Research on Fault Diagnosis of Water-Based Dynamic Rodless Oil Pumping Machine Based on Manifold Learning and Genetic Algorithm

Resumo Técnico: Diagnóstico de Falhas de Unidades de Bombeio de Óleo Sem Haste de Base Aquosa via ISOMAP-GA

Definição do Problema
As unidades de bombeio de óleo sem haste de base aquosa oferecem vantagens significativas sobre as bombas tradicionais com haste, incluindo maior eficiência, redução de custos e a eliminação do desgaste haste-tubo. No entanto, esses sistemas operam sob condições não lineares complexas e variantes no tempo, onde os sinais de falha exibem não linearidade, não estacionaridade e alta redundância. Os métodos de diagnóstico existentes enfrentam limitações específicas: sistemas especialistas muitas vezes carecem de identificação precisa do tipo de falha; métodos baseados em equações cinemáticas têm dificuldade com o mapeamento de parâmetros sob alto ruído; e abordagens de teoria fractal perdem a diferenciação quando as razões de ruído excedem 0,4. Além disso, os algoritmos tradicionais de aprendizado de variedade (manifold learning), embora eficazes em capturar estruturas geométricas intrínsecas sem distribuições de dados predefinidas, sofrem com poder discriminativo insuficiente, sensibilidade a ruídos e outliers, dependência de tentativa e erro manual para a seleção de parâmetros principais e altos custos computacionais em grandes conjuntos de dados.

Metodologia
O artigo propõe uma estrutura de diagnóstico de falhas que integra o aprendizado de variedade ISOMAP (Mapeamento Isométrico) com um Algoritmo Genético (GA) para otimização global. A metodologia processa-se através das seguintes etapas:

1. Aquisição de Dados e Extração de Características:

   • Os dados são coletados de uma bancada de teste de simulação de falhas equipada com sensores que medem a pressão de entrada do óleo, o fluxo de fluido de potência, o fluxo de fluido produzido, a temperatura de saída, o deslocamento do cilindro e sinais de vibração.
   • Os sinais de vibração brutos são submetidos a uma redução de ruído (denoising).
   • Um vetor de características de 20 dimensões é construído para cada amostra, compreendendo 13 características no domínio do tempo (ex: RMS, valor pico-a-pico) e 7 características no domínio da frequência (ex: frequência média, estabilidade do pico espectral).
   • Quatro categorias de falhas são definidas: Operação Normal, Bloqueio na saída de óleo, Vazamento de fluido de potência e Bloqueio de válvula fixa.

2. Aprendizado de Variedade Comparativo:

   • Experimentos iniciais compararam ISOMAP, LLE (Embedding Linear Local) e LE (Mapas de Autovalores Laplacianos).
   • Os resultados indicaram que, enquanto o LLE preserva vizinhanças locais, ele perde correlações de longo alcance; o LE comprime excessivamente o espaço de características, reduzindo a discriminação entre classes. O ISOMPO foi selecionado como o método base por sua capacidade de preservar a estrutura topológica global e formar clusters distintos para diferentes modos de falha.

3. Otimização Colaborativa ISOMAP-GA:

   • Para abordar a dependência do ISOMAP em relação ao ajuste manual de parâmetros e sua sensibilidade ao ruído, um Algoritmo Genético é empregado para otimizar o processo ISOMAP.
   • Codificação: O GA utiliza codificação de número real para cromossomos que representam o tamanho da vizinhança ($k$), a dimensão de redução de dimensionalidade ($d$), o peso da distância geodésica ($w$) e uma máscara de filtragem de características.
   • Função de Aptidão (Fitness): Uma função multiobjetivo ($F$) é construída para equilibrar a separabilidade de características ($J$), a eficiência computacional ($T$) e a correlação de significado físico ($P$), ponderada como $F = 0,6J + 0,2T + 0,2P$.
   • Processo de Otimização: O GA realiza seleção (roleta com retenção de elite), cruzamento (aritmético, $p=0,8$) e mutação (Gaussiana, $p=0,1$) para encontrar os parâmetros ideais que maximizam a distância entre as classes de falha enquanto minimizam a variância intra-classe.

4. Classificação:

   • As características de variedade de baixa dimensão otimizadas são inseridas em um classificador K-Vizinhos Mais Próximos (KNN) para o reconhecimento final do modo de falha.

Principais Contribuições

• Integração Algorítmica: O artigo introduz um modelo sinérgico onde um Algoritmo Genético automatiza a seleção dos parâmetros principais do ISOMAP ($k$ e $d$) e otimiza os subconjuntos de características, eliminando a necessidade de tentativa e erro manual.
• Poder Discriminativo Aprimorado: Ao otimizar para a máxima distância inter-classe e a mínima distância intra-classe, o método melhora significativamente a separabilidade das características de falha no espaço de baixa dimensão em comparação ao ISOMAP padrão.
• Robustez: A integração de restrições de mecanismos de falha na função de aptidão e a seleção de características resistentes ao ruído aumentam a estabilidade do método contra ruídos industriais e outliers.

Resultados Experimentais

• Separabilidade de Características: O índice de separabilidade de características de falha otimizado ($J$) aumentou de 2,3141 (não otimizado) para 79,7555, representando um aumento de aproximadamente 33,5 vezes.
• Desempenho de Agrupamento (Clustering): No espaço de variedade 2D, as quatro categorias de falha (Normal, Vazamento, Bloqueio de Saída, Bloqueio de Válvula) formaram clusters compactos e independentes com fronteiras claras e sem sobreposição significativa.
• Precisão de Diagnóstico: Quando combinado com um classificador KNN, o método proposto alcançou uma precisão de diagnóstico de falhas de 94,44%.
• Análise da Matriz de Confusão: A matriz de confusão indicou que todas as amostras foram classificadas corretamente, sem erros de classificação entre classes, demonstrando a confiabilidade do método no reconhecimento de múltiplos modos de falha.

Significância e Alegações
O artigo afirma que o método ISOMAP-GA proposto fornece uma solução eficaz para o diagnóstico inteligente de falhas de unidades de bombeio de óleo sem haste de base aquosa. Ele aborda os desafios específicos de sinais de falha de alta dimensão, não lineares e ruidosos inerentes a esses sistemas. Os autores asseguram que o método oferece forte capacidade de anti-interferência e aplicabilidade de engenharia, pois não requer ajuste manual complexo de parâmetros e mantém a estabilidade computacional. Ao alcançar alta precisão de diagnóstico e visualização clara de características, o estudo fornece suporte técnico confiável para o monitoramento de condição e manutenção de equipamentos de bombeio de óleo sem haste em ambientes de campo petrolífero.