Gabriel Gomes

Prof. Dr. Rogério A. Flauzino

Departamento de Engenharia Elétrica e de Computação

Escola de Engenharia de São Carlos
Universidade de São Paulo

27 de Outubro de 2022
Metodologia
Inteligente para
Previsão de Falhas
em Aerogeradores
Estrutura da Apresentação

1. Contextualização
2. Justificativa
3. Objetivo
4. Fundamentação
5. Modelagem
6. Desenvolvimento
7. Resultados Preliminares
8. Conclusões Preliminares
9. Cronograma das Atividades
10. Publicações
Contextualização
Introdução

A produção de energia eólica tem

crescido de forma significativa ao longo
das últimas décadas. Com os últimos
fatos decorrentes do cenário geopolítico
internacional, acredita-se que esse
crescimento será ainda maior nos
próximos anos. Isso traz consigo diversos
desafios, que precisam ser sanados de
modo a garantir a qualidade no
fornecimento de energia e a
confiabilidade do sistema elétrico.
Contextualização
Financeira

● Em 2019 - 8,5 Bilhões de dólares foram

gastos com reparos não planejados e
manutenções corretivas causadas por
defeitos em componentes (IRENA)
● Falhas não planejadas podem custar aos
donos de fazendas eólicas mais que 30 mil
dólares por turbina por ano em termos de
reparo e partes sobressalentes, e levar a
perdas de até 7 dias por ano.
Justificativa
Geral

Falhas intempestivas em turbinas eólicas

trazem problemas em diversos assuntos,
como:

● Previsibilidade de geração de energia;

● Previsibilidade de estoque de peças de reposição;
● Manutenções corretivas de alto custo;
● Confiabilidade do setor energético;
● Indisponibilidade das máquinas;
● Risco à vida de pessoas que vivem nas redondezas
de suas instalações.
Justificativa
Geral

Falhas intempestivas em turbinas eólicas

trazem problemas em diversos assuntos,
como:

● Previsibilidade de geração de energia;

● Previsibilidade de estoque de peças de reposição;
● Manutenções corretivas de alto custo;
● Confiabilidade do setor energético;
● Indisponibilidade das máquinas;
● Risco à vida de pessoas que vivem nas redondezas
de suas instalações.
Objetivo
Contribuições

Desenvolvimento de um modelo de
monitoramento de condição de
turbinas eólicas capaz de predizer a
provável data de uma falha.
Aplicação do sistema desenvolvido em dados reais de 58 turbinas da
marca Suzlon, modelo S95.
Objetivos Secundários
Contribuições

● Avaliação do impacto da medição de cada

sensor para o cálculo do tempo para falha para
cada subsistema abordado;
● Fornecer subsídios aos operadores para que
esses possam escolher os melhores momentos
das paradas;
● Fornecer subsídios ao planejamento de
manutenção.
● Ajudar a reduzir catástrofes causadas por
defeitos em turbinas;
Fundamentação
Turbinas Eólicas
Fundamentação
Suzlon S95
Fabricante: Suzlon

Modelo: S95/2100

Potência Nominal: 2,100 kW

Diâmetro do Rotor: 95 m

Número de Pás: 3

Power control: Pitch

Entrada em Operação: 2011

Velocidade de Entrada: 2,5 m/s

Velocidade Nominal: 11,5 m/s

Velocidade de Corte: 16 m/s

Fundamentação
Análise de Confiabilidade

A distribuição de probabilidade de falha

varia no tempo conforme uma
distribuição de Weibull, porém, o tempo
para falha é linear e determinístico, uma
vez que o instante da falha já é
conhecido.

