Análise de desbalanceamento de massa, aerodinâmico e erosão no bordo de ataque em pás de aerogeradores utilizando aprendizado de máquina
View/ Open
Date
2022-09-26Primeiro membro da banca
Gamarra, Daniel Fernando Tello
Segundo membro da banca
Lucena, Juliana de Almeida Yanaguizawa
Metadata
Show full item recordAbstract
Estudos demonstram que a manutenção é responsável por até 30% do custo total de um
projeto de aerogerador. Esse dado evidencia a necessidade de aprimorar as políticas de
manutenção na indústria eólica. Para isso, se faz necessário utilizar sistemas de monitoramento de condição - Condition monitoring systems (CMS) para avaliar a saúde de
aerogeradores em operação, prever falhas, e otimizar manutenções. No entanto, os CMS
dependem de outros subsistemas, como o de aquisição, tratamento e processamento de
dados. A detecção de problemas e falhas de modo a evitar downtimes ou custos elevados de manutenção requerem que os CMS sejam robustos para detectar problemas com
antecedência e precisão. Considerando que aerogeradores possuem Supervisory Control
and Data Acquisition (SCADA), é plausível utilizar dados disponíveis dessa fonte para
desenvolver e aprimorar CMS. Em se tratando de falhas em aerogeradores, a literatura
apresenta que três dos problemas de manutenção mais comuns são os desbalanceamentos
de massa, aerodinâmico e a erosão no bordo de ataque das pás. Esses problemas podem
ser detectados utilizando CMS, e a detecção prematura deles é de grande valia para evitar
complicações ou até falhas catastróficas no aerogerador. O presente trabalho propõe uma
metodologia para análise dos três problemas mencionados em aerogeradores utilizando
dados no formato SCADA. Para isso, dados são obtidos através de simulações utilizando
o FAST. Os dados são utilizados para treinar e testar dois algoritmos de machine learning
(ML): Árvores de decisão e support vector machines (SVM). Uma descrição matemática
dos problemas é apresentada para definir quais as variáveis mais relevantes para a detecção. Com as variáveis definidas, uma análise dos dados também é realizada para definir
o melhor ponto de operação do aerogerador para detecção das falhas. Após treinamento
e teste de ambos algoritmos, o SVM obteve melhores resultados, com elevada acurácia
na detecção de problemas, demonstrando que as análises matemática e de dados foram
efetivas.
Collections
The following license files are associated with this item: