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

• Ano de defesa: 2025
• Autor(a) principal: GABRIEL FREITAS SANTOS
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [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
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69633&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69633&idi=2; http://doi.org/10.17771/PUCRio.acad.69633

[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.