Detecção de desbalanceamento de massa em turbinas eólicas utilizando arquiteturas de rede neural Inception
Resumen
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.
Colecciones
El ítem tiene asociados los siguientes ficheros de licencia: