http://repositorio.unb.br/handle/10482/53222| Arquivo | Tamanho | Formato | |
|---|---|---|---|
| JeffersonDaSilvaCoelho_TESE.pdf | 13,88 MB | Adobe PDF | Visualizar/Abrir |
| Título: | Structural health monitoring of wind turbines components using machine learning |
| Outros títulos: | Monitoramento da integridade estrutural de componentes de turbina eólica utilizando aprendizado de máquina Monitorowanie stanu technicznego turbin wiatrowych z wykorzystaniem uczenia maszynowego |
| Autor(es): | Coelho, Jefferson da Silva |
| Orientador(es): | Machado, Marcela Rodrigues |
| Assunto: | Aprendizado de máquina supervisionado Aprendizado de máquina não-supervisionado Índice de danos Detecção de danos Quantificação de incertezas |
| Data de publicação: | 24-nov-2025 |
| Data de defesa: | 15-ago-2025 |
| Referência: | COELHO, Jefferson da Silva. Structural Health Monitoring of Wind Turbines components using Machine Learning. 2025. 145 f., il. Tese (Doutorado em Ciências Mecânicas) — Universidade de Brasília, Brasília, 2025. |
| Resumo: | As turbinas eólicas são sistemas eletromecânicos complexos que exigem monitoramento contínuo para garantir a eficiência operacional, minimizar os custos e evitar falhas críticas. O ML tem se mostrado muito promissor no SHM, automatizando a detecção de defeitos por meio de métodos orientados por dados. As técnicas de ML baseadas em vibração são particularmente eficazes para monitorar componentes de turbinas, como lâminas, torres e caixas de engrenagens. No entanto, ainda há desafios para adaptar os métodos SHM a condições ambientais complexas e garantir o monitoramento confiável e a detecção de falhas. O objetivo deste trabalho é propor uma metodologia de algoritmo de ML orientada por dados projetada para reconhecimento de padrões, detecção e quantificação de danos em componentes de turbinas eólicas. Três estudos de caso foram propostos para validar a abordagem SHM-ML. A abordagem proposta aproveitou os modelos de regressão e classificação supervisionados, as técnicas de extração de recursos e o aumento de dados para melhorar a robustez e a confiabilidade dos modelos. O primeiro estudo monitorou e avaliou três eventos de falha durante a operação de turbina eólica usando o espectro de tempo de aceleração como dados brutos de monitoramento. O segundo caso concentrouse na detecção e classificação do afrouxamento de torque em juntas aparafusadas com base em sinais espectrais de domínio de frequência de testes experimentais, combinando técnicas supervisionadas e não supervisionadas com um índice de danos derivado da resposta dinâmica. O terceiro caso integra algoritmos de regressão com técnicas de aumento de dados para melhorar a estimativa precisa do afrouxamento do torque usando espectros de vibração brutos em estruturas aparafusadas. Os resultados demonstraram alta precisão na estimativa e classificação de danos, validando a eficácia da metodologia SHM-ML desenvolvida. Essas descobertas contribuem para o avanço das abordagens orientadas por dados para o SHM de turbinas eólicas, aumentando a confiabilidade e a segurança operacional. |
| Abstract: | Wind turbines are complex electromechanical systems that require continuous monitoring to ensure operational efficiency, minimise costs, and prevent critical failures. ML has shown great promise in SHM by automating defect detection through data-driven methods. Vibrationbased ML techniques are particularly effective for monitoring turbine components such as blades, towers, and gearboxes. However, challenges persist in adapting SHM methods to complex environmental conditions and ensuring reliable monitoring and failure detection. The objective of this work is to propose a data-driven SHM-ML methodology designed for pattern recognition, damage detection, and quantification in wind turbine components. Three case studies were proposed to validate the SHM-ML approach, comprising supervised regression and classification models, feature extraction techniques and data augmentation to improve the robustness and reliability of the models. The first study monitored and evaluated three failure events during the operation of a real wind turbine using the acceleration time spectrum as raw monitoring data. The second case focused on the detection and classification of torque loosening in bolted joints based on frequency domain spectral signals from experimental tests, combining supervised and unsupervised techniques with a damage index derived from the dynamic response. The third case integrates regression algorithms with data augmentation techniques to enhance an accurate estimate of torque loosening using raw vibration spectra in bolted structures. The results demonstrated high accuracy in the estimation and classification of damage, validating the effectiveness of the SHM-ML methodology developed. These findings contribute to the advancement of data-driven approaches to wind turbine SHM, increasing reliability and operational safety. |
