Sistemas Mecânicos e Processamento de Sinais

Machine Translated by Google
Sistemas Mecânicos e Processamento de Sinais 111 (2018) 251–264
Listas de conteúdos disponíveis em ScienceDirect
Sistemas Mecânicos e Processamento de Sinais
página inicial da revista: www.elsevier.com/locate/ymssp
Análise
q
Monitoramento da condição da caixa de engrenagens em turbinas eólicas: uma revisão
a
Jack P. Salameh a,b,ÿ , Sébastien Cauet , Erik Etienne a , Anas Sakout b
,
Laurent Rambault a
a LIAS-Universidade de Poitiers, 86000 Poitiers, França
b LASIE-CNRS-Universidade de La Rochelle, 17000 La Rochelle, França
informações do artigo abstrato
Historia do artigo: A tecnologia de turbinas eólicas está experimentando um rápido crescimento em relação ao tamanho, participação de mercado,
Recebido em 12 de julho de 2017 e desenho tecnológico. Os custos operacionais e de manutenção determinam diretamente se
Recebido em forma revisada em 19 de março de 2018
o sistema é eficiente em termos de produção de energia em comparação com outros tipos de
Aceito em 24 de março de 2018
usinas de energia. O monitoramento da condição de turbinas eólicas é o principal campo de estudos em
Disponível online em 12 de abril de 2018
últimos anos com o objetivo de aumentar a expectativa de vida dos componentes, reduzindo
custo de operação e manutenção. Operadores e pesquisadores estão se concentrando em melhorar
Palavras-chave:
técnicas de detecção de falhas para tornar as turbinas eólicas mais confiáveis. caixa de marchas em
Monitoramento de condição
Turbina de vento turbinas eólicas tem a maior parcela de tempo de inatividade entre todos os outros componentes que afetam
expectativa de vida
diretamente o custo de operação e manutenção. Este artigo reúne uma revisão sobre diferentes
Custo métodos e técnicas para monitoramento da condição da caixa de engrenagens em turbinas eólicas. Além disso,
Detecção de falha vários métodos e técnicas na literatura serão apresentados a fim de obter uma
Caixa de velocidade
informações sobre os métodos mais usados no monitoramento da condição da caixa de engrenagens de turbinas eólicas.
Desafios e objetivos futuros também são discutidos para determinar o foco da condição
sistemas de monitoramento.
2018 Elsevier Ltd. Todos os direitos reservados.
Conteúdo
1. Introdução 2. ............................................................................................ 252

Processo e abordagens de monitoramento de condições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
3. Análise de lubrificação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
4. Monitoramento da condição de Emissão Acústica (AE). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
5. Análise de vibração. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
6. Análise de assinatura de corrente da máquina (MCSA). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
7. Controle de Supervisão e Aquisição de Dados (SCADA). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
8. Discussão e conclusão Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
............................................................................................. 261
q
A pesquisa relatada nesta publicação foi apoiada pelo Programa FEDER Poitou-Charentes da União Européia sob o número PC158.
ÿ Autor correspondente em: LIAS-University of Poitiers, 86000 Poitiers, França.
Endereços de e-mail: jacksalameh@live.com, jack.salameh@univ-poitiers.fr (JP Salameh).
https://doi.org/10.1016/j.ymssp.2018.03.052
0888-3270/ 2018 Elsevier Ltda. Todos os direitos reservados.
252 JP Salameh et ai. / Sistemas Mecânicos e Processamento de Sinais 111 (2018) 251–264
1. Introdução
A energia eólica ganhou atenção notável na última década, uma vez que as políticas mundiais estão combatendo as mudanças climáticas por meio do
apoio e investimento em fontes de energia renováveis. Os investimentos recentes em usinas de energia renovável aumentaram para um nível de 3-1 em
comparação com combustíveis fósseis e usinas de energia nuclear. Em comparação com a marca de 50 GW em 2014 [1], 2015 testemunhou a maior instalação
anual com 63 GW (aumento de 22%) [2]. As estatísticas mostradas na Fig. 1 provam que a instalação de energia eólica está subindo para liderar o caminho
para a produção de energia elétrica. Com um papel tão importante, surgem desafios importantes em relação à confiabilidade, economia e segurança energética.
A fim de enfrentar os desafios enfrentados pela energia das turbinas eólicas, os pesquisadores voltaram sua atenção para o monitoramento das condições e
manutenção preventiva, a fim de reduzir o custo de operação e o tempo de inatividade das turbinas eólicas. As falhas de turbinas eólicas durante a última
década diminuíram gradualmente, embora continuem sendo uma questão importante a ser abordada, considerando o objetivo de reduzir os custos de operação
e manutenção.
As turbinas eólicas suportam mudanças aleatórias nas condições climáticas, temperatura, cisalhamento do vento, velocidade do vento e carga. As turbinas
eólicas são uma combinação de vários sistemas complexos conectados entre si (cubo, eixo de transmissão, caixa de engrenagens, gerador, sistema de
guinada, acionamento elétrico, etc.). Com as inúmeras e variadas peças nos sistemas de turbinas eólicas, podem ocorrer falhas em qualquer um dos
componentes, causando o fim da operação ou danos a outros componentes. As taxas de falha relatadas de diferentes componentes do sistema são mostradas
na Fig. 2a [4]. Todos os componentes são propensos a falhas. No entanto, o foco dos fabricantes é direcionado para qual dos componentes causará o maior
tempo de inatividade para manutenção e imporá os maiores custos de reparo.
A Fig. 2b mostra o tempo de inatividade causado por cada ocorrência de falha de componente. As caixas de engrenagens vêm em segundo lugar no tempo de
inatividade por falha devido ao seu tamanho e conexão robusta com outros componentes, dificultando o acesso, o reparo ou mesmo a substituição [5].
As caixas de engrenagens operam sob condições ambientais adversas. Eles são responsáveis por aumentar a velocidade transmitida pelo eixo de baixa
velocidade (LSS), para atender a exigência do eixo de alta velocidade (HSS) que aciona o gerador.
Assim, eles suportam todas as vibrações causadas pelos componentes do lado da turbina e vento, juntamente com todas as flutuações impostas pela carga
através do gerador. Falhas em redutores podem ocorrer em vários componentes entre os quais: trinca no dente, eixo interno, rolamento HSS, rolamento LSS,
coroa, engrenagem helicoidal, lubrificação deficiente, carcaça, etc.
Este artigo irá abordar e discutir diferentes abordagens, técnicas e métodos para monitoramento da condição da caixa de engrenagens em turbinas eólicas
e será estruturado da seguinte forma: A Seção 2 aborda os fundamentos, processos e abordagens do monitoramento da condição. A Seção 3 menciona
diferentes técnicas de análise de lubrificação para detecção de falhas na caixa de engrenagens de turbinas eólicas. Seguido pela análise de emissão acústica
na Seção 4. A Seção 5 discute diferentes técnicas de análise de vibração aplicadas à detecção de falhas na caixa de engrenagens de turbinas eólicas.
Enquanto a Seção 6 aborda várias técnicas baseadas em corrente de máquina para detecção de falhas. A Seção 7 discute a aplicação do SCADA para
detecção de falhas na caixa de engrenagens. A seção 8 interpretará e concluirá sobre o material mencionado ao longo do artigo.
2. Processo e abordagens de monitoramento de condições
A confiabilidade continua sendo a preocupação dos principais fabricantes e é alcançada lidando consistentemente com falhas por meio de estratégias e
técnicas capazes de prevenir ou pelo menos minimizar o efeito dessas falhas. As falhas são geralmente
Fig. 1. Evolução da capacidade energética cumulativa na União Europeia de diferentes fontes energéticas [3].
JP Salameh et ai. / Sistemas Mecânicos e Processamento de Sinais 111 (2018) 251–264 253
Fig. 2. (a) Taxas de ocorrência de falhas dos principais componentes dos aerogeradores. (b) Frequência de falha versus tempo de inatividade por falha [4].
classificados como: falhas elétricas (falha de isolamento do enrolamento, deficiência de aterramento, conexão errada, etc.), falhas mecânicas
(degradação das barras do rotor, desmagnetização, flexão do eixo, falha do rolamento, mau funcionamento da caixa de engrenagens, etc.), sistema de acionamento da máquina
falhas (falha do inversor, falta de linha de alimentação, transientes nas fontes de tensão e corrente, etc.). Além disso, ambiental
fatores e especialmente transientes de vento têm um efeito importante em componentes mecânicos rotativos. As falhas e fatores anteriores levam o sistema a apresentar
sintomas irregulares durante a operação (vibração e ruído, aumento de temperatura, potência de saída
flutuação, ruído acústico, variações de tensão e corrente, mudança drástica de velocidade, etc.) [6,7]. Isso é obtido por meio de um eficiente
sistemas de monitoramento de condição. O monitoramento da condição acompanha todas as turbinas eólicas instaladas para estabelecer estratégias de manutenção e
reparo. As estratégias de manutenção podem ser resumidas em três critérios: rodar até quebrar, prevenir
manutenção e manutenção baseada em condições, ver [7,8], onde a última tem vantagem sobre a tradicional não usada
aproximação run to break e a manutenção preventiva impraticável [9]. As estratégias de monitoramento de condições dependem de
algoritmos online responsáveis pela detecção precoce de defeitos mecânicos e elétricos. O plano de monitoramento de condição começa
por meio de uma análise de dados no domínio do tempo e/ou no domínio da frequência, chega-se a uma decisão sobre o tipo de falha e sua gravidade. Ao final, um
comando de feedback é enviado para a interface humana ou para uma rotina pré-programada, para limitar ou interromper a operação do sistema para manutenção.
Conforme mencionado acima, a substituição dos componentes das turbinas eólicas e especialmente das caixas de engrenagens e
geradores é uma tarefa tediosa e cara e requer o desligamento completo. Isso comprova a importância da implementação de
monitoramento de condição garantindo:
1. Prevenção de quebra prematura com manutenção antecipada e proteção de componentes.

2. Evitar substituição de peças intactas.
3. Supervisão e diagnóstico remotos.
4. Ações de planejamento de manutenção durante as estações de vento fraco e aumento do fator de capacidade global das turbinas eólicas.
As técnicas de monitoramento de condições usadas hoje em dia são capazes de detectar instantaneamente defeitos antes das falhas. eles podem até
prever qual componente da caixa de engrenagens está com defeito. Caixas de engrenagens são sistemas mecânicos onde alguns componentes operam em um
ambiente lubrificado, análise de lubrificação, análise de emissão acústica e análise de vibração podem ser aplicadas para detectar
falhas, panes. No entanto, o desafio reside em aplicar a análise elétrica a um sistema mecânico. Monitoramento de condição
das caixas de engrenagens pode ser feito através das seguintes abordagens:
1. A análise da lubrificação visa preservar a qualidade do óleo e garantir o melhor ambiente de operação possível para os componentes envolvidos. A análise de
lubrificação geralmente é feita off-line por meio do exame e teste de amostras. Recente
tecnologias e técnicas estão introduzindo monitoramento online através da instalação de sensores para contagem de partículas
e supervisão do nível de umidade. Além disso, os filtros de óleo também podem ser um bom indicador de qualquer falha quando ficam
excessivamente poluída devido ao desgaste dos componentes.
2. A análise de emissão acústica é aplicada por meio de sensores responsáveis por captar o som emitido pelo funcionamento do redutor por meio de medidores de nível
sonoro. Dispositivos com anti-aliasing e alta taxa de amostragem são usados para medição, convertendo níveis de pressão e vibração em sinais de tensão. A análise
de emissão acústica e a análise de vibração visam o mesmo
tipo de dados coletados. No entanto, a primeira abordagem 'escuta' as vibrações, enquanto a segunda as mede.
3. A análise de vibração é a técnica mais conhecida e aplicada para monitoramento de condições. Todas as máquinas rotativas têm um
assinatura de vibração [10]. Qualquer alteração ou falha que ocorra em qualquer um dos componentes mecânicos alterará essa vibração
perfil. O monitoramento da frequência de vibração forneceria informações sobre se um componente está com defeito ou não. Em turbinas eólicas, a análise de
vibração pode ser aplicada em todos os componentes mecânicos, como pás, rolamentos, caixa de engrenagens, gerador, eixo,
e trem de acionamento.
4. A análise elétrica surgiu nos últimos anos como um substituto para a análise de vibração, mas ainda está nos estágios iniciais e precisa
mais pesquisas para servir ao seu propósito. A análise elétrica visa eliminar o erro de coleta de dados através da redução de
instalação do sensor e reduzir o custo de operação da turbina eólica, reduzindo o número de sensores e, portanto, reduzindo
a necessidade de manutenção e reparação. O básico desta análise é a dependência completa da corrente trifásica
e sinais de tensão produzidos pelo aerogerador para monitorar seu funcionamento e detectar qualquer falha em seus componentes. Isso é
sabe-se que as falhas que ocorrem dentro dos componentes mecânicos da turbina eólica causam flutuações na corrente e na tensão
sinais. Portanto, por meio da análise tempo-frequência desses sinais, pode-se detectar componentes adicionais de frequência resultantes de faltas. Sua
vantagem é a precisão dos dados coletados, pois não há necessidade de filtrar as medições dos sensores [11].
A seguir, é apresentada uma visão sobre os recentes avanços e métodos usados no monitoramento da condição da caixa de engrenagens.
falhas através das abordagens acima mencionadas.
3. Análise de lubrificação
A análise de óleo e lubrificação é uma entre muitas abordagens importantes de monitoramento de condições. Limpeza do óleo, viscosidade e
A temperatura fornece informações sobre o desempenho da caixa de engrenagens de qualquer turbina eólica. A limpeza do óleo tem um grande efeito na vida
expectativa de redutores com uma estimativa de até 50% de aumento/redução no tempo de execução geral. Muitos métodos são usados
testar e analisar amostras de lubrificantes, entre as quais on-line (contagem de partículas, monitoramento de temperatura e viscosidade, etc.),
e off-line (análise do filtro de óleo para características de fluxo e limpeza) [21]. Preservar um ambiente limpo de operação para
componentes mecânicos dentro da caixa de engrenagens são vitais para detectar falhas mecânicas, bem como prolongar sua expectativa de vida útil. O
monitoramento da condição do óleo depende do uso de sensores de finalidade múltipla. [22] detalhou os vários tipos de sensores como
mostrados na Tabela 1. Algumas referências na Tabela 1 apresentam sensores usados em geradores. No entanto, as caixas de engrenagens operam na mesma
ambiente lubrificado como geradores (ver Tabela 2).
Em [23] um refratômetro de fibra óptica foi fabricado e caracterizado com base em LMR para lubrificante sintético de caixa de engrenagens
degradação à temperatura de trabalho em turbinas eólicas. Os resultados concluíram que revestimentos mais finos resultam em maior sensibilidade.
Zhu et al. (2013) usaram sensores online para estudar o monitoramento e a degradação da condição de lubrificação [24,25]. Turbina de vento
A vida útil restante da caixa de engrenagens (RUL) é estudada usando sensores de viscosidade e constante dielétrica enquanto aplica a técnica de filtragem de
partículas para interpretação. Os resultados concluíram um bom monitoramento da deterioração do lubrificante e previsão de RUL. Partícula
população melhorou a precisão da previsão com uma reserva considerando o tempo de processamento quando ele é aumentado.
O monitoramento de detritos de óleo é um método eficaz na detecção de falhas em turbinas eólicas. Dupuis et ai. [26] monitoramento de detritos de óleo
aplicado para monitoramento da saúde da caixa de engrenagens em turbinas eólicas. A técnica se baseia na contagem de partículas de detritos durante a medição
seu tamanho através de sensores para avaliar a gravidade da falha na caixa de câmbio. Mais dados são necessários para introduzir modelos complexos de
danos na caixa de engrenagens, a fim de melhorar as técnicas de monitoramento de detritos de óleo.
Estudos recentes estão tentando recriar o ambiente em que a caixa de engrenagens de uma turbina eólica opera. Coronado et ai. [27]
monte uma câmara de teste de Teste de Vida Altamente Acelerado (HALT)/Triagem de Estresse Altamente Acelerado (HASS) na qual as propriedades dos
sensores de óleo podem ser avaliadas. O estudo é feito sob mudança de temperatura operacional e níveis de vibração. Os resultados
mostrou algum desvio na medição do sensor especialmente com condições extremas de temperatura. Sob outras condições normais, os resultados foram
precisos até certo ponto. Apesar do desvio nas medições, o desenvolvimento futuro em
a bancada e a câmara de teste podem atingir um certo nível de precisão, permitindo aos pesquisadores testar vários cenários
incluindo as características do óleo, bem como as características mecânicas da caixa de engrenagens.
4. Monitoramento da condição de Emissão Acústica (AE)
O monitoramento de condição de Emissão Acústica (AE) estuda o som emitido por vibrações de sistemas mecânicos, como geradores e caixas de
engrenagens. As altas frequências são objeto de estudo e análise (100 kHz a 1 MHz) [8,28,29]. Uma vez que todos os sistemas rotativos mecânicos têm uma
assinatura vibratória [10], também estão disponíveis assinaturas acústicas e qualquer alteração nestas
assinaturas indicam a deterioração de um componente. A principal e maior desvantagem do monitoramento da condição de EA é o ruído
fundo que introduz o ruído de outros componentes e reduz a precisão na detecção de falhas do componente monitorado. Muitas aplicações de EA para detecção
de falhas em sistemas mecânicos rotativos podem ser encontradas na literatura para outros sistemas
do que a turbina eólica [30-32]. A seguir, métodos AE para detecção de falha na caixa de engrenagens em turbinas eólicas (Tabela 3).
tabela 1
Tipos de sensores usados no monitoramento da condição do óleo.
Referência Tipo de sensor Parâmetro medido
[12] Sensor de umidade Porcentagem de água no lubrificante

[13,14] Sensor de concentração de partículas Distribuição de tamanho de partícula
[15–17] Sensor de condutividade Nível de condutividade elétrica usado para monitorar a taxa de oxidação do óleo
[14,18] Sensor de constante dielétrica Constante dielétrica
[19] Sensor de viscosidade Viscosidade cinemática

[20] Sensor de qualidade e propriedades Espectroscopia de impedância eletroquímica (EIS)
mesa 2
Resumo dos métodos para análise de lubrificação na caixa de engrenagens de turbinas eólicas.
