LUCAS PEREIRA WANDERLEY DE OLIVEIRA CRIAÇÃO DE …

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



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



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.


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.


23

Figura 5 – Vista frontal do chiller Mecalor.


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.


26

Figura 9 – Moto compressor 2 e o microfone do canal de captura 2.


Figura 10 – Posicionamento dos compressores e bomba no interior da máquina.


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.


29

Figura 13 – Diagrama da placa amplificadora.


Figura 14 – Placa amplificadora montada.


30

Figura 15 – Conjunto placa amplificadora, Arduino e Raspberry Pi no chiller.


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.


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.


Figura 18 – Diagrama do funcionamento final do conjunto.


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.


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.


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.


Figura 22 – Exibição do estado atual no site e classificação do algoritmo.


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

Documents

LUCAS PEREIRA WANDERLEY DE OLIVEIRA CRIAÇÃO DE …