Motivação
No campo da engenharia naval e do Gerenciamento de Prognóstico e Saúde (PHM), a indústria enfrenta dois grandes gargalos de longo prazo:
- Escassez de dados: Os motores diesel marítimos (especialmente os motores principais de navios oceânicos) são o coração do navio. Uma falha grave no mar pode levar à perda de propulsão, encalhe ou até naufrágios. Portanto, seus fatores de segurança no projeto são extremamente altos e a probabilidade de falhas graves é intrinsecamente muito baixa. Além disso, a indústria naval aplica rigorosos sistemas de manutenção preventiva (como revisões programadas com base nas horas de operação). A grande maioria das peças de desgaste é substituída forçosamente antes de falhar realmente e gerar dados de avaria. Isso leva a uma abundância de dados de saúde e desgaste inicial, mas a uma extrema falta de dados reais sobre falhas completas ou avarias graves.
- O problema da "Caixa Preta": Como os modelos de aprendizado profundo geralmente carecem de transparência, é difícil para os engenheiros confiarem neles se não puderem explicar as causas físicas de uma falha. Na indústria naval, estritamente regulamentada pelas sociedades classificadoras, essa opacidade é crítica. Se uma IA diagnosticar erroneamente (ou não detectar) um engripamento de pistão ou uma quebra de virabrequim, e o sistema não puder rastrear se o erro se deve a um viés nos dados, um defeito do algoritmo ou uma deriva do sensor, essa falta de rastreabilidade é inaceitável em investigações de acidentes marítimos.
Para enfrentar esses desafios, propusemos o método TSRF. Ao fundir modelos mecanísticos baseados na física com técnicas avançadas de explicabilidade e utilizar modelos de simulação de alta fidelidade para resolver o problema da escassez de dados, garantimos que as decisões de diagnóstico estejam em conformidade com os princípios termodinâmicos fundamentais.
Metodologia
O fluxo de trabalho deste estudo compreende as seguintes quatro fases principais (ver figura):
- Modelagem termodinâmica: Em vez de depender exclusivamente de bancos de ensaio físicos, construímos um modelo termodinâmico unidimensional de alta fidelidade de um motor diesel marítimo de seis cilindros. O modelo foi rigorosamente calibrado com base em dados operacionais reais, mantendo o erro de simulação abaixo de 5%.
- Injeção de falhas: Com base no modelo calibrado, simulamos cinco falhas específicas da câmara de combustão (como trincas no cabeçote, ablação do pistão, etc.) ajustando os parâmetros físicos, gerando assim um conjunto de dados que cobre vários graus de falhas reais do motor.
- Seleção de características baseada em SHAP: Utilizamos valores SHAP para identificar quantitativamente as características-chave, selecionando 14 parâmetros críticos que dominam a decisão de diagnóstico.
- Diagnóstico de classificação: Utilizando este conjunto de dados fisicamente aumentado, treinamos um classificador Random Forest (RF) e alcançamos um diagnóstico de falhas de alta precisão.
Fig. 1: Arquitetura do método TSRF.
Detalhes da modelagem termodinâmica
Para garantir alta fidelidade, construímos um modelo de simulação de motor diesel unidimensional. Este modelo mecanístico equilibra a precisão física com a eficiência computacional necessária para a geração do conjunto de dados.
Topologia do modelo
O sistema do motor é discretizado como uma rede de condutos de fluidos e componentes funcionais:
- Unidade de potência central: Configuração em linha, seis cilindros, dois tempos.
- Sistema de ar: Os coletores de admissão/escape (PL1, PL2) são conectados por uma complexa rede de tubulações.
- Sistema de sobrealimentação: Turbocompressor (TC1) acoplado a um intercooler (CO1).
Calibração e validação
Antes de prosseguir com a injeção de falhas, o modelo base foi rigorosamente calibrado com base em dados medidos.
- Fonte de dados: Dados operacionais reais do navio adquiridos através do Módulo de Aquisição de Dados (DCM).
- Validação: Os desvios dos parâmetros-chave (como potência, temperatura de escape) foram rigorosamente controlados dentro de uma faixa de erro de ±5% .
Fig. 2: Esquema do modelo termodinâmico unidimensional do motor diesel.
Fig. 5: Módulo de Aquisição de Dados (DCM).
Mecanismo de injeção de falhas
Como os modelos unidimensionais não podem representar diretamente defeitos estruturais 3D, adotamos um método de mapeamento fenomenológico para traduzir os mecanismos de degradação física em deslocamentos equivalentes de parâmetros termodinâmicos.
| Tipo de falha | Mecanismo físico | Implementação da modelagem |
|---|---|---|
| F1: Trinca no cabeçote | Condução térmica prejudicada. | Aumento da temperatura superficial do cabeçote ($T_H$) para 346°C. |
| F2: Ablação do pistão | Perda de material e falha de vedação. | Aumento da temperatura do pistão ($T_P$) + leve fuga de gases (blow-by) (0,01 kg/s). |
| F3: Desgaste da camisa | Aumento do diâmetro interno devido ao desgaste. | Aumento do diâmetro + fuga de gases severa (0,03 kg/s). |
| F4: Desgaste dos anéis | Vazamento de gás. | Ajuste do fluxo mássico de fuga de gases (0,02 kg/s). |
| F5: Emperramento dos anéis | Aumento do atrito e falha de vedação. | Mudança no diâmetro interno + aumento da temperatura da camisa + fuga de gases. |
Análise de explicabilidade
Uma inovação central deste estudo reside em mudar o foco de "Qual é a falha?" para "Por que essa falha foi diagnosticada?". Demonstramos essa capacidade através da análise do desgaste dos anéis do pistão (F4):
- Explicação local (Gráfico de cascata): O gráfico de cascata decompõe a lógica de previsão específica. Por exemplo, o modelo previu "desgaste dos anéis" porque o fluxo térmico de fuga de gases (P06) e o fluxo mássico de fuga de gases (P07) apresentaram valores específicos, aumentando assim a probabilidade de previsão desta falha. Isso é consistente com as leis físicas: o desgaste dos anéis destrói a vedação, causando vazamento de gás (fuga de gases).
- Explicação global (Gráfico de enxame): A análise global revela as leis gerais aprendidas pelo modelo. Descobrimos que uma baixa pressão de escape pré-turbina (P11) é um forte indicador de desgaste dos anéis. Fisicamente, isso é coerente: anéis desgastados causam vazamento de gás do cilindro, reduzindo assim a energia disponível para acionar a turbina.
Fig. 11: Análise de falha de desgaste dos anéis (F4) baseada em valores SHAP: (a) Gráfico de cascata; (b) Gráfico de enxame; (c) Gráfico de interação; (d) Gráfico de dependência.
Ver código de visualização SHAP (Python)
Se você estiver interessado nos detalhes de implementação dos gráficos acima, aqui está um código de exemplo para gerar os gráficos de cascata, enxame, interação e dependência.👇
Destaques da pesquisa
Acreditamos que este trabalho trouxe as seguintes contribuições-chave para a área:
- Estabelecimento de modelos parametrizados para cinco falhas típicas de componentes da câmara de combustão em motores diesel marítimos.
- Validação da eficácia do método SHAP através da comparação com vários métodos de seleção de características.
- Fornecimento de uma nova perspectiva para o diagnóstico explicável de falhas através da fusão de métodos baseados em dados com modelos mecanísticos termodinâmicos.