Framework para prognóstico de falhas de aerogeradores : uma proposta para uso eficaz de dados reais de operação

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: VIEIRA, Januário Leal de Moraes
Orientador(a): OCHOA VILLA, Álvaro Antonio
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
Programa de Pós-Graduação: Programa de Pos Graduacao em Engenharia Mecanica
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Aerogerador
Transmissão
Manutenção baseada na condição
Vida útil remanescente
Modelos de aprendizado de máquina
Dados SCADA
Link de acesso: https://repositorio.ufpe.br/handle/123456789/60236
Resumo: Este trabalho aborda a lacuna significativa no prognóstico de falhas em aerogeradores, especialmente offshore, propondo um framework inovador baseado em uma abordagem de complexidade crescente para garantir a generalização de modelos de aprendizagem de máquina. Utilizando dados sintéticos, benchmarks públicos e dados reais de temperatura do sistema SCADA de três turbinas no nordeste do Brasil, foram desenvolvidos modelos regressivos (support vector machine, gradient boosting, random forest e extra trees) para estimar a Vida Útil Remanescente (VUR) dos rolamentos principais. Os modelos apresentaram erros médios de 20 dias na estimativa da VUR, com MAE de 0,047, MSE de 0,012 e R2 Score de 0,625. O framework proposto para estimar a VUR com dados reais de operação tem potencial para impactar a cultura organizacional em relação às tecnologias de Inteligência Artificial Industrial, oferecendo estimativas conservadoras e assertivas para subsidiar o planejamento de manutenção, evitar falhas catastróficas e aumentar a disponibilidade das usinas. Esta metodologia preenche uma lacuna importante na manutenção preditiva de aerogeradores, apresentando uma solução robusta e adaptável com implicações significativas para a indústria de energia eólica.
id UFPE_5d046545f128716acea28845d7fa0aab
oai_identifier_str oai:repositorio.ufpe.br:123456789/60236
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling VIEIRA, Januário Leal de Moraeshttp://lattes.cnpq.br/4102371755951912http://lattes.cnpq.br/4772819975495579http://lattes.cnpq.br/7705065437695677OCHOA VILLA, Álvaro AntonioLEITE, Gustavo de Novaes Pires2025-02-04T15:29:04Z2025-02-04T15:29:04Z2024-08-29VIEIRA, Januário Leal de Moraes. Framework para prognóstico de falhas de aerogeradores: uma proposta para uso eficaz de dados reais de operação. 2024. Tese (Doutorado em Engenharia Mecânica) – Universidade Federal de Pernambuco, Recife, 2024.https://repositorio.ufpe.br/handle/123456789/60236Este trabalho aborda a lacuna significativa no prognóstico de falhas em aerogeradores, especialmente offshore, propondo um framework inovador baseado em uma abordagem de complexidade crescente para garantir a generalização de modelos de aprendizagem de máquina. Utilizando dados sintéticos, benchmarks públicos e dados reais de temperatura do sistema SCADA de três turbinas no nordeste do Brasil, foram desenvolvidos modelos regressivos (support vector machine, gradient boosting, random forest e extra trees) para estimar a Vida Útil Remanescente (VUR) dos rolamentos principais. Os modelos apresentaram erros médios de 20 dias na estimativa da VUR, com MAE de 0,047, MSE de 0,012 e R2 Score de 0,625. O framework proposto para estimar a VUR com dados reais de operação tem potencial para impactar a cultura organizacional em relação às tecnologias de Inteligência Artificial Industrial, oferecendo estimativas conservadoras e assertivas para subsidiar o planejamento de manutenção, evitar falhas catastróficas e aumentar a disponibilidade das usinas. Esta metodologia preenche uma lacuna importante na manutenção preditiva de aerogeradores, apresentando uma solução robusta e adaptável com implicações significativas para a indústria de energia eólica.This work addresses the significant gap in wind turbine failure prognosis, especially offshore, by