Referência Método
[23] Refratômetro de fibra óptica baseado em ressonância de modo com perdas (LMR)
[24,25] Monitoramento on-line da condição do óleo lubrificante e previsão de RUL usando sensores de viscosidade e CC, juntamente com uma técnica de filtragem de partículas
[26] Contagem de detritos de óleo e detecção de tamanho através de sensores
[27] Câmara para HALT/HASS para avaliação das propriedades do sensor de óleo
Tabela 3
Resumo dos métodos para monitoramento da condição de Emissão Acústica de caixas de engrenagens de turbinas eólicas.
Referência Método
[33] Sistema de monitoramento de caixa de engrenagens on-line baseado em LabView
[34] Técnica Heterodyne com Time Synchronous Averaging (TSA) e Curtose

[35] DRFF e DBMs para 11 diferentes condições de operação da caixa de engrenagens
[36,37] Estudo comparativo entre AE e análise de vibração para detecção de falhas na caixa de engrenagens de turbinas eólicas
[38] Time Of Arrival (TOA) com Continuous Wavelet Transform (CWT) em ondas de Morlet para localizar falhas
Wei e outros. [33] projetou um sistema de monitoramento on-line baseado em LabView para monitoramento da operação da caixa de engrenagens e detecção de falhas.
Os autores concluíram a localização e detecção eficazes do tipo de falha, ao mesmo tempo em que afirmam sua superioridade sobre a análise de vibração
técnicas.
Técnicas heterodinas usadas em comunicação foram introduzidas para pré-processar sinais AE para falha na caixa de engrenagens da turbina eólica
detecção em [34]. Tempo Synchronous Averaging (TSA) e Curtose espectral foram posteriormente propostos para extração de características e
Detecção de falha de engrenagem. O uso da técnica Heterodyne reduziu a taxa de amostragem da ordem de MHz para kHz. Os resultados
mostrou detecção de falha de dente de engrenagem eficaz.
Uma aplicação avançada para detecção de falhas em caixas de câmbio foi apresentada por Li et al. [35] com o uso de Deep Random Forest
Fusão (DRFF). O sensor AE e um acelerômetro são usados para extrair dados para monitoramento. A transformada do pacote wavelet é então
usado para extrair parâmetros estatísticos. Representações profundas desses parâmetros são desenvolvidas usando dois métodos Deep Boltzmann.
Máquinas (DBMs). Uma floresta aleatória é proposta para fundir os DBMs das saídas como o modelo DRFF integrado. 11 caixas de velocidades diferentes
condições de operação foram testadas onde o método obteve 97,68% de taxa de classificação. Os resultados mostram uma superioridade
outros métodos de AE para detecção de falhas da caixa de engrenagens e monitoramento de condições.
Defeitos de corte parcial do dente na caixa de engrenagens foram investigados em [36], e defeito de rolamento da caixa de engrenagens da turbina eólica em [37] onde um
estudo comparativo foi realizado entre AE e análise de vibração. Os resultados mostraram que o AE é mais estável no desempenho de detecção de falhas, enquanto foi capaz
de isolar os níveis de dano. A análise de vibração falhou em fazê-lo, pois é afetada por
ressonância mecânica.
Um estudo recente usou o AE para detectar e localizar falhas em engrenagens [38]. O estudo conta com a obtenção do horário de chegada do EA
sinais, que com a transformada wavelet contínua em wavelets Morlet extrai ondas compressivas para representar o AE
sinais. A correlação linear entre o tempo de chegada e a distância de propagação localizará a falha dentro do redutor. O método é comprovadamente superior na localização
das falhas.
5. Análise de vibração
A maioria das técnicas de processamento de sinal depende da Transformada de Fourier (FT) para representar sinais em frequência ou tempo-frequência
domínios. Os métodos de frequência fornecem informações sobre frequência, amplitude e fase dos sinais. Além de todos esses
características, os métodos de frequência de tempo fornecem informações sobre como as características mencionadas mudam com o tempo. Tabela 4
mostra os métodos convencionais de processamento de sinal juntamente com as vantagens e desvantagens de cada um [39].
Tabela 4
Métodos convencionais de detecção de falhas em análise de vibração.
Técnica Prós Contras
Transformada de Fourier (FT) [40] Aplicação rápida e fácil Apenas análise de frequência
Fourier de tempo curto Dá um bom tempo ou boa resolução de frequência Dá um bom tempo ou boa resolução de frequência
Transformação (STFT)[41] Dependente da função da janela Dependente da função da janela
Wigner-Ville Distribuição Boa resolução de frequência de tempo Termos críticos de interferência cruzada
(WVD) [42]
Transformada Wavelet (WT) Boa resolução de tempo para altas frequências Boa frequência Escolha da função básica
[43] resolução para baixas frequências
Modo empírico [44] Processamento de sinal não linear e não estacionário Mixagem do modo de efeito final
Decomposição (EMD)
Máquina de vetores de suporte Representação precisa do relacionamento de E/S Sem controle sobre o número de pontos de dados
(SVM) [45]
As aplicações de processamento de sinal para análise de vibração de caixas de engrenagens começaram no início da década de 1980.
McFadden et ai. usou modulação de fase para detecção precoce de defeitos em caixas de engrenagens e modulação de amplitude e fase para
detecção de fadiga de engrenagens [46-49]. O HT foi amplamente utilizado na literatura para análise de vibração de caixas de engrenagens
[50,51] onde Feldman [52] montou um tutorial completo sobre a aplicação do HT para diagnóstico em análise de vibração de sistemas mecânicos.
