Aplicação de aprendizado de máquina para identificação de anomalias em geradores de energia eólica

Abstract

As turbinas eólicas desempenham um papel importante na geração de energia renovável em todo o mundo. Devido à complexidade e à exposição a condições climáticas severas, tais turbinas estão sujeitas a desgastes e falhas, o que podem levar a paradas não planejadas, causando interrupções no fornecimento de energia e prejuízos financeiros. Para evitar estes imprevistos, a manutenção preditiva é essencial, envolvendo a identificação de possíveis anomalias antes que ocorram. Nesse sentido, este trabalho explora a detecção de anomalias como uma estratégia eficaz para identificar comportamentos fora do padrão nos dados vibracionais dos aerogeradores. Portanto, o intuito deste trabalho é aplicar técnicas existentes na literatura para classificar o estado dos componentes do aerogerador, comparando métodos e determinando qual apresenta os melhores resultados. Desta forma, foram aplicadas duas abordagens para extrair as características dos sinais de vibração, as quais foram avaliadas em três casos distintos.

Wind turbines play a significant role in renewable energy generation worldwide. Due to their complexity and exposure to severe weather conditions, these turbines are susceptible to wear and tear and failure, which can lead to unplanned downtime, causing disruptions in power supply and financial losses. To prevent these incidents, predictive maintenance is essential, involving the identification of potential anomalies before they occur. In this regard, this study explores anomaly detection as an effective strategy to identify abnormal behaviors in the vibration data of wind turbines. The purpose of this research is to apply existing techniques from the literature to classify the state of wind turbine components, comparing methods and determining which yields the best results. Thus, two approaches were employed to extract features from vibration signals, which were evaluated in three different scenarios.