proposing an innovative framework based on an increasing complexity approach to ensure the generalization of machine learning models. Using synthetic data, public benchmarks, and real temperature data from the SCADA system of three turbines in northeastern Brazil, regressive models (support vector machine, gradient boosting, random forest, and extra trees) were developed to estimate the Remaining Useful Life (RUL) of the main bearings. The models presented average errors of 20 days in the RUL estimate, with MAE of 0.047, MSE of 0.012, and R2 Score of 0.625. The proposed framework to estimate RUL with real operating data has the potential to impact the organizational culture regarding Industrial Artificial Intelligence technologies, offering conservative and assertive estimates to support maintenance planning, avoid catastrophic failures, and increase plant availability. This methodology fills an important gap in predictive maintenance of wind turbines, presenting a robust and adaptable solution with significant implications for the wind energy industry.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Engenharia MecanicaUFPEBrasilAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessAerogeradorTransmissãoManutenção baseada na condiçãoVida útil remanescenteModelos de aprendizado de máquinaDados SCADAFramework para prognóstico de falhas de aerogeradores : uma proposta para uso eficaz de dados reais de operaçãoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisdoutoradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPELICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/60236/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/60236/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52ORIGINALTESE Januário Leal de Moraes Vieira.pdfTESE Januário Leal de Moraes Vieira.pdfapplication/pdf9838628https://repositorio.ufpe.br/bitstream/123456789/60236/1/TESE%20Janu%c3%a1rio%20Leal%20de%20Moraes%20Vieira.pdfc723fe0fb75e0d8360ce5338d832f7cbMD51TEXTTESE Januário Leal de Moraes Vieira.pdf.txtTESE Januário Leal de Moraes Vieira.pdf.txtExtracted texttext/plain250352https://repositorio.ufpe.br/bitstream/123456789/60236/4/TESE%20Janu%c3%a1rio%20Leal%20de%20Moraes%20Vieira.pdf.txt21c94951e87ae33a71feea78da932532MD54THUMBNAILTESE Januário Leal de Moraes Vieira.pdf.jpgTESE Januário Leal de Moraes Vieira.pdf.jpgGenerated Thumbnailimage/jpeg1241https://repositorio.ufpe.br/bitstream/123456789/60236/5/TESE%20Janu%c3%a1rio%20Leal%20de%20Moraes%20Vieira.pdf.jpgdc03d9be5db7e87564911189097ae1c5MD55123456789/602362025-02-05 02:20:22.753oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212025-02-05T05:20:22Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.pt_BR.fl_str_mv Framework para prognóstico de falhas de aerogeradores : uma proposta para uso eficaz de dados reais de operação
title Framework para prognóstico de falhas de aerogeradores : uma proposta para uso eficaz de dados reais de operação
spellingShingle Framework para prognóstico de falhas de aerogeradores : uma proposta para uso eficaz de dados reais de operação
VIEIRA, Januário Leal de Moraes
Aerogerador
Transmissão
Manutenção baseada na condição
Vida útil remanescente
Modelos de aprendizado de máquina
Dados SCADA
title_short Framework para prognóstico de falhas de aerogeradores : uma proposta para uso eficaz de dados reais de operação
title_full Framework para prognóstico de falhas de aerogeradores : uma proposta para uso eficaz de dados reais de operação
title_fullStr Framework para prognóstico de falhas de aerogeradores : uma proposta para uso eficaz de dados reais de operação
title_full_unstemmed Framework para prognóstico de falhas de aerogeradores : uma proposta para uso eficaz de dados reais de operação
title_sort Framework para prognóstico de falhas de aerogeradores : uma proposta para uso eficaz de dados reais de operação
author VIEIRA, Januário Leal de Moraes
author_facet VIEIRA, Januário Leal de Moraes