Staszewski et ai. [53] aplicaram o WVD por meio de dois procedimentos de reconhecimento de padrões para detectar falhas nos dentes em
caixas de engrenagens. Smith [54] reuniu os fundamentos para análise de vibração de engrenagens juntamente com métodos, estratégias e
aplicações visando uma melhor análise de ruído em caixas de câmbio. Além disso, um relatório técnico de Zakrajsek [55] resumiu algumas das
pesquisas feitas na década de 1980 em análise de vibração de caixas de câmbio. Além disso, o EMD também foi usado inicialmente para
processamento de sinais não lineares e não estacionários [44] e, posteriormente, para detecção de falhas em engrenagens [56–59]. A Support
Vector Machine (SVM) foi introduzida pela primeira vez por Cortes e Vapnik [45], que a aplicaram como uma metodologia de inteligência artificial
para classificação e regressão de dados. Além disso, o SVM ganhou interesse por sua capacidade de gerar uma representação precisa da
relação entre a entrada e a saída, mesmo com uma pequena quantidade de informações de treinamento. Foi usado para monitoramento de
condições e detecção de falhas por meio de análise de vibração em muitos sistemas [60-62]. A principal desvantagem estava na incapacidade
de controlar o número de pontos de dados pelo algoritmo, levando a uma carga computacional pesada no caso de um grande número de dados de treinamen
Apesar dos avanços dos métodos tradicionais oferecidos no campo de diagnóstico e monitoramento de condições, as desvantagens
mencionadas na Tabela 4 precisavam ser resolvidas para obter resultados precisos em um sistema muito complexo como as turbinas eólicas.
Os requisitos modernos de processamento de sinal em velocidade e precisão concluem que nenhum desses métodos sozinho pode fazer o
trabalho de rastrear e analisar sinais não lineares e não estacionários, como aqueles medidos em turbinas eólicas. No intuito de enfrentar esses
desafios, os pesquisadores voltaram sua atenção para métodos auxiliares, que combinados com os convencionais, dão melhores resultados na
análise de sistemas. A seguir, são discutidos métodos combinados avançados usados para detectar falhas na caixa de engrenagens em turbinas
eólicas.
A curtose espectral para detecção de trincas em engrenagens planetárias de turbinas eólicas foi estudada em [63]. Os autores obtiveram os
resultados sem média síncrona de tempo. Eles observaram que a trinca dentária tinha uma duração muito curta e raramente ocorria. Isso levou à
insuficiência de informações para reter pulsos de alta frequência. As variações do vento rápido também foram estudadas para observar o efeito
nos padrões de malha. Os autores concluíram que algoritmos mais avançados devem ser implantados para tornar o método mais eficiente e
rápido na detecção de falhas de trincas dentárias. Além disso, uma mudança de carga detalhada pode contribuir muito para entender seu efeito
na análise de vibração.
Uma transformada de Hilbert (HT) atualizada foi aplicada em [64] para detectar defeitos em engrenagens. O EMD foi usado para decompor o
sinal medido em funções de modo intrínseco (IMF). A HT modificada apresentou melhor resolução em comparação com a transformada tradicional
e a do WT.
Em [65] o Ensemble EMD (EEMD) é usado para decompor os sinais de vibração da caixa de engrenagens em componentes mono que serão
usados no algoritmo de separação de energia para estimar o envelope de amplitude e frequência instantânea dos sinais modulados. O método
proposto foi simulado e implementado em uma bancada de testes onde foram detectados e localizados defeitos de desgaste e lascamento de
uma caixa de engrenagens planetárias de uma turbina eólica.
Em uma aplicação EMD mais avançada, Dybala et al. [66] introduziu o índice de integridade usado para fornecer informações sobre o estado
de integridade da caixa de câmbio. A vantagem do método proposto é que o índice de integridade dá um sinal de alerta antes da falha fatal da
caixa de engrenagens, permitindo manutenção preventiva e reparo.
Feng et ai. [67] aplicaram o método Kernel ótimo adaptativo para detecção e diagnóstico de falhas em engrenagens planetárias. O método
tem resolução fina e é privado de interferência entre termos. Tornando-o adequado para extrair frequências de caixas de engrenagens planetárias
variáveis no tempo em condições não estacionárias. Ele é usado para detectar componentes de frequência variável no tempo durante a operação
de velocidade variável enquanto diagnostica a falha da engrenagem planetária por meio das frequências características. Tanto a simulação
quanto os resultados experimentais foram concorrentes em relação à detecção de faltas em condições não estacionárias.
O Operador de Energia Teager-Kaiser (TKEO) usado juntamente com o algoritmo de separação de energia Desa–1 em [68] é uma boa
alternativa para o HT. Dá sinais limpos e suaves ao analisar componentes mono. Foi demonstrado no estudo que cargas variáveis causam
dificuldades no monitoramento de condições e na detecção de falhas. A Decomposição de Modo Empírico é usada nesse caso para separar a
maior parte das influências de carga variável no tempo dos sinais de vibração. Permitindo que os componentes de sinal relacionados a danos
estejam disponíveis para análise posterior usando HT ou TKEO. As características de dano foram extraídas usando o TKEO através do cálculo
de amplitude instantânea que indica a região de frequência dos harmônicos causados por uma falha.
Urbanek et ai. em [69] estudaram os efeitos no valor do recurso baseado em vibração pela potência de saída do gerador e velocidade de
rotação. Gráficos tridimensionais do valor do recurso em consideração foram desenhados. Os resultados dos gráficos indicam a ocorrência de
falhas durante a operação e qual saída do gerador e velocidade de rotação tem o maior efeito em cada recurso. O estudo mostra que estudar a
vibração de diferentes componentes da turbina eólica sem levar em consideração o transiente de potência e velocidade de rotação pode resultar
em resultados imprecisos em relação à gravidade da falha. No entanto, a desvantagem do estudo reside no fato de localizar a falha. Ele é capaz
de detectar a ocorrência de uma falha sem fornecer informações sobre qual componente está com defeito.
Um novo método foi proposto por Kidar et al. [70] baseado na Estimação de Parâmetros de Sinal via Técnica Invariante Rotacional (ESPRIT)
usando uma janela deslizante. O estudo propõe uma comparação entre o HT e o ESPRIT para a detecção de dente trincado na caixa de
engrenagens. Os resultados mostraram que o ESPRIT com janela deslizante é capaz de monitorar a variação da fase instantânea quando
ambas as modulações de amplitude e frequência estão presentes. No entanto, a transformada de Hilbert funcionou apenas no caso da modulação
em frequência.
