QUANTUM MACHINE LEARNING APLICADO À DETECÇÃO DE FALHAS EM TURBINAS EÓLICAS
aerogeradores; detecção de falha; quantum machine learning; pca; circuitos quânticos variacionais.
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 dos aerogeradores. 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 dos aerogeradores 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 aerogeradores, 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 aerogeradores.