author_role author
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/4102371755951912
dc.contributor.advisorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/4772819975495579
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/7705065437695677
dc.contributor.author.fl_str_mv VIEIRA, Januário Leal de Moraes
dc.contributor.advisor1.fl_str_mv OCHOA VILLA, Álvaro Antonio
dc.contributor.advisor-co1.fl_str_mv LEITE, Gustavo de Novaes Pires
contributor_str_mv OCHOA VILLA, Álvaro Antonio
LEITE, Gustavo de Novaes Pires
dc.subject.por.fl_str_mv Aerogerador
Transmissão
Manutenção baseada na condição
Vida útil remanescente
Modelos de aprendizado de máquina
Dados SCADA
topic Aerogerador
Transmissão
Manutenção baseada na condição
Vida útil remanescente
Modelos de aprendizado de máquina
Dados SCADA
description Este trabalho aborda a lacuna significativa no prognóstico de falhas em aerogeradores, especialmente offshore, propondo um framework inovador baseado em uma abordagem de complexidade crescente para garantir a generalização de modelos de aprendizagem de máquina. Utilizando dados sintéticos, benchmarks públicos e dados reais de temperatura do sistema SCADA de três turbinas no nordeste do Brasil, foram desenvolvidos modelos regressivos (support vector machine, gradient boosting, random forest e extra trees) para estimar a Vida Útil Remanescente (VUR) dos rolamentos principais. Os modelos apresentaram erros médios de 20 dias na estimativa da VUR, com MAE de 0,047, MSE de 0,012 e R2 Score de 0,625. O framework proposto para estimar a VUR com dados reais de operação tem potencial para impactar a cultura organizacional em relação às tecnologias de Inteligência Artificial Industrial, oferecendo estimativas conservadoras e assertivas para subsidiar o planejamento de manutenção, evitar falhas catastróficas e aumentar a disponibilidade das usinas. Esta metodologia preenche uma lacuna importante na manutenção preditiva de aerogeradores, apresentando uma solução robusta e adaptável com implicações significativas para a indústria de energia eólica.
publishDate 2024
dc.date.issued.fl_str_mv 2024-08-29
dc.date.accessioned.fl_str_mv 2025-02-04T15:29:04Z
dc.date.available.fl_str_mv 2025-02-04T15:29:04Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv VIEIRA, Januário Leal de Moraes. Framework para prognóstico de falhas de aerogeradores: uma proposta para uso eficaz de dados reais de operação. 2024. Tese (Doutorado em Engenharia Mecânica) – Universidade Federal de Pernambuco, Recife, 2024.
dc.identifier.uri.fl_str_mv https://repositorio.ufpe.br/handle/123456789/60236
identifier_str_mv VIEIRA, Januário Leal de Moraes. Framework para prognóstico de falhas de aerogeradores: uma proposta para uso eficaz de dados reais de operação. 2024. Tese (Doutorado em Engenharia Mecânica) – Universidade Federal de Pernambuco, Recife, 2024.
url https://repositorio.ufpe.br/handle/123456789/60236
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.publisher.program.fl_str_mv Programa de Pos Graduacao em Engenharia Mecanica
dc.publisher.initials.fl_str_mv UFPE
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
bitstream.url.fl_str_mv https://repositorio.ufpe.br/bitstream/123456789/60236/3/license.txt
https://repositorio.ufpe.br/bitstream/123456789/60236/2/license_rdf
https://repositorio.ufpe.br/bitstream/123456789/60236/1/TESE%20Janu%c3%a1rio%20Leal%20de%20Moraes%20Vieira.pdf
https://repositorio.ufpe.br/bitstream/123456789/60236/4/TESE%20Janu%c3%a1rio%20Leal%20de%20Moraes%20Vieira.pdf.txt
https://repositorio.ufpe.br/bitstream/123456789/60236/5/TESE%20Janu%c3%a1rio%20Leal%20de%20Moraes%20Vieira.pdf.jpg
bitstream.checksum.fl_str_mv 5e89a1613ddc8510c6576f4b23a78973
e39d27027a6cc9cb039ad269a5db8e34
c723fe0fb75e0d8360ce5338d832f7cb
21c94951e87ae33a71feea78da932532
dc03d9be5db7e87564911189097ae1c5
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1862741907068682240

Registros relacionados