Structural health monitoring of wind turbines components using machine learning

Abstract

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.