Feng et ai. [71] usou a demodulação generalizada iterativa para melhorar o método de sincronismo. Embora o método de sincronismo lide apenas
com sinais monocomponentes e de frequência constante, ele não é utilizável para sinais multicomponentes. O uso da demodulação generalizada
iterativa permite a estimativa da frequência instantânea de cada componente mono usando o synchrosqueezing. Este método regenera o sinal original
pela superposição da representação tempo-frequência e a frequência instantânea restaurada. É caracterizado por uma resolução fina e uma detecção
eficaz da caixa de engrenagens planetárias.
Diehl e Tang [72] usaram um modelo de caixa de engrenagens dinâmica (DGM) e um WT harmônico (HWT) para detectar uma falha no pinhão de
uma caixa de engrenagens de dois estágios. Acelerômetros foram usados para extrair os dados que foram analisados pelo HWT. Os resultados mostram
bons resultados em imitar o comportamento não estacionário da caixa de engrenagens sob mudança de velocidade. Uma vantagem no método usado
é destacada pelo DGM avançado usado que reflete a dinâmica da caixa de câmbio em nível superior.
Ha et ai. [73] propuseram um método ATSA (Time Synchronous Averaging) baseado em autocorrelação para lidar com a interação física entre o
anel, o sol e as engrenagens na caixa de engrenagens. Ele é usado para determinar a forma e o alcance ideais da função janela do TSA usando
respostas cinéticas reais. O ATSA tem duas características principais em relação à eficiência de dados para processamento TSA e prevenção de
distorção de sinal durante o processo TSA. O método apresentou melhores resultados em comparação com o processo TSA convencional no caso de
dados estacionários limitados.
Sharma et ai. [74] também propuseram um método baseado em TSA para detectar trincas no dente da engrenagem. O Modified TSA (MTSA)
proposto filtra o ruído usando reamostragem baseada em velocidade e interpolação spline cúbica. Além disso, foi feito um estudo comparativo em
relação aos indicadores de condição (Root Mean Square (RMS), curtose, fator de crista, FM0, FM4, M6A, NB4, razão de energia, NA4, operador de
energia e dois indicadores de condição propostos PS-I, PS II). O MTSA proposto apresentou melhorias em relação à relação sinal-ruído (SNR) e redução
no tempo de processamento ao usar o cubic spline. O estudo comparativo para indicadores de condição concluiu uma melhor detecção da evolução da
trinca ao usar o PS-I e o PS-II propostos. O estudo foi feito em condições de velocidade variável sob carga constante, uma aplicação futura consideraria
tecnicamente a investigação dos efeitos de uma carga variável nos resultados e na precisão do MTSA proposto e indicadores de condição.
Em [75], o método tempo-frequência utilizado é baseado no filtro Vold-Kalman aplicado a redutores planetários em condições não estacionárias.
Um algoritmo de separação de energia de ordem superior é usado para detectar componentes de frequência variável no tempo.
O filtro Vold-Kalman separa sinais complexos arbitrários em monocomponentes. Além disso, a separação de energia de ordem superior é capaz de
estimar a frequência instantânea dos sinais. Os componentes de frequência variável no tempo dos sinais de vibração da caixa de engrenagens
planetárias durante a operação de velocidade transiente são revelados. As falhas distribuídas e localizadas da engrenagem solar foram diagnosticadas
com sucesso. Este método funciona bem em condições não estacionárias.
Em [76] um método iterativo generalizado de reatribuição de tempo-frequência é usado para detectar falhas na caixa de engrenagens planetárias
em condições não estacionárias. O método garante a decomposição de sinais multicomponentes em sinais monocomponentes de frequência constante,
ao mesmo tempo em que melhora a legibilidade tempo-frequência. Embora não exista interferência externa ou interna, o método proposto mostra boa
resolução tempo-frequência na detecção de componentes de frequência de falha de falhas localizadas e distribuídas nas engrenagens.
Uma nova Análise de Componente Bounded de Rastreamento Supervisionado (SOTBCA) é proposta em [77] que melhora a capacidade de
resistência ao ruído do método de Análise de Componente Bounded (BCA) com o auxílio da técnica de rastreamento de pedido.
O uso de um filtro AutoRegressivo (AR) dá ao SOTBCA uma característica de supervisão tornando-o adequado para detecção de falha de engrenagem.
Com base na estrutura BCA, SOTBCA é capaz de identificar componentes dependentes/correlacionados na análise de vibração.
A série de experimentos e resultados provou que o SOTBCA proposto é capaz de:
1. Recuperação efetiva de fontes intimamente correlacionadas contaminadas com ruído pesado 2.

Reconstrução correta do sinal da fonte de vibração excitada pela trinca da engrenagem 3. Detecção
de trincas com várias profundidades e em diferentes velocidades de condução na caixa de engrenagens da turbina eólica enquanto a intensidade de
vibração da fonte de trinca de engrenagem reconstruída nos espectros de Densidade Espectral Cíclica (CSD) aumenta com o aumento do nível de
trinca.
Uma abordagem de reconhecimento de padrões baseada em WT e FFT para detecção e diagnóstico de falhas foi usada em [78] para monitorar as
partes mecânicas. Destina-se a detectar falhas em partes inacessíveis da turbina eólica, ou quando a instalação de vários sensores seria muito
dispendiosa considerando a manutenção projetada. A energia sonora é captada por meio de sensores estrategicamente posicionados.
Em seguida, o primeiro e segundo harmônicos são estudados usando WT e FFT. Com base em um agrupamento fuzzy usando o RMS é feito para
enfatizar a relação entre a energia sonora e os picos de vibração, então por uma classificação pode-se encontrar o padrão incomum que indica a
presença de um defeito.
A teoria fractal também foi usada para detecção de falhas na caixa de engrenagens da turbina eólica. Ziaja et al. [79] usaram a teoria fractal junto
com a transformada wavelet ortogonal para decompor e comparar sinais de vibração de dados de caixa de engrenagens saudáveis e defeituosos.
