Devido ao fato que o processo de predição inclui incertezas, resulta um grande desafio no desenvolvimento de sistemas de prognóstico (Greitzer e Pawlowski, 2002). Essas incertezas, na maioria das vezes, estão presentes na aquisição de dados. Os fatores que podem gerá-las, na aquisição de dados, são ruídos, distúrbios, degradação do instrumento de medida, e erros humanos (Zedda e Singh, 2002). A precisão dos resultados de um sistema de prognóstico é altamente dependente da precisão dos dados adquiridos, sendo um dos motivos pelos quais nos últimos anos as técnicas de MC receberam destacada atenção, levando à incorporação de sensores inteligentes, e à inclusão do processamento de sinais e extração de características. Dois fatores fundamentais para obter um prognóstico preciso são: a aquisição e o processamento de dados relevantes, que inclui a extração e a seleção de características. Das et al. (2011) apresentam as etapas essenciais para o desenvolvimento de um efetivo sistema PHM, descrevendo as caraterísticas extraídas no domínio do tempo e da frequência.
17
2.4.1 Aquisição de dados
A aquisição de dados é a primeira fase de um processo de prognóstico. Essa etapa consiste em selecionar as medições mais relevantes para a monitoração da saúde de um equipamento ou sistema. Os sensores e as estratégias de sensoriamento são fundamentais para o prognóstico. O processo de prognóstico está associado ao tipo, número e localização dos sensores, seu uso, peso, custo, faixa dinâmica entre outras características, sendo que eles podem ter ligação com fio e sem fio (Vachtsenavos et al., 2006). Os dados coleados pelos dispositivos transdutores raramente são usados na sua forma bruta. Esses dados devem ser processados apropriadamente para extrair informações úteis, resultando em uma versão reduzida dos dados originais, mas que preservam a maior quantidade de atributos destas características ou indicadores de falha, que também são indicadores de eventos de falhas e que procuram detectar, isolar e predizer a evolução ao longo do tempo. O processamento de dados consiste em realizar filtragem, compressão e correlação para remover impurezas e reduzir níveis de ruídos e volume de dados a serem processados.
A maioria das grandes empresas dispõem de grandes históricos de dados, os quais não são efetivamente usados. Esses dados podem ser utilizados para predizer e identificar os defeitos de equipamentos antes da ocorrência de uma falha. A aquisição desses dados de MC é realizada a partir de sensores instalados nos equipamentos. Esses sensores podem medir temperatura, umidade, vazão, pressão, etc. Outros tipos de dados, em muitos casos disponíveis, tais como dados de históricos de falhas e informações do fabricante podem ajudar na modelagem de prognóstico de falhas; esses dados serão chamados de dados de eventos.
2.4.2 Processamento de dados
Geralmente, os dados coletados possuem sinais brutos contendo ruídos e sinais irrelevantes. A eliminação desses ruídos e sinais é necessária para obter um sistema de prognóstico confiável. Essa etapa inclui a remoção de picos, a normalização de dados, a remoção de ruídos e sinais irrelevantes. Uma análise sem um processamento adequado de sinais pode levar a falsos alarmes. Depois da obtenção de sinais relevantes e sem presença de ruído, são necessárias outras duas etapas: a extração e seleção de características.
18 2.4.2.1Extração de características
As características são as propriedades heurísticas individuais medíveis do fenômeno em observação, sendo usualmente valores numéricos, como por exemplo, a média, a variância e o valor máximo de uma série de sinais (Theodoridis e Koutroumbas, 2006). São informações que ajudam a entender o estado de saúde de um equipamento (Theodoridis e Koutroumbas, 2006), e que podem ser extraídas usando técnicas no domínio do tempo, frequência e tempo-frequência.
As técnicas no domínio do tempo são utilizadas para sinais não periódicos ou quando a periodicidade de um sinal não é significativa. Entre as características presentes no domínio do tempo estão a média, a variância, o mínimo, o máximo, os coeficientes polinomiais do sinal, etc. (Kim et al., 2007; Sreejith et al., 2008; Zhang e Randall, 2009).
No que diz respeito aos sinais periódicos, a característica pode ser extraída usando técnicas no domínio da frequência, como por exemplo a Transformada Rápida de Fourier (FFT –
Fast Fourier Transform). A amplitude de uma frequência pode ser usada como uma
característica (Theodoridis e Koutroumbas, 2006). Entretanto, a transformada de Fourier é indicada apenas para a transformação de um sinal estacionário. Para sinais não estacionários podem ser usadas a Transformada de Wavelet (Daubechies, 1990) ou a Transformada de Fourier de Tempo Curto (STFT – Short Time Fourier Transform) (Zhu et al., 2007).
2.4.2.2Seleção de características
Em primeira análise, extrair a maior quantidade de características é sempre melhor, já que mais características podem fornecer mais informações. Entretanto, a presença de características irrelevantes e redundantes complica o modelo de prognóstico e aumenta o custo computacional, e um fator ainda mais importante, a presença de um grande número de características, diminui a capacidade de generalização do modelo de prognóstico.
Na Figura 2.4 indica-se que o desempenho nem sempre melhora com o aumento do número de características (Trunk, 1979). Neste cenário, o aumento do número de características pode melhorar apenas o desempenho inicial, depois de um número crítico de características, o desempenho diminui: a isto denomina-se fenômeno de pico (Theodoridis e Koutroumbas, 2006). É possível observar também que somente para um conjunto de dados infinito ou suficientemente grande, o aumento do número de características pode melhorar o modelo de
19
prognóstico. Contudo, a geração de um conjunto de dados suficientemente grande não é possível na maioria dos casos.
Figura 2.4- Fenômeno de pico (Theodoridis e Koutroumbas, 2006).