APLICAÇÕES DE APRENDIZADO DE MÁQUINA NA DETECÇÃO DE ANOMALIAS EM SISTEMAS EÓLICOS.
Aprendizagem de máquina. Detecção de falhas. Análise preditiva. Energia eólica.
Neste trabalho, é apresentada uma metodologia voltada para identificação de anomalias em aerogeradores, visando a antecipar variações de temperatura em componentes críticos da máquina. Os elementos submetidos à análise incluem o rolamento da caixa de engrenagem e o rolamento drive-end do gerador. O estudo fundamenta-se na modelagem e aplicação de algoritmos de aprendizagem de máquina com o intuito de prever a temperatura nesses componentes. Os algoritmos de regressão empregados abrangem a regressão múltipla linear, o aumento de gradiente extremo e uma rede neural recorrente denominada memória de curto longo prazo. Para modelagem das técnicas, são utilizados dados provenientes do sistema de supervisão de três aerogeradores pertencentes a um parque eólico brasileiro composto por doze máquinas. Foi optado pela escolha de máquinas com comportamento de temperatura distinto entre si, a fim de avaliar se há variações relevantes no desempenho dos modelos de aprendizado diante de comportamentos térmicos distintos. Os dados das máquinas são submetidos a uma etapa de pré-processamento para identificar valores atípicos da operação normal dos aerogeradores. Posteriormente, os dados são divididos em conjuntos específicos para aplicação do algoritmo. No caso do modelo de aumento de gradiente extremo, foi empregada uma técnica de otimização Bayesiana para encontrar os parâmetros ótimos que se adéquam ao conjunto de dados propostos. Os resultados dos algoritmos de regressão são analisados sob a ótica das métricas de desempenho, e, ainda, são realizadas comparações entre as temperaturas reais e previstas, dentro de limites de controle definidos, visando a identificação de anomalias na temperatura dos elementos estudados. Por fim, os modelos aplicados às três máquinas são comparados entre si para cada componente analisado. As principais vantagens deste modelo incluem sua capacidade em fornecer resultados excelentes para problemas complexos de previsão, baixo custo financeiro para implementação e alta adaptabilidade de implementação em outras máquinas.