Do ponto de vista da manutenção, o

tempo para falha é mais útil que a
probabilidade de falha, pois dá um
panorama para o agendamento de
manutenção.
Modelagem
Definição do alvo

Na prática, essa previsão possui

natureza probabilística (como
Como prever a data da falha de
qualquer previsão), porém o
um aerogerador utilizando
histórico de manutenção (utilizado
como informação os dados dos
para o cálculo dessa previsão)
sensores das máquinas e o
possui natureza determinística,
histórico de manutenção?
uma vez que representa o passado
já determinado.
Modelagem
Definição do alvo
Perguntas

Resumindo:
A partir dos dados de Apenas uma regressão para
O alvo de referência (alvo de entrada (sensores, histórico uma curva de probabilidade

treino) é determinístico, de manutenção) como a partir do tempo entre

predizer o tempo para falhas é suficiente para

porém a predição é
falha (o ponto na curva de definir com precisão o Alvo
probabilística.
confiabilidade que a deste projeto? Ou será

máquina se encontra)? necessária a aplicação de

Machine Learning?
Modelagem do
Problema

O problema de se encontrar o tempo para falha

pode ser modelado como um problema de
Regressão ou um de Classificação:
● Regressão: a partir dos dados dos sensores
tenta-se determinar o tempo remanescente
para falha onde esta é uma variável contínua.
● Classificação: a partir dos dados dos sensores
tenta-se estimar o tempo restante para falha
utilizando faixas discretas. Ou seja, o
resultado deixa de ser contínuo e se torna
faixas, como menos que 30 dias, mais que 40
dias e assim por diante.
Modelagem do
Problema

Para resolução do problema, serão utilizadas

técnicas de machine learning juntamente com
técnicas de estatística clássica. A utilização de um
modelo estatístico independente pressupõe a
discretização dos dados dos sensores, o que
envolve um árduo trabalho de discretização.
Porém, ao utilizar técnicas estatística juntamente
com machine learning, essas discretizações são
aprendidas automaticamente pelos modelos e as
conclusões estatísticas são utilizadas como pontos
de partida para o aprendizado.
Desenvolvimento
Histórico de Manutenção
Desenvolvimento

Número de Falhas
Histórico de Manutenção

O primeiro passo do
desenvolvimento foi a seleção
de quais sistemas focar durante
o desenvolvimento. De fato,
existem sistemas mais críticos

Indisponibilidade
no que tange à disponibilidade
e manutenção das máquinas.
Desenvolvimento

Número de Falhas
Histórico de Manutenção

● 6688 Falhas entre 2017 e

2020 (1672 falhas/ano);
● 5898 dias de
indisponibilidade (1475
dias/ano)

Indisponibilidade
● Média de 100 dias de
indisponibilidade por
máquina (25 dias por ano
por máquina).
Desenvolvimento
Análise de Confiabilidade

MTTF: 150 dias

Desenvolvimento
Exemplo

Para a máquina ICD06, 8 paradas intempestivas ocorreram em 2017.

A figura apresenta o tempo para falha observado no histórico de manutenção e não a

probabilidade de falha.
 Desenvolvimento
Descrição dos Dados dos Sensores

Os dados utilizados neste trabalho foram

dados de 128 sensores de 58
aerogeradores do período de 2017 a 2020
(totalizando 43 GB de dados),
amostrados a cada 10 minutos, contendo
4 atributos para cada dado, sendo estes
média, máximo, mínimo e desvio padrão.

Tipos de Medidas

Temperatura Tensão Velocidade Vibração Corrente Potência Ângulos

Desenvolvimento
Tratamento dos Dados

Para a criação de um modelo de regressão e de um modelo de classificação para cada

sistema, é necessária a criação de um pipeline de dados, composto por uma sequência
de processamentos aplicados nos dados que visam:
○ Limpeza;
○ Transformação;
○ Remoção de Outliers;
○ Extração características;
Além disso, é necessária a criação dos Alvos, ou Targets, com os quais o modelo será
treinado.
Desenvolvimento
Limpeza de Dados

● A limpeza dos dados consiste na remoção de

colunas com dados corrompidos e também na
limpeza dos nomes dos atributos de modo a
obter-se sentido a partir deles. Os procedimentos
utilizados na limpeza dos dados foram:
○ Limpeza do nome das colunas;
○ Remoção de colunas com dados de mais de
um tipo, como float, string e afins.;
○ Remoção de colunas com valores constantes;
○ Remoção de colunas cujo percentual de
nulos for maior que 80 %;
Desenvolvimento
Sub-amostragem e massageamento
dos dados

● Os dados foram subamostrados janelas de 12 horas

considerando o valor médio.

● Períodos com mais de 12 horas de dados

constantes (o que representa no caso problemas
de comunicação)

● Os dados foram normalizados através da remoção

da média e normalização para variância unitária;

● Dados de 2017 foram considerados dados de

treinamento e validação.

● Dados de 2018 foram considerados de teste.

Desenvolvimento
Sistema Rotor
Desenvolvimento
Sistema Gerador
Resultados Preliminares
Sistema Rotor

● Para o sistema rotor, inicialmente foi

levantada a distribuição de Weibull
equivalente. O modelo estatístico não é
capaz de dar com precisão a data da
próxima falha, pois ele utiliza como
entrada apenas o tempo no qual o
modelo sobreviveu, e não os dados dos
sensores em tempo real. Porém seu
MTTF: 94 dias
resultado é valioso, pois provê um chute
inicial sobre a data da próxima falha.
Resultados Preliminares
Sistema Rotor (baseline)

<= 60 dias <= 30 dias

> 60 dias > 30 dias

<= 60 dias > 60 dias <= 30 dias > 30 dias

Resultados Preliminares
Sistema Rotor (baseline)
Resultados
Preliminares
Sistema Rotor - Pipeline
Completo
Resultados Preliminares
Sistema Gerador

● Para o sistema rotor, inicialmente foi

levantada a distribuição de Weibull
equivalente. O modelo estatístico não é
capaz de dar com precisão a data da
próxima falha, pois ele utiliza como
entrada apenas o tempo no qual o
modelo sobreviveu, e não os dados dos
sensores em tempo real. Porém seu
resultado é valioso, pois provê um chute MTTF: 193 dias

inicial sobre a data da próxima falha.

Resultados Preliminares
Sistema Gerador (Baseline)

⩽ 60 dias

> 60 dias

⩽ 60 dias > 60 dias

Resultados Preliminares
Sistema Gerador (Baseline)

⩽ 60 dias

> 60 dias
Conclusões Preliminares
Resumo

● A junção de modelos informações de engenharia juntamente com

estatística se mostraram promissoras para sua aplicação em Machine
learning.
● Os modelos de inteligência artificial criados até então apresentaram
conexão com a realidade, isto é, as features indicadas como importantes
são correlatas aos sistemas no qual as falhas ocorreram.
● A utilização de Gráficos de Shapley se mostrou promissora para aumentar
a explicabilidade dos resultados dos modelos
Conclusões Preliminares
Resumo

● Técnicas de Regressão se mostraram promissoras na identificação da

falha, porém considerando um modelo baseline apresentaram um
resultado mais ruidoso.
● Os modelos de classificação também mostraram-se promissores no
diagnóstico do tempo para falha. Mais investigações e aprofundamentos
serão realizados.
 Cronograma das
Atividades

⩽ 60 dias

> 60 dias
Publicações
Contribuições Acadêmicas

● 3 Trabalhos publicados em Congressos

Internacionais (ISGT, IEEE T&D, Bienal Cigrè
Paris);
● 1 Trabalho Aceito para publicação em
Congresso Internacional de Inteligência
Artificial (CSCI);
● 1 Artigo para Revista Submetido;
● 1 Artigo Aceito em Revista em tema correlato
ao do trabalho;
Agradecimentos

● Agradecimentos a Coordenação de Aperfeiçoamento de Pessoal de Nível

Superior (Capes) pelo seu financiamento para esta pesquisa. E a
Universidade de São Paulo, onde esta pesquisa foi desenvolvida. Gostaria
de agradecer também a meu orientador por todo seu suporte e auxílio
nessa pesquisa.
Obrigado.