[en] ANOMALY DETECTION IN WIND TURBINE BEARINGS USING CMMS DATA AND MACHINE LEARNING

[pt] DETECÇÃO DE ANOMALIAS EM ROLAMENTOS DE TURBINAS EÓLICAS UTILIZANDO DADOS DE CMMS E APRENDIZADO DE MÁQUINA

[pt] GABRIEL FREITAS SANTOS

[pt] ANALISE DE COMPONENTES PRINCIPAIS

[pt] SISTEMA DE GERENCIAMENTO E MONITORAMENTO DE CONDICAO

[pt] APRENDIZADO DE MAQUINA

[pt] TURBINA EOLICA

[en] PRINCIPAL COMPONENT ANALYSIS

[en] CONDITION MANAGEMENT MONITORING SYSTEM

[en] MACHINE LEARNING

[en] WIND TURBINE

[pt] A energia eólica tem se destacado no Brasil como uma fonte importante para diversificar a matriz energética, gerando energia limpa e sustentável. Com os altos investimentos nessa área, cresce a necessidade de antecipar falhas em turbinas eólicas. O aumento exponencial no número de turbinas instaladas, juntamente com o envelhecimento da frota de geração, intensificou a competição para reduzir os custos de operação e manutenção, o que significa minimizar paradas não planejadas e minimizar grandes e caras manutenções corretivas. O objetivo deste estudo é utilizar os dados de vibração disponíveis nos Sistemas de Monitoramento e Gestão de Condição para identificar turbinas com desvios significativos de condição que apresentem alto risco de falha. A abordagem de processamento de dados usando algoritmos como Vizinho Mais Próximo Condensado e a Análise de Componentes Principais na etapa de pré-processamento, juntamente com Máquinas de Vetor de Suporte para classificação do estado de saúde, demonstrou excelente precisão, acima de 90 por cento de acurácia tanto para testes de uma única turbina quanto para testes de múltiplas turbinas, tornando-a adequada para a gestão de parques eólicos com um grande número de turbinas. Os experimentos realizados em combinação de 5 turbinas, permitiu identificar os cenários de melhor performance, mantendo resultados acima dos 90 por cento de acurácia do modelo proposto de acordo com o objetivo de identificação antecipada de falhas em uma frota considerando dados reduzidos para treino do modelo aplicado. Nestes cenários, destaquem se situações que não houve performance adequada também, impactando tanto a acurácia quanto a razão de falsos positivos avaliados.

[en] Wind energy has become a key source for diversifying Brazil’s energy matrix, significantly contributing to the generation of clean and sustainable energy. Due to its importance and the large investments being made in this sector, there is an increasing need to anticipate failures in wind turbines. The exponential increase in the number of installed turbines, along with the aging of the generation fleet, has intensified the competition to reduce operation and maintenance costs, which means minimizing unplanned downtime and reducing large, costly corrective maintenance. The objective of this study is to use vibration data available from Condition Monitoring and Management Systems (CMMS) to identify turbines with significant condition deviations that present a high risk of failure. The data processing approach, using algorithms such as Condensed Nearest Neighbor (CNN) and Principal Component Analysis (PCA) in the pre-processing stage, along with Support Vector Machines (SVM) for health state classification, has demonstrated excellent accuracy, above 90 percent, both in single-turbine tests and in multiple-turbine tests, making it suitable for managing wind farms with a large number of turbines. The experiments conducted with a combination of five different turbines allowed the identification of the best performance scenarios, maintaining results with over 90 percent accuracy in the proposed model according to the goal of early fault detection in a fleet, even when using reduced training data for the applied model. It is also important to highlight scenarios where performance was not adequate, impacting both accuracy and the rate of evaluated false positives.

FLORIAN ALAIN YANNICK PRADELLE

HELON VICENTE HULTMANN AYALA

PAULA AIDA SESINI

IGOR BRAGA DE PAULA

FLORIAN ALAIN YANNICK PRADELLE

HELON VICENTE HULTMANN AYALA

PAULA AIDA SESINI

SINVALDO RODRIGUES MORENO

2025-03-17

2024-10-30

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69633@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69633@2

https://doi.org/10.17771/PUCRio.acad.69633