| Resumo em outro idioma: | Turbiny wiatrowe to złożone systemy konstrukcyjno - budowlane, które wymagają ciągłego monitorowania w celu zapewnienia efektywności użytkowej, minimalizacji kosztów oraz zapobiegania awariom. Są to konstrukcje wieżowe o znacznej wysokości i smukłości, znajdujące się pod działaniem złożonych obciążeń aerodynamicznych, wynikających z działania wiatru. Obciążenia działające na tego typu konstrukcje dodatkowo zmieniają się w sytuacjach oblodzenia i zmian temperatury. Uczenie maszynowe (z ang. Machine Learning - ML) wykazuje duży potencjał w monitorowaniu stanu technicznego konstrukcji (z ang. Structural Health Monitoring – SHM), w szczególności wieżowych, poprzez wykrywanie uszkodzeń przy pomocy metod wykorzystujących dane pomiarowe. Techniki ML oparte na analizie drgań są szczególnie skuteczne w monitorowaniu elementów turbin wiatrowych, takich jak łopaty, wieża i przekładnia. Nieustanny rozwój technologii turbin wiatrowych, zmienne warunki środowiskowe, w których turbiny się znajdują sprawiają, iż nadal istnieje potrzeba rozwijania metod związanych z monitorowaniem konstrukcji w celu niezawodnej i bezawaryjnej pracy turbin. Celem niniejszej pracy jest opracowanie metodyki uczenia maszynowego opartego na pomierzonych parametrach pracy i odpowiedzi turbin wiatrowych na działające obciążenia. W proponowanych rozwiązaniach algorytmicznych stosowane są rozpoznawanie wzorców, rozpoznawanie uszkodzeń oraz ocena uszkodzeń elementów turbin wiatrowych. Zastosowano modele nadzorowanej regresji i klasyfikacji, w których przewidywano wartości liczbowe na podstawie oznaczonych danych wyjściowych, a także wykorzystano metody przekształcania surowych danych w zestaw istotnych informacji wykorzystywanych w algorytmie uczenia maszynowego. W celu poprawy wydajności i niezawodności modelu zastosowano metodę rozszerzania danych (data augmentation). W pracy analizowano trzy przypadki związane z zastosowaniem algorytmów monitorowania stanu technicznego konstrukcji turbin wiatrowych. W pierwszej analizie przeprowadzono klasyfikację uszkodzeń turbiny wiatrowej podczas jej pracy. Analiza obejmowała monitorowanie i ocenę trzech zdarzeń awaryjnych podczas pracy turbiny wiatrowej Aventa, wykorzystując jako surowe dane monitorujące widmo czasowe. W drugim przypadku zastosowany algorytm pozwalał na wykrywanie zmian momentu dokręcenia połączenia śrubowego. Połączenia śrubowe są bardzo istotne w konstrukcji turbin wiatrowych, gdyż segmenty stalowej wieży turbiny wiatrowej łączone są przy pomocy kołnierzowego połączenia śrubowego. W celu określenia zmian momentu dokręcenia zastosowano sygnały spektralne w dziedzinie częstotliwości. Dane pochodziły z badań laboratoryjnych. W tym przypadku łączono techniki nadzorowane i nienadzorowane. Na podstawie odpowiedzi dynamicznej określono wskaźniki uszkodzenia. Trzeci przypadek obejmuje ocenę zmiany momentu dokręcenia łączników. Zastosowano algorytm regresyjny w połączeniu z metodą augmentacji danych w celu dokładniejszego oszacowania luzowania momentu dokręcenia na podstawie widma drgań. Uzyskane wyniki wykazały wysoką dokładność w ocenie i klasyfikacji uszkodzeń, potwierdzając skuteczność opracowanej metodyki monitorowania konstrukcji z zastosowaniem uczenia maszynowego. Uzyskane rezultaty przyczyniają się do rozwoju metod opartych na analizie danych pomiarowych do monitorowania stanu technicznego turbin wiatrowych, zwiększając ich niezawodność i bezpieczeństwo użytkowania. Proponowane metody są szczególnie efektywne w ocenie stanu technicznego konstrukcji i w przyszłości staną się podstawowym narzędziem eksperckim w identyfikacji zmian konstrukcji budowlanych. |
| Unidade Acadêmica: | Faculdade de Tecnologia (FT) Departamento de Engenharia Mecânica (FT ENM) |
| Informações adicionais: | Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, Programa de Pós-Graduação em Ciências Mecânicas, 2025. |
| Programa de pós-graduação: | Programa de Pós-Graduação em Ciências Mecânicas |
| Licença: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. |
| Agência financiadora: | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) e Fundação de Apoio à Pesquisa do Distrito Federal (FAP/DF). |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.