Quantum Machine Learning aplicado à detecção de falhas em turbinas eólicas

• Ano de defesa: 2024
• Autor(a) principal: GAMA NETO, Samuel Bezerra da
• Orientador(a): VILLA, Alvaro Antonio Ochoa
• 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 Engenharia Mecanica
• País: Brasil
• Palavras-chave em Português: Turbinas eólicas; Detecção de falha; Quantum Machine Learning; PCA; Circuitos quânticos variacionais
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/62101

A energia eólica desempenha um papel fundamental na transição energética e na descarbonização global do setor energético. Para fortalecer sua eficiência, os parques eólicos demandam a implementação de estratégias de redução de custos, inovações na gestão da operação e manutenção, e monitoramento contínuo da condição das turbinas eólicas. Na literatura, são exploradas diversas metodologias no setor da energia eólica, abrangendo métodos de previsão da velocidade do vento, estimativa da potência gerada, diagnóstico e prognóstico de falhas. Uma estratégia essencial para auxiliar na tomada de decisão com base nos dados é a detecção de falhas, que identifica desvios do comportamento padrão dos componentes, evitando tempo de inatividade das turbinas eólicas e prevenindo danos colaterais em outros componentes. Nesse contexto, este estudo propõe a implementação de modelos para detecção de falhas de rolamentos, utilizando dados reais de vibração de um parque eólico localizado no Brasil. A abordagem adotada utiliza o Quantum Machine Learning (QML), um campo ainda pouco explorado na área de turbinas eólicas, que utiliza dos fenômenos da mecânica quântica como a superposição e emaranhamento para construção dos modelos. Para a detecção de falham foram considerados três tipos de modelos híbridos quântico-clássicos: Quantum support vector machine (QSVM), agrupamento espectral quântico (AEQ) e classificador quântico variacional. Os modelos foram treinados com atributos extraídos do sinal de vibração nos domínios do tempo, frequência e mecânico. Os resultados mostraram que o modelo de QSVM PauliFeatureMap-X apresentou desempenho igual ou superior aos modelos clássicos, com o valor de acurácia balanceada de 96,9%, 94,6% e 92,5% para os casos do rolamento da extremidade sem acionamento do gerador, rolamento principal e do rolamento do eixo de alta velocidade da caixa de engrenagens, respectivamente. Além disso, para o problema de agrupamento, os modelos de AEQ demonstraram uma performance superior em comparação aos modelos clássicos pela métrica da informação mútua normalizada. Os resultados demostram o potencial do QML para auxiliar na operação e manutenção de turbinas eólicas.