REDES NEURAIS PARA CLASSIFICAÇÃO DE FALHAS EM DIAGNÓSTICO DE FALHAS EM TURBINAS A GÁS INDUSTRIAIS

REDES NEURAIS PARA CLASSIFICAÇÃO DE FALHAS EM DIAGNÓSTICO DE
FALHAS EM TURBINAS A GÁS INDUSTRIAIS
Tairo Teixeira
Departamento de Engenharia Elétrica PUC-Rio
Rio de Janeiro, RJ, Brasil

RESUMO
Neste trabalho é apresentado o uso de redes neurais MLP
(Multilayer Perceptron) aplicado à classificação de falhas em turbinas a gás industriais. As entradas da rede são parâmetros do equipamento previamente comparados com a referência de máquina limpa e saudável, dada pelo modelo computacional
NGGT (Natural Gas and Gas Turbine). A rede neural então classifica as falhas, sendo que neste trabalho abordou as classes saudável, fouling no compressor (depósito nas palhetas) e filtro sujo. INTRODUÇÃO
Baseado no crescimento sempre constante de demanda de energia no mundo e também no constante aumento da parcela de energia gerada por turbinas a gás, é de fundamental importância manter níveis aceitáveis de confiabilidade e riscos associados a estes equipamentos. Atualmente fabricantes de turbinas a gás tentam impulsionar condições de desempenho de seus produtos otimizando eficiência e condições de operação.
Todos os tipos de turbinas são suscetíveis à deterioração de desempenho devido à condição de operação e ambientes poluídos. Essa deterioração culmina com a turbina a gás gerando menos energia que o esperado impactando diretamente o lucro dos proprietários destes equipamentos. Assim, melhorar as ferramentas de monitoramento e diagnóstico é prioridade para usuários e fabricantes de turbinas a gás.
Procedimentos de diagnóstico de falhas dependem de detecção de variações nos parâmetros medidos a fim detectar falhas físicas obedecendo a uma relação de causa e efeito.
Existem diversas falhas responsáveis por perdas em turbinas industriais, tais como acúmulo de depósitos (fouling) nas palhetas do compressor, corrosão, erosão, tip clearance, etc.
Essas falhas causam mudanças nas características fundamentais de parâmetros de desempenho do equipamento.