Além disso, Li et al. [80] aplicou a teoria fractal junto com o EEMD que decompôs o sinal de vibração em bandas de frequência. A dimensão fractal
reflete as condições de operação da caixa de engrenagens. Ambos os métodos foram capazes de detectar falhas na caixa de engrenagens.
A cointegração se concentra nos recursos de periodicidade do sinal para detectar a ocorrência de falhas quando a relação de cointegração é
quebrada. Uma pesquisa recente conduzida por Dao et al. aplicaram a técnica de co-integração para detectar falhas em turbinas eólicas [81]. A
abordagem foi aplicada aos dados do SCADA e mostrou eficácia na detecção de falhas para operação não linear. Zhao
e outros [82] aplicaram o método de cointegração para comparar os sinais de vibração normais e defeituosos da caixa de engrenagens. A relação dos vetores com
ambos os conjuntos de dados de sinais de vibração mostrou uma boa detecção dos dados da caixa de engrenagens com defeito.
Uma nova detecção de assinatura de falta sem taco é proposta em [83]. O algoritmo de aprimoramento de assinatura de falha envolve o
sinais de vibração medidos a fim de projetar a escala de tempo original para uma nova escala de tempo transformada, onde a velocidade de variação de tempo do eixo
é espremida em direção a uma velocidade de referência constante. Assim, as frequências proporcionais ao
velocidade variável no tempo do eixo são espremidas em respectivos picos individuais. O método proposto apresentou bons resultados
na detecção de harmônicos de falha em modos não estacionários sem a exigência de medição de velocidade de rotação, enquanto confia apenas nos sinais de vibração.
Métodos convencionais de monitoramento de condições adotam Separação Cega de Fontes (BSS) em sistemas mecânicos [84,85]. No entanto, as abordagens que
aplicam BSS consideram o caso em que o número de fontes de sinal é igual ao número de sensores. O que não é o caso em [86], onde um BSS Indeterminado (UBSS)
é aplicado como um novo método para falha de rolamento
detecção em caixas de câmbio. Uma solução Sparse Component Analysis (SCA) é usada para estimar o número de fontes antes da fonte
estágio de recuperação de sinal é feito. O método usa o STFT para mover para o domínio do tempo-frequência. A estimativa do
número de origem é feito usando EMD e Decomposição de Valor Singular (SVD). O clustering Fuzzy C-Means (FCM) é então usado
estimar a matriz de mistura antes de aplicar a decomposição da norma I1 para recuperar os sinais da fonte. Os resultados provaram
que o método conjunto EMD-SVD para estimativa de número de fonte é capaz de funcionar sob condições ruidosas. Além disso,
os sinais recuperados através de FCM e I1 possuem bandas de frequência independentes reduzindo a complexidade da detecção de falhas.
6. Análise de assinatura atual da máquina (MCSA)
A análise de vibração pode ter sido a abordagem mais usada e aplicada para detecção de falhas em máquinas rotativas e
especificamente em turbinas eólicas. No entanto, a aplicação da análise de vibração requer sensores de vibração e seus respectivos suportes
circuitos para transformar o sinal e os dados medidos em utilizáveis. Isso aumentou o custo de instalação com um acréscimo
valor para sistemas sensoriais caros e sua manutenção e reparo, sem mencionar os dados bastante ruidosos coletados por
aqueles sistemas sensoriais que precisam de filtragem adicional. Todas essas razões levaram os operadores e a pesquisa a procurar outras
métodos que seriam mais baratos de instalar. A análise elétrica apareceu como uma abordagem única e eficaz, considerando que
ambos os sinais de corrente e tensão são fáceis de monitorar e vários estudos iniciais e recentes como o feito por Schoen et al.
[87] e Marzebali et al. [11] provou que as vibrações dentro dos componentes mecânicos (eixo, caixa de engrenagens, rolamento, etc.)
nas assinaturas elétricas do aerogerador. No entanto, algumas falhas incipientes insignificantes podem não ser detectadas
desde que a amplitude do ruído permaneça maior. Lin et ai. [88] aplicou o EMD para análise de sinal de corrente enquanto o K-mais próximo
algoritmo foi usado para detecção de falha de vazamento de óleo da caixa de engrenagens. O método apresentou resultados bem-sucedidos na detecção da falha
(Tabela 5).
Mohanty et ai. [89] aplicaram o MCSA para monitoramento da condição de uma caixa de engrenagens de vários estágios enquanto um dente ou dois dentes estavam
removido, usando uma Transformada Wavelet Discreta (DWT). A análise FFT mostrou que as baixas frequências das assinaturas de vibração
têm bandas laterais em todo o espectro. Visto que as altas frequências eram indetectáveis. Aplicando o DWT para decompor
o sinal de corrente seguido pelo FFT em alguns dos resultados foi capaz de traçar as bandas laterais das altas frequências de
vibração.
Ardakani et ai. [90] usou um novo método TSA de nível duplo, a fim de melhorar o conteúdo da assinatura de corrente do motor enquanto
enfatizando os componentes das falhas mecânicas dentro da caixa de engrenagens. O método foi capaz de diagnosticar pitting e
falhas de excentricidade durante velocidades transitórias. Este método foi aplicado em um cenário sem carga, trabalhos futuros levarão em consideração
os transientes em perfis de carga, bem como os transientes de velocidade.
Um observador recente desenvolvido por Masmoudi et al. [91] é capaz de amplificar assinaturas de falhas mecânicas permitindo aos operadores a detecção de
desgastes ou falhas menos significativas. Os fatos anteriores colocam a abordagem de análise elétrica na liderança em
monitoramento da condição de turbinas eólicas. Outros métodos também foram desenvolvidos para melhor detecção de falhas na caixa de engrenagens, que serão
discutidos a seguir.
Lu et ai. [92] desenvolveram um método baseado em corrente para detecção de falhas em turbinas eólicas de velocidade variável. O método usa o
análise do sinal de corrente do estator para identificar as frequências características de falhas na engrenagem. Um algoritmo adaptativo de reamostragem de sinal com
extração de características de falha e detectores de falha foram adicionados ao método para lidar com frequências variáveis no tempo.
