Detecção de falhas em aerogerador com o emprego de rede neural do tipo autoencoder

• Ano de defesa: 2025
• Autor(a) principal: Nogueira, Welker Facchini
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aerogeradores; Autoencoders; Energias renovávies; FMSA; Redes neurais; Renewable energies; Wind turbine
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3151/tde-18032026-140124/

Em meio à crescente transição global para fontes limpas, a geração eólica emerge como um pilar central no cenário energético mundial. Sua capacidade de fornecer eletricidade sustentável e ambientalmente responsável a torna uma alternativa essencial para a diversificação da matriz energética. Garantir a operação eficiente e confiável desses parques eólicos é, portanto, um requisito fundamental para atender à demanda energética atual. Nesse contexto, este estudo tem como objetivo desenvolver um sistema para a detecção precoce de degradações em aerogeradores. Para a detecção de anomalias, foram implementados modelos de autoencoder, capazes de identificar discrepâncias nos padrões normais de operação a partir do erro de reconstrução. Adicionalmente, desenvolveu-se uma etapa de pós-processamento baseada em uma regra de persistência temporal, responsável por classificar o estado do ativo para modelos não supervisionados, gerando o menor número possível de falsos positivos. Inicialmente, a abordagem foi validada em um conjunto de dados simulados, contendo dados normais e dados de falha de 1% de desbalanceamento de massa em uma pá, permitindo a verificação de sua eficácia em um ambiente controlado. Em seguida, a metodologia foi aplicada a um estudo de caso real utilizando dados históricos de operação de alguns aerogeradores, baseados em dados térmicos de certos componentes, além de variáveis operacionais como velocidade do vento e potência gerada, ampliando a análise para um contexto mais complexo e representativo. A classificação alcançou 99% de acurácia para os dados simulados e resultados de antecipação variando de 32 a 60 dias nos dados de operação real, demonstrando a capacidade do sistema em identificar precocemente o desenvolvimento de falhas em diferentes componentes, como transformador, caixa de engrenagens, gerador e grupo hidráulico, evidenciando seu potencial para dar suporte ao emprego da prática de manutenção preditiva. A partir desses achados, conclui-se que a aplicação de autoencoders na detecção de falhas em aerogeradores representa uma abordagem promissora, especialmente quando integrada a estratégias complementares, como técnica de FMSA que relaciona os sinais monitorados com a capacidade de detecção do desenvolvimento de modos de falha. Com esses avanços, espera-se contribuir para a otimização do desempenho operacional e para a evolução da manutenção preditiva no setor eólico, fortalecendo a transição para um futuro energético mais sustentável e confiável.