Detecção e isolamento de falhas em aerogeradores utilizando dados do sistema SCADA

Abstract

O crescimento da energia eólica no mundo levanta a importância cada vez maior da segurança operacional e energética dos aerogeradores. Tais máquinas são acometidas por diversos tipos de falha ao longo de sua vida útil, fazendo com seja necessário detectá-las e localizá-las com antecedência a fim de auxiliar no planejamento do calendário de manutenção dos componentes afetados. Nesse sentido, o objetivo geral deste trabalho é o desenvolvimento de uma metodologia de detecção e isolamento de falhas em aerogeradores a partir da modelagem do comportamento livre de falhas de sinais de temperatura embarcados no sistema SCADA. Para isso, os modelos Random Forest e XGBoost foram parametrizados com um número elevado de variáveis de entrada, a fim de alcançar uma alta acurácia (tópico muito abordado na literatura). Por outro lado, foram utilizadas redes neurais com um número reduzido de variáveis de entrada, a fim de alcançar uma baixa taxa de ausência de dados na saída do modelo (tópico pouco abordado na literatura). Além disso, uma nova técnica de envelope foi desenvolvida para auxiliar na remoção de outliers no conjunto de dados utilizado, sem a necessidade de qualquer intervenção por parte do usuário. Na aplicação da metodologia para dados históricos de um aerogerador em operação, uma falha no rolamento do gerador elétrico e uma falha no transformador foram detectadas e isoladas com 26 e 33 dias de antecedência, respectivamente. Em termos de acurácia, tais resultados são superiores a outros encontrados na literatura, com a contribuição extra de possuir modelos focados em entregar estimativas com elevada disponibilidade (baixa taxa de ausência de dados), o que é muito importante para soluções em tempo real. Futuramente, o desenvolvimento de técnicas de combinação das estimativas de detecção de falhas pode ser realizado a fim de mitigar a influência de falsos positivos na predição final da metodologia.