Os resultados simulados e experimentais coincidem em relação à detecção e isolamento de faltas. A pesquisa propõe o
Vold-Kalman [75] método multiescala baseado em filtro como uma maneira eficaz de localizar o componente defeituoso.
Tabela 5
Resumo para aplicações MCSA para detecção de falhas na caixa de engrenagens de turbinas eólicas.
Referência Método
[89] MCSA com DWT e FFT para detecção de falha de trinca no dente
[90] MCSA com novo método TSA enfatizando a assinatura de falha mecânica
[91] Amplificação de assinatura de falha mecânica com base em sinais de corrente e tensão
[92] Algoritmo de reamostragem de sinal adaptável com extração de recursos de falha e detectores de falha para análise de frequência variável no tempo
[93] MCSA com DWT e TSA de nível duplo
A assinatura da corrente do motor durante a velocidade variável é usada em [93] para monitorar o estado de integridade da caixa de engrenagens da turbina eólica. Discreto
Wavelet e média síncrona de tempo de nível duplo foram usadas para monitorar a condição da caixa de engrenagens. Os dados foram extraídos
durante uma aceleração sem carga com engrenagens nas seguintes condições: engrenagem sem defeito, engrenagem com falha de corrosão por envelhecimento,
e uma engrenagem com excentricidade feita intencionalmente. Ambos os métodos mostraram bons resultados na detecção e caracterização do
saúde da caixa de engrenagens, com uma ligeira vantagem para o método de média síncrona de tempo de nível duplo em relação à discriminação de engrenagens
saudáveis e corroídas.
Além disso, a análise elétrica é usada principalmente na detecção de falhas do gerador. Métodos na categoria de corrente da máquina
Análise de Assinatura (MCSA) usa sinais de correntes de estator ou rotor para monitorar falhas do gerador após a aplicação espectral
análise. É interessante investigar a capacidade das técnicas e algoritmos usados para detecção de falhas em geradores em monitorar falhas em outros
componentes mecânicos -principalmente caixas de câmbio-. A seguir, uma breve visão sobre as técnicas recentes aplicadas ao monitoramento da condição do
gerador que podem melhorar as técnicas de análise elétrica para falhas na caixa de engrenagens
detecção (Tabela 6).
Em [94] uma técnica de diagnóstico é proposta com base no pré-processamento de deslizamento de frequência de corrente e transformada de wavelet
discreta. O cálculo da potência média dos sinais wavelet, em diferentes níveis de resolução, é usado como um indicador dinâmico de falha para
quantificar a gravidade da falha. O método proposto é eficaz tanto para faltas no estator quanto no rotor sob transientes de velocidade e condições variáveis de
falta. A aplicação utilizou uma máquina de indução duplamente alimentada e comprovou sua validade em falha de estator e rotor
detecção.
Djurovic et ai. [95] analisaram os espectros de corrente do estator e potência total para detectar assimetrias elétricas no rotor de
rotor bobinado e geradores de indução duplamente alimentados. Rastreamento de frequência de falta em tempo real foi implementado usando expressões
analíticas concisas para descrever a variação de frequência de falta sob variação de velocidade. O estudo foi realizado usando velocidade variável
cenários para componentes de corrente e frequência de energia para condições saudáveis e defeituosas para comparação. O método
aplicados juntamente com o algoritmo desenvolvido mostram que os espectros de corrente do estator e potência total são válidos para detecção de faltas. Os
testes realizados podem ser aplicados a grandes turbinas eólicas em operação.
Pirez et ai. [96] introduziram a Machine Square Current Signature Analysis (MSCSA) que começa medindo a corrente da máquina de indução, então o
quadrado da corrente é calculado, e na última parte uma análise de frequência do quadrado da corrente é realizada. Este método aumenta a informação extraída
do sinal atual. O método é aplicado para identificar
barras quebradas e excentricidade do rotor. Uma comparação entre a análise de vibração e MCSA foi realizada em [98], onde MCSA
foi mais eficiente na detecção de falha na barra do rotor em uma máquina de indução.
Uma comparação mais ampla entre análise de vibração e MCSA foi apresentada em [97]. O método usa suporte multiclasse
Algoritmos de Vector Machine (MSVM) para prever falhas em máquinas de indução. Um equipamento de teste experimental foi usado para extrair vários
sinais de velocidade e torques externos usados para análise de vibração. Dez diferentes falhas frequentemente encontradas foram consideradas (falhas elétricas
e mecânicas, individual e coletivamente). Em seguida, a previsão de falhas foi feita usando análise de vibração ou
MCSA em uma primeira etapa, depois uma combinação de ambas as técnicas em uma segunda etapa. Os resultados concluem que o MSVM é muito eficaz na
detecção de falhas mecânicas na análise de vibração e vibração elétrica. No entanto, uma abordagem SVM é suficiente para
o caso da análise elétrica para detecção de falhas elétricas. Além disso, vale a pena verificar [99,100] onde uma gama mais ampla de
aplicações para Machine Current Signal Analysis (MCSA) é usado para detectar falhas do gerador.
7. Controle de Supervisão e Aquisição de Dados (SCADA)
Atualmente, os sistemas SCADA são implantados em todos os parques eólicos. Eles são responsáveis por monitorar diversos parâmetros
relacionados aos componentes da turbina eólica (temperatura da caixa de engrenagens, rolamentos e lubrificante, níveis de vibração, aceleração da torre,
aceleração do trem de força, etc.). Além disso, eles monitoram diferentes fatores como entrada para turbinas eólicas (velocidade do vento, desvios do vento) ou
saídas (velocidade do rotor, ângulo da pá, potência ativa e reativa de saída). Os modelos de processo geralmente não estão disponíveis para
Análise SCADA [62], que se baseia na coleta de dados, tornando as técnicas de análise baseadas em dados preferíveis. Análise de dados SCADA
permite a detecção precoce de falhas para apoiar a decisão de manutenção com base em dados de operação precoce saudáveis, e os defeituosos
os atualizados. Esses dados tendem a se acumular rapidamente e em grandes quantidades, tornando um trabalho tedioso analisar e deduzir
o estado de saúde dos componentes da turbina. As aplicações de pesquisa de monitