Transformação de árvores de falhas em redes bayesianas:
Otimização de manutenção em sistemas de engenharia
DOI:
https://doi.org/10.51896/rilcods.v6i52.445Palavras-chave:
Manutenção, árvore de falhas, Redes Bayesianas, diagnóstico e prognóstico de falhasResumo
O diagnóstico e a previsão de falhas na indústria são cruciais para evitar interrupções não planejadas, otimizar a eficiência e reduzir custos de manutenção. A utilização de redes bayesianas permite avaliação precisa e probabilística, melhorando a tomada de decisão e o planejamento estratégico de manutenção. O objetivo desta pesquisa reside na apresentação de uma metodologia detalhada para a transformação precisa e sistemática de uma árvore de falhas em uma rede Bayesiana, com o objetivo de melhorar a capacidade de diagnóstico e prognóstico de falhas. Para atingir este objetivo, a árvore de falhas de um aerogerador foi criada utilizando dados históricos e consultoria de especialistas e com o método proposto foi transformada em uma rede bayesiana. Como resultados são apresentadas as principais vantagens da rede Bayesiana em relação à árvore de falhas e obtidos os conjuntos e combinações de falhas mais críticas para o sistema. A pesquisa conclui que a transformação permite uma avaliação mais precisa e detalhada de falhas no aerogerador. A rede Bayesiana considera as relações probabilísticas entre eventos e permite obter uma estimativa mais precisa da probabilidade de falha, o que facilita o diagnóstico. Como pesquisas futuras, propõe-se a integração da rede bayesiana em sistemas inteligentes de manutenção e sistemas de apoio à decisão. Isto permitirá a automatização do planeamento da manutenção e a otimização dos recursos de forma mais eficaz.
Referências
Bobbio, A., Portinale, L., Minichino, M., & Ciancamerla, E. (2001). Improving the analysis of dependable systems by mapping fault trees into Bayesian networks. Reliability Engineering & System Safety, 71(3), 249-260. https://doi.org/https://doi.org/10.1016/S0951-8320(00)00077-6
Jin, H., & Liu, C. (2017, 28-30 May 2017). Reliability analysis of wind turbine gear box based on fault tree and Bayesian network. 2017 29th Chinese Control And Decision Conference (CCDC),
Kabir, S., & Papadopoulos, Y. (2019). Applications of Bayesian networks and Petri nets in safety, reliability, and risk assessments: A review. Safety Science, 115, 154-175. https://doi.org/10.1016/j.ssci.2019.02.009
Li, H., Guedes Soares, C., & Huang, H.-Z. (2020). Reliability Analysis of a Floating Offshore Wind Turbine using Bayesian Networks. Ocean Engineering, 217, 107827. https://doi.org/10.1016/j.oceaneng.2020.107827
Liu, W. (2019). Intelligent fault diagnosis of wind turbines using multi-dimensional kernel domain spectrum technique [Article]. Measurement: Journal of the International Measurement Confederation, 133, 303-309. https://doi.org/10.1016/j.measurement.2018.10.027
Rodríguez-López, M. Á. (2015). Metodología para sistemas inteligentes de detección de mal funcionamiento en equipos Universidad de La Rioja]. España. https://dialnet.unirioja.es/servlet/tesis?codigo=46488
Torres Valle, A., & Martínez Martín, E. (2016). Evaluación de confiabilidad tecnológica del parque aerogenerador de Gibara 2 %J Ingeniería Energética. 37, 25-34. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1815-59012016000100004&nrm=iso
Vachtsevanos, G., & Zahiri, F. (2022). Prognosis: Challenges, Precepts, Myths and Applications. IEEE Aerospace Conference Proceedings,
Villar Ledo, L., Díaz Concepción, A., Infante Abreu, M. B., Vilalta Alonso, J. A., Alfonso Álvarez, A., & Rodríguez Soto, Á. A. (2022). ANALYSIS OF TOOLS FOR THE DIAGNOSIS OF MAINTENANCE MANAGEMENT [Article]. Universidad y Sociedad, 14(1), 493-510. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85126333566&partnerID=40&md5=c2fa336146a2130db8f410adffaaa786
Wang, K. S. (2014). Key Techniques in Intelligent Predictive Maintenance (IPdM) – A Framework of Intelligent Faults Diagnosis and Prognosis System (IFDaPS). Advanced Materials Research, 1039, 490-505. https://doi.org/10.4028/www.scientific.net/AMR.1039.490
Zhou, H., Chen, W., Shen, C., Cheng, L., & Xia, M. (2022). Intelligent machine fault diagnosis with effective denoising using EEMD-ICA- FuzzyEn and CNN [Article]. International Journal of Production Research. https://doi.org/10.1080/00207543.2022.2122621
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Usted es libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y construir a partir del material
Bajo los siguientes términos:
- Atribución — Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
- NoComercial — Usted no puede hacer uso del material con propósitos comerciales.
