Prognóstico da vida útil remanescente dos rolamentos de aerogeradores utilizando modelos de aprendizagem profunda

• Ano de defesa: 2024
• Autor(a) principal: SOUZA, Othon Vinicius Cavalcanti de
• Orientador(a): REN, Tsang Ing
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Ciencia da Computacao
• País: Brasil
• Palavras-chave em Português: Redes Neurais Convolucionais; LSTM; Energia eólica; Prognóstico; Vida Útil Remanescente
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/64205

Nos últimos anos, a geração de energia eólica cresceu expressivamente, tanto no Brasil quanto no mundo. No entanto, um dos grandes desafios observados ao longo do tempo está no processo de manutenção e operação dos aerogeradores, onde os custos podem variar entre 20% e 35% durante toda a vida útil do equipamento. Nesse sentido, a utilização de metodologias para a manutenção preditiva das máquinas é de extrema importância para a realização de manutenções programadas em momentos oportunos, como em períodos de baixos ventos e climas amenos, além de permitir a utilização otimizada do aerogerador, maximizando seu aproveitamento e, consequentemente, minimizando seus custos. Neste contexto, o presente trabalho propõe uma metodologia para a combinação de modelos de aprendizagem profunda, como CNN, LSTM e CNN-LSTM, para o prognóstico da vida útil remanescente (RUL) dos rolamentos no planetário da caixa de engrenagens, permitindo a manutenção em períodos programáveis. As principais contribuições deste trabalho são: i) a aplicação de uma abordagem de rotulação de dados para prognóstico baseado no histórico de falhas dos aerogeradores; ii) a extração de características tanto no domínio do tempo quanto na decomposição em tempo-frequência; iii) a combinação de modelos de aprendizagem profunda para o prognóstico da RUL dos aerogeradores; e iv) a abordagem de máquinas similares para o treinamento dos modelos de forma supervisionada. Com essa metodologia, observou-se uma melhoria nos resultados de prognóstico da RUL do componente em estudo, acompanhando o valor real estimado pela metodologia aplicada. Além disso, a metodologia foi capaz de estimar a degradação com até 60 dias de antecedência da falha, o que permite gerar uma manutenção programada com essa mesma antecedência.