Detecção de desbalanceamento de massa no rotor de turbinas eólicas utilizando algoritmos de aprendizado profundo
Resumen
De acordo com dados de 18 de março de 2022 da Associação Brasileira de Energia Eólica (ABEEólica) a média de geração de energia eólica anual abastece cerca de 29 milhões de residências por mês no Brasil, o que corresponde à 86,4 milhões de habitantes. O país possui 795 parques eólicos, 9.176 aerogeradores em operação em 12 estados. As turbinas eólicas são
expostas a condições climáticas adversas e altamente variáveis. Devido a essas variações externas, as turbinas eólicas sofrem cargas que mudam constantemente, o que resulta em condições operacionais que levam a tensões mecânicas intensas. Com isso, a análise do aspecto de custo relativo à operação e manutenção dos parques existentes é muito importante para que
os parques continuem funcionando de maneira efetiva na matriz energética brasileira. Dessa forma, a manutenção preditiva se mostra como uma das melhores alternativas para a equipe de manutenção poder se programar para a intervenção, evitando paradas prolongadas da linha de produção. Caracterizada pela medição e análise de condições da máquina é que se pode prever possíveis falhas em turbinas eólicas como a de desbalanceamento de massa entre as pás a qual é uma das falhas mais comuns nos aerogeradores. Sendo assim, o objetivo geral do trabalho consiste em desenvolver análise preditiva da falha de desbalanceamento de massa em rotores de turbinas eólicas mediante aplicação das redes neurais convolucionais Fully Convolutional Network (FCN) e Residual Network (Resnet) em um contexto de aprendizado supervisionado a
partir da classificação de séries temporais univariadas de velocidade estimada de rotação de aerogerador no domínio da frequência gerado por meio de uma estrutura usando TurbSim/FAST/Simulink de uma turbina eólica de 1,5 MW para diferentes cenários de vento e parâmetros de desbalanceamento de pás. Sendo assim, verificou-se significante diferença nos
resultados de desempenho do algoritmo FCN ao utilizar equilíbrio de classes nos conjuntos em comparação com o algoritmo Resnet. Além disso, pode-se verificar que o algoritmo FCN obteve resultados de desempenho por classe e final com alta variabilidade, enquanto Resnet conseguiu obter mais consistência. Dessa forma, foi possível concluir que os experimentos
utilizando conjunto de dados de classes equilibradas com o algoritmo de aprendizado profundo Resnet conseguiu obter os melhores desempenhos médios para os testes realizados.
Colecciones
El ítem tiene asociados los siguientes ficheros de licencia: