dc.contributor.advisor | Gamarra, Daniel Fernando Tello | |
dc.creator | Silva, Emerson Cassiano da | |
dc.date.accessioned | 2024-08-12T14:06:13Z | |
dc.date.available | 2024-08-12T14:06:13Z | |
dc.date.issued | 2023-12-20 | |
dc.date.submitted | 2023 | |
dc.identifier.citation | SILVA, E. C. da. Detecção de desbalanceamento de massa em turbinas eólicas utilizando arquiteturas de rede neural Inception. 2023. 101 p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação) - Universidade Federal de Santa Maria, Santa Maria, RS, 2023. | por |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/32685 | |
dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Controle e Automação, RS, 2023. | por |
dc.description.abstract | Wind energy has experienced significant growth both in Brazil and worldwide, becoming one
of the fastest-expanding renewable technologies. In Brazil, this sector gained momentum in
2009 with the first exclusive wind energy auction. Since then, the share of wind energy in the
Brazilian electrical grid has grown and currently represents over 13% of the total. As the wind
energy sector advances, various challenges arise, including the costs associated with the
operation and maintenance of these turbines. One of these challenges is related to mass
imbalance, which can affect the performance and lifespan of the turbines. In this context, the
use of artificial intelligence algorithms is proposed for mass imbalance detection as a predictive
maintenance technique. Early detection of faults in wind turbines is crucial to ensure their
efficiency and safety. The application of artificial intelligence techniques, such as machine
learning and data analysis, can enable faster and more accurate detection of mass imbalance in
wind turbines. Furthermore, it is worth noting that the application of advanced architectures,
such as InceptionTime, InceptionTimePlus, and mWDN, has shown promise in addressing
issues related to fault detection in wind turbines. InceptionTime, in particular, combines
concepts of convolutional neural networks (CNNs) and recurrent neural networks (RNNs),
enabling efficient capture of complex patterns in time series data. With the use of these
architectures, satisfactory results have been obtained in the detection of mass imbalance in wind
turbines, contributing to increasing the reliability and effectiveness of predictive maintenance
operations in this rapidly growing sector. The implementation of advanced artificial intelligence
architectures provided satisfactory results in the classification of mass imbalance and reduced
computational costs, primarily due to the optimization of model training. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Embargado | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Energia eólica | por |
dc.subject | manutenção preditiva | por |
dc.subject | aprendizado de máquina | por |
dc.subject | análise de dados | por |
dc.subject | inteligência artificial | por |
dc.subject | series temporais | por |
dc.subject | Wind energy | eng |
dc.subject | predictive maintenance | eng |
dc.subject | machine learning | eng |
dc.subject | data analysis | eng |
dc.subject | artificial intelligence | eng |
dc.subject | time series | eng |
dc.title | Detecção de desbalanceamento de massa em turbinas eólicas utilizando arquiteturas de rede neural Inception | por |
dc.title.alternative | Detection of mass imbalance in wind turbines using Inception nueral net work architectures | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.degree.graduation | Engenharia de Controle e Automação | por |
dc.description.resumo | A energia eólica tem experimentado um crescimento significativo tanto no Brasil quanto no
mundo, tornando-se uma das tecnologias renováveis de maior expansão. No Brasil, esse setor
ganhou impulso em 2009 com a realização do primeiro leilão exclusivo de energia eólica. Desde
então, a participação da energia eólica na matriz elétrica brasileira cresceu e atualmente
representa mais de 13% do total. Com o avanço do setor de energia eólica, surgem diversos
desafios, incluindo os custos associados à operação e manutenção dessas turbinas. Um desses
desafios está relacionado ao desbalanceamento de massa, que pode afetar o desempenho e a
vida útil das turbinas. Nesse contexto, propõe-se o uso de algoritmos de inteligência artificial
para a detecção de desbalanceamento de massa como uma técnica de manutenção preditiva. A
detecção precoce de falhas em turbinas eólicas é crucial para garantir sua eficiência e segurança.
A aplicação de técnicas de inteligência artificial, como aprendizado de máquina e análise de
dados, pode permitir a detecção mais rápida e precisa de desbalanceamento de massa em
turbinas eólicas. Além disso, vale destacar que a aplicação de arquiteturas avançadas, como
InceptionTime, InceptionTimePlus e mWDN, tem se mostrado promissora no tratamento de
problemas de detecção de falhas em turbinas eólicas. A InceptionTime, em particular, combina
conceitos de redes neurais convolucionais (CNNs) e de redes neurais recorrentes (RNNs),
possibilitando a captura eficiente de padrões complexos em séries temporais. Com a utilização
destas arquiteturas, têm sido obtidos resultados satisfatórios na detecção de desbalanceamento
de massa em turbinas eólicas, contribuindo para aumentar a confiabilidade e a eficácia das
operações de manutenção preditiva neste setor em rápido crescimento. A implementação dessas
arquiteturas avançadas de inteligência artificial proporcionou resultados satisfatórios na
classificação de desbalanceamento de massa e reduziu o custo computacional, principalmente
devido à otimização do treinamento de modelos. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS | por |
dc.publisher.unidade | Centro de Tecnologia | por |