José Affonso Moreira Penna

Apresentação em tema: "José Affonso Moreira Penna"— Transcrição da apresentação:

1 José Affonso Moreira Penna
Curso de Mestrado Profissionalizante em Engenharia Aeronáutica Monitoramento da Saúde e Estimação da Vida Útil de Baterias Aeronáuticas de Lítio-íon José Affonso Moreira Penna Orientação: Cairo L. Nascimento Jr. – ITA Co-orientação: Leonardo Ramos Rodrigues- Embraer

2 Estrutura do Trabalho Introdução
PHM (Prognostics and Health Management) Baterias de Lítio-íon Descrição do modelo Estudo de caso Conclusão

3 Estrutura do Trabalho Introdução
PHM (Prognostics and Health Management) Baterias de Lítio-íon Descrição do modelo Estudo de caso Conclusão

4 Introdução Motivação Objetivo Metodologia
Busca de redução de custos de manutenção e de operação aos operadores; Busca do aumento da segurança de voo; Desenvolvimento de técnicas de prognóstico; Objetivo Desenvolver metodologia para estimação do tempo de vida útil restante (RUL) da bateria aeronáutica de lítio-íon. Metodologia Estudo de baterias de lítio-íon Analise de dados experimentais Modelos Simulação de descargas da bateria ao longo de seu ciclo de vida Monitoramento Estudo e aplicação de técnicas de PHM Estimativa de RUL

5 Estrutura do Trabalho Introdução
PHM (Prognostics and Health Management) Baterias de Lítio-íon Descrição do modelo Estudo de caso Conclusão

6 Estrutura do Trabalho PHM (Prognostics and Health Management)
Introdução PHM (Prognostics and Health Management) Baterias de Lítio-íon Descrição do modelo Estudo de caso Conclusão

7 PHM (Prognostics and Health Management)
Origem: Disciplina em processo de amadurecimento; Estudo do mecanismo de falha ↔ Gestão do ciclo de vida; HUMS (Health & Usage Monitoring Systems): MH-47E Chinook (monitoramento de vibrações para predizer falhas nas engrenagens dos rotores de helicópteros) Fabricantes visualizam oportunidade de negócios e iniciam fabricação deste sistema (Smiths Aerospace)

8 PHM (Prognostics and Health Management)
Fundamentos: Envelhecimento ocorre em função do uso, do tempo e das condições ambientais; Envelhecimento (acúmulo do dano) é um processo monotônico que se manifesta na degradação física e química; Sinais do envelhecimento (direto ou indireto) são detectáveis antes da falha ostensiva do componente (perda da função); Correlação entre os sinais de envelhecimento e modelo de degradação possibilita a estimativa de RUL (Remaining Useful Life).

9 PHM (Prognostics and Health Management)
Cenário atual: MTBF (Mean Time Between Failures) Estatística de falha de determinada população; Não considera variação de parâmetros de operação; Pouco preciso; Propostas: Estimativa de RUL orientada a dados (Data-Driven Methods) Estimativa de RUL orientada a modelo (Model-Based Methods)

10 PHM (Prognostics and Health Management)
Estimativa de RUL orientada a dados (Data-Driven Methods) analise em tempo real os dados multidimensionais e ruidosos; grande numero de variáveis relacionadas a degradação; armazenagem e analise de dados onerosas; gerência de incertezas;

11 PHM (Prognostics and Health Management)
Estimativa de RUL orientada a modelo (Model-Based Methods) Desenvolvimento de modelo que relacionam o uso do componente com o acúmulo de danos; Utilização de dados da operação para pequenos ajustes dos parâmetros do modelo; Processos mais envolventes; Tipicamente resultam em uma estimação de RUL mais exata e precisa; Vantagens na validação, verificação e certificação pois a resposta do modelo pode ser relacionada com princípios físicos.

12 PHM (Prognostics and Health Management)
Baterias Aeronáuticas Crítico para o bom estado e funcionamento dos sistemas. Falha pode levar a redução de performance, deterioriação operacional, e falha catastrófica; Utilizado para a partida dos motores e em caso de pane elétrica das fontes principais de energia elétrica (geradores) e alternativas (RAT);

13 PHM (Prognostics and Health Management)
Baterias Aeronáuticas Dificuldade de predizer com exatidão o fim da vida da bateria a partir da estimação de SoH (State of Health) sob condições ambientais e de carga diferentes dos experimentos. Exemplo: sonda espacial Mars Global Surveyor da NASA. Tarefas de manutenção (inspeções e substituições) baseados em tempos fixos (hard times): Custo direto e indireto; Diminuição da despachabilidade; Dados incuficientes para predição de falha; Degradação na segurança de voo;

14 Estrutura do Trabalho PHM (Prognostics and Health Management)
Introdução PHM (Prognostics and Health Management) Baterias de Lítio-íon Descrição do modelo Estudo de caso Conclusão

15 Estrutura do Trabalho Baterias de Lítio-íon Introdução
PHM (Prognostics and Health Management) Baterias de Lítio-íon Descrição do modelo Estudo de caso Conclusão

16 Baterias de Lítio-íon Princípio de funcionamento
Descarga Recarga Comparativo com outras baterias Maior densidade de energia

17 Baterias de Lítio-íon Comparativo com outras baterias
Baixa autodescarga Longa vida em estoque Alto custo do equipamento Comercializado desde 1991

18 Baterias de Lítio-íon Modos de Falha Sobretensão Subtensão
Baixa temperatura Alta temperatura Fadiga mecânica Ciclo de vida

19 Estrutura do Trabalho Baterias de Lítio-íon Introdução
PHM (Prognostics and Health Management) Baterias de Lítio-íon Descrição do modelo Estudo de caso Conclusão

20 Estrutura do Trabalho Descrição do modelo Introdução
PHM (Prognostics and Health Management) Baterias de Lítio-íon Descrição do modelo Estudo de caso Conclusão

21 Descrição do Modelo Repositório de Dados
Fonte: NASA Ames Prognostics Data Repository 34 baterias de lítio-íon (Cnominal=2Ah) Repetidos ciclos de Recarga, Descarga e Medição de Impedância Descarga: Corrente Constante até Vmínimo Arquivos .mat

22 Descrição do Modelo Repositório de Dados Tratamento dos Dados
Removido V=0; Removido pontos de circuito aberto; Extrapolação da curva de descarga.

23 Descrição do Modelo Repositório de Dados
Efeito da Degradação ao longo do Ciclo de Vida Redução do tempo de descarga; Redução da tensão elétrica.

24 Descrição do Modelo Repositório de Dados Cálculo da Capacidade
Cálculo do estado de carga (SoC)

25 Descrição do Modelo Repositório de Dados
Removidas as baterias: B0025, B0026, B0027, B0028, B0038, B0039, B0040, B0041, B0042, B0043, B0044, B0049, B0050, B0051, B0052 Falha no sistema de controle; Corrente elétrica em forma de onda quadrada na descarga; Variação de corrente elétrica e temperatura ao longo da vida da bateria. 19 Baterias restantes: B B0047 B B0048 B B0055 B B0056 B B0007 B B0018 B0036 B0033 B0034 B B0031 B B0032 T=4°C T=24°C T=43°C I=1A I=2A I=4A

26 Descrição do Modelo Modelagem da curva de descarga
(PAATERO, 1997) e (SPERANDIO, 2010); Calculo de Tensão Elétrica U (I,T,SoC):

27 Descrição do Modelo Modelagem da curva de descarga
Determinação dos parâmetros x1...x17: Seleção das primeira curva de descarga (bateria nova) de cada bateria; Seleção de 5 baterias (uma para cada perfil de descarga); Rotina executa FMINSEARCH (MATLAB®) agrupando uma bateria por execução; Cálculo do erro:

28 Descrição do Modelo Modelagem da curva de descarga Resultados:
1237 ponto utilizados; Obtido os parâmetros x1...x17; Erro médio = 0,0565; Variância do erro = 0,0058.

29 Descrição do Modelo Modelagem da curva de descarga
Comparação Modelo x Repositório

30 Descrição do Modelo Modelagem da capacidade Modelo Linear
Capacidade = f (T, I, nc) Determinação dos parâmetros c0 e c1 Seleção de 5 baterias (uma para cada perfil de descarga); Seleção dos valores calculados de capacidade para cada nc; Escolha do modelo de c0 e c1; Rotina executa FMINSEARCH (MATLAB®) agrupando uma bateria por execução; Cálculo do erro:

31 Descrição do Modelo Modelagem da capacidade Resultados:
532 ponto utilizados; Obtido os parâmetros y1...y10 Erro médio = 0,0324; Variância do erro = 0,0035.

32 Descrição do Modelo Modelagem da capacidade
Comparação Modelo x Cálculo

33 Descrição do Modelo Modelagem da capacidade
Capacidade x Corrente Elétrica Capacidade x Temperatura

34 Descrição do Modelo Modelagem do Estado de Saúde State of Health (SoH)
Delta_Health (C=0) Número de Ciclo Relativo Remaining Useful Life (RUL) C = c1*nc+c0

35 Descrição do Modelo Simulink Projeto: Carga:

36 Descrição do Modelo Simulink Projeto: Carga:

37 Descrição do Modelo Simulink Modelo da Bateria: Modelo de C

38 Descrição do Modelo Simulink Cálculo de SoC: Modelo de Descarga:

39 Descrição do Modelo Simulink Monitoramento da Saúde:
Cálculo de SoH e de ncr

40 Descrição do Modelo Simulink Cálculo de ncr e delta_Health
Cálculo de SoH

41 Descrição do Modelo Simulink Monitoramento da Saúde:

42 Descrição do Modelo Estimativa de RUL
Obtenção os pontos de SoH utilizando o monitoramento da saúde Regressão linear dos pontos de SoH disponíveis até o momento da estimação Obtenção do número do ciclo no qual a bateria atinge o valor mínimo de SoH (SoHmin) realizando a extrapolação da reta obtida pela regressão Cálculo das incertezas e incorporação destes valores à estimativa

43 Descrição do Modelo Estimativa de RUL Regressão Linear
Função REGRESS (MATLAB®) B → coeficientes da regressão linear da reta BINT → coeficientes das retas superiores e inferiores que abrangem os pontos com 100*(1-ALPHA)% de confiança

44 Descrição do Modelo Estimativa de RUL Cálculo de ncfalha
Cálculo de RUL Cálculo da Incerteza Incerteza do perfil de operação das futuras descargas (BINT) Incerteza referente ao modelo de capacidade (erro/c1)

45 Estrutura do Trabalho Descrição do modelo Introdução
PHM (Prognostics and Health Management) Baterias de Lítio-íon Descrição do modelo Estudo de caso Conclusão

46 Estrutura do Trabalho Estudo de caso Introdução
PHM (Prognostics and Health Management) Baterias de Lítio-íon Descrição do modelo Estudo de caso Conclusão

47 Estudo de Caso Limite de SoH Descarga de emergência: Resultado:
time = 15 min.; T =43°C (pior cenário); Resultado: ncfalha = 285 SoHmin = 0,60

48 Estudo de Caso Caso A Partida do motor: Corrente Elétrica:
Temperatura:

49 Estudo de Caso Caso A Efeito da degradação: Resultado da simulação
ncfalha=495

50 Estudo de Caso Caso A Estimativa de RUL:
Exatidão na estimativa de falha (ncfalha=495) Precisão da estimativa (incerteza ± 66 ciclos) Estabilidade da estimativa possibilita planejamento da manutenção

51 Estudo de Caso Caso B Perfil de descarga: Operação não prevista: I=4A;
T=24°C; Tempo=10 min; ncfalha=1130. Operação não prevista: Elevação de temperatura ciclo )

52 Estudo de Caso Caso B Resultado da simulação:
Adiantamento no tempo de falha; nc'falha = 1059;

53 Estudo de Caso Caso B Estimativa de RUL:
Exatidão e conservadorismo na estimativa de falha (ncfalha ≅1035) Precisão da estimativa (incerteza ± 184 ciclos) Confiabilidade da estimativa possibilita planejamento da manutenção mesmo em casos com eventos não previstos

54 Estrutura do Trabalho Estudo de caso Introdução
PHM (Prognostics and Health Management) Baterias de Lítio-íon Descrição do modelo Estudo de caso Conclusão

55 Estrutura do Trabalho Estudo de caso Conclusão Introdução
PHM (Prognostics and Health Management) Baterias de Lítio-íon Descrição do modelo Estudo de caso Conclusão

56 Conclusão Bateria Verificado importância histórica e no cenário atual de estimar RUL; Encontrado modelo de descarga compatível com a descarga da bateria de lítio-íon; Identificado os modos de falha das baterias de lítio-íon; Estudado as características de degradação da bateria ao longo de seu ciclo de vida em função do perfil de operação (I, T);

57 Conclusão Metodologia
Os modelos de descarga e de capacidade foram capazes de simular as operações de descarga da bateria ao longo de seu ciclo de vida; O monitoramento da saúde da bateria foi capaz de monitorar os principais parâmetros necessários à estimação de vida útil restante; A estimativa de RUL foi capaz de fornecer ao operador informações com precisão e exatidão necessárias para a tomada de decisão para uma intervenção de manutenção na bateria.

58 Conclusão Trabalho Sugestões para trabalhos futuros:
Colabora no estudo para incorporar a tecnologia de PHM em futuros projetos elétricos de aeronaves (baterias). Sugestões para trabalhos futuros: Estudo para incorporar SoC e temperatura interna no modelo de capacidade da bateria; Estimar RUL em termos de uma pdf (probability density function); Estudo dos custos e implicações na utilização dos sensores necessários ao monitoramento da saúde da bateria; Verificar as alterações necessárias para o modelamento de baterias de maior capacidade (mais de uma célula);