Gêmeos digitais baseados em aprendizado de máquina para apoio à tomada de decisão operacional em uma usina termelétrica à combustão interna

Abstract

No Brasil, Usinas Termelétricas (UTEs) possuem um caráter estratégico e emergencial devido à flexibilidade de operação e por não dependerem de condições climáticas, de forma que a disponibilidade e a confiabilidade de uma UTE são questões críticas. O desafio de garantir estas características está intrinsicamente associado aos processos de manutenção. Através do programa de Pesquisa e Desenvolvimento da Agência Nacional de Energia Elétrica, a Radix - Engenharia e Desenvolvimento de Software e a Universidade Federal de Santa Catarina, atuando em parceria, desenvolveram um sistema de detecção de anomalias para auxílio à tomada de decisão em manutenções preditivas com abordagem de Gêmeos Digitais para as Unidades Geradoras Diesel (UGDs) das Centrais Elétricas da Paraíba - Epasa. Associando dados de sensores historiados a notas de manutenção, foi possível treinar modelos regressivos nas melhores condições de operação criando, assim, Gêmeos Digitais que mimetizam as principais variáveis de quatro subsistemas integrantes das UGDs: o sistema de admissão de combustível, arrefecimento, lubrificação e ar de admissão e gases de exaustão (sendo os dois últimos combinados, uma vez que estão correlacionados pelo turbocompressor). Para análise e validação destes modelos, as UGDs foram treinadas e testadas em grupos, avaliando o coeficiente de determinação (R²) e a raiz quadrada do erro quadrático médio (RMSE) em cada caso. Ao normalizar os erros (entre as predições e as variáveis alvo) e submetê-los a uma média móvel, foi possível criar um índice de saúde que reflete o desempenho de cada subsistema e, assim, avaliar a ocorrência de desvios anômalos. Ao correlacionar tais desvios com as notas de manutenção, a partir de janelas temporais, foi possível dar aos modelos regressivos a capacidade de classificação. Dessa forma, métricas como a Acurácia e o F1-Score também puderam ser utilizadas. Um algoritmo genético foi utilizado para otimização dos modelos, selecionando as entradas, algoritmos de regressão e hiperparâmetros que maximizassem as métricas de regressão e de classificação, simultaneamente. Dessa forma, foram obtidos como resultados médios finais R² de 0,93 e RMSE de 0,072 para as regressões, enquanto para as métricas de classificação uma Acurácia média de 0,86 foi observada e um F1- Score de 0,52 foi alcançado na detecção de anomalias. Por fim, os modelos foram implementados em um sistema SCADA de supervisão com telas personalizadas para acompanhamento em tempo real das operações. A metodologia desenvolvida pode ser replicada para indústrias em geral que utilizam um sistema semelhante de aquisição de dados.

Abstract: In Brazil, Thermoelectric Power Plants (TPPs) have a strategic and emergency character due to the flexibility of operation and for not depending on weather conditions, so the TPPs availability and reliability are critical issues. The challenge of ensuring these characteristics is intrinsically associated with maintenance processes. Through the Research and Development program of the National Electric Energy Agency, Radix - Engineering and Software, in partnership with the Federal University of Santa Catarina, developed an anomaly detection system to aid decision-making in predictive maintenance with a Digital Twin approach for the Electric Power Plants of Paraíba (Epasa) Diesel Generating Units (DGUs). By associating historical sensor data with maintenance notes, it was possible to train regressive models in the best operating conditions to create digital twins that mimic the main variables of four subsystems that are part of the DGUs: the fuel admission system, cooling, lubrication, combustion air admission and gases exhaustion (the latter two were combined, since they are correlated by the turbocharger). For analysis and validation, the five DGUs data were combined so it could be trained and tested in groups, evaluating the coefficient of determination (R²) and the root mean square error (RMSE) of the models. A health index was created by normalizing the errors (between the predictions and the target variables) and submitting them to a moving average, thus reflecting the performance of each subsystem and being able to evaluate the occurrence of anomalous deviations. By correlating such deviations with the maintenance notes, using time windows, it was possible to give the regressive models the ability to classify. Thus, metrics such as accuracy and F1-Score could also be used. A genetic algorithm was used to optimize the models, selecting inputs, regression algorithms and hyperparameters that maximized the regression and classification metrics simultaneously. Resulting in a final average R² of 0.93 and RMSE of 0.072 for the regressions, and for the classification metrics an average Accuracy of 0.86 and F1- Score of 0.52 for the anomalies detection. Finally, the models were implemented in a SCADA supervisory system with customized dashboards for real-time monitoring. That the methodology can be replicated for industries in general that use a similar data acquisition system.