dos gases. As quantidades significativas de certos tipos de gases são chamados de “gases-chave”[8].

2.3.4 Avaliação de Falhas Baseadas no Método de Proporção de Rogers

Em 1978, Rogers introduziu a observação de que a concentração de cada gás varia com a temperatura de cada falha. De posse deste conhecimento, comprovado posteriormente por diferentes estudos, introduz-se uma nova relação entre as concentrações de Etileno e Acetileno, pois estes são os gases que necessitam de temperaturas mais elevadas para serem gerados. Rogers também elimina a relação entre o Etano e o Metano, pois conclui que não ajuda na identificação da falha. Das relações dos gases chave restantes: hidrogênio, metano, etano, etileno e acetileno, somente três relações são utilizadas, para estas relações se atribui um código binário, dependendo de seu valor numérico, este código é comparado com outro padrão para determinar o tipo de falha. Este método tem esquema mais preciso, pois estabelece a severidade de condições de falha de forma incipiente [9].

2.3.5 Sistema do Índice de Myers ou Índice de Qualidade do Óleo (OIQN)

Por meio dos ensaios físico-químicos e cromatográficos, é possível identificar a qualidade do OMI. Um dos parâmetros para identificação da qualidade do OMI é o índice de qualidade do sistema (OQIN) ou número índice de Myers (MIN), que é calculado dividindo a tensão interfacial (IFT) pelo número de neutralização (NN). Um OMI de boa qualidade tem um OQIN de 1500 [10].

 

2.3.6 Cálculo da estimativa de vida restante do Transformador-  2 FAL

O método de estimativa de vida restante do transformador utiliza os valores do grau de polimerização da celulose calculados a partir da presença de 2-Furfuraldeído presente para que se possa obter de forma quantitativa a possibilidade de falha do equipamento devido a sua deterioração através do tempo de utilização. Este método tem como um dos principais benefícios a não retirada do equipamento de operação para obtenção dos diagnósticos [11].

2.4 Considerações Finais Sobre a Configuração do Sistema

Com as técnicas apresentadas nos tópicos acima o Sistema Especialista MDM fica apto, desde o momento de sua configuração e teste inicial, a entregar resultados de diagnósticos confiáveis aos responsáveis pela manutenção do transformador. Relatórios sobre a qualidade do óleo isolante e estimativa de vida útil do equipamento também são gerados, fazendo com que parte considerável de atividades que por muitas vezes são repetitivas, sejam realizadas de forma autônoma pelo sistema.

3. COMO AS TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL DO SISTEMA ESPECIALISTA E “MACHINE LEARNING” PODEM CAMINHAR JUNTAS NA OBTENÇÃO DO DIAGNÓSTICO

Através da análise dos pontos de vista apresentados anteriormente neste documento, que descrevem as formas de funcionamento, pontos fortes e pontos fracos de cada técnica, torna-se possível entender como ambas podem se complementar e auxiliar ainda mais na elaboração de diagnósticos precisos e tomada de decisão dos responsáveis pela manutenção de um determinado equipamento.

Tendo como base a premissa de que diagnósticos de equipamentos devem ser obtidos da maneira mais precoce possível, evitando assim falhas irreversíveis, que por muitas vezes tem seu valor de reparo elevado e custo alto pelo tempo fora de operação, um sistema de diagnóstico que já incuta em seu momento de partida a capacidade técnica necessária para obtenção de indícios de falhas tem maior valor perante um que necessite de tempo de “treinamento”. Esse fato faz com que o sistema especialista, desde que inicialmente bem configurado junto aos detentores do conhecimento do equipamento, tenha uma larga vantagem em relação ao “Machine Learning” no início de uma operação de manutenção preditiva. Contudo não podemos deixar de lado o fato de que por diversas vezes uma pré-configuração aprimorada do sistema não é realizada de forma adequada, o que nos leva a realizar ajustes de configuração e adição de conhecimento em etapas posteriores. Neste aspecto o “Machine Learning” pode auxiliar muito no “ajuste autônomo” de funções de diagnóstico através do reconhecimento de padrões de comportamentos dos modos de falhas.

A MDM Sistemas acredita que o Sistema Híbrido, no qual o conhecimento previamente configurado, conforme é feito em um sistema especialista, é o ponto de partida para o aprendizado do “Machine Learning”. Ficando bem mais a frente, daquele sem conhecimento previamente configurado. Tanto esta vantagem inicial quanto o desenvolvimento conjunto dos dois métodos de inteligência artificial amplia as capacidades de detecção de falhas e de um ajuste autônomo na avaliação das formas de funcionamento do equipamento. Este sistema é capaz inclusive de detectar novos padrões de falha, talvez pouco comuns e que fujam do encontrado no dia a dia pelos especialistas, o que traz ainda mais confiabilidade para os sistemas de diagnóstico Inteligente. 

4. REFERÊNCIAS BIBLIOGRÁFICAS

[1] – Buchanan, BG, Davis, R., Smith, RG e Feigenbaum. Sistemas especialistas: uma perspectiva da ciência da computação – The Cambridge handbook of expertise and expert performance (pp. 84-104). Cambridge University Press. EA 2018;

[2] – Buchanan Bruce G., Smith Reid G. Expert Systems, Fundamentals of Expert Systems – Expert Systems Project Management, Sixth National Conference on Artificial Intelligence – Conference Tutorial Program. July, 1987;

[3] – Mohri M., Rostamizadeh A., Talwalker A. – Foudations of Machine Learning – The MIT Press, Massachusetts Institute of Technology. 2012;

[4] – Wilpon J., Thomson D., Bangalore S., Hafner P., Johnston M. – The Fundamentals of Machine Learning. Interactions. Franklin, Massachusetts

[5] – Dym, Clive L. Issues in the Design and Implementation of Expert Systems – Harvey Mudd College. January 1987;

[6] – IEC 60599. Mineral oil-filled electrical equipment in service – Guidance on the interpretation of dissolved and free gases analysis – Edition 3.0 2015-09;

[7] – IEEE C57.104. – IEEE Guide for the Interpretation of Gases Generated in Oil-Immersed Transformers – Revision of IEEE Std C57.104-1991 – 2 February 2009;

[8] – Huo-Ching Sun, Yann-Chang Huang, Chao-Ming Huang – A Review of Dissolved Gas Analysis in Power Transformers – Department of Electrical Engineering, Cheng Shiu University, Kaohsiung, TAIWAN – Department of Electrical Engineering, Kun San University, Tainan, TAIWAN, Energy Procedia 2012;

[9] – Ibarras, Manuel E. – Programa Mantenciones Equipos Electricos Sector Minero – Transformadores CH – Chile 2008;

[10] – CAMPI, RODRIGO LUZ – Modelagem fuzzy da concentração dos gases dissolvidos em óleo mineral isolante de transformadores baseada em resultados de ensaios físico-químicos – Escola de Enhenharia de São Carlos – USP São Carlos, 2014;

[11] – EMSLEY, A. M. The kinectics and mechanisms of degradation of cellulosic insulation in power transformers. Polymer Degradation and Stability, v. 44, p. 343-349, 1994;

Sobre o Autor:

Hugo Valentim Fonseca

Engenheiro Mecânico Sênior na MDM Sistemas

Especialista na implementação de conhecimento baseado nas análises de falha (FMEA) de equipamentos de geração e transmissão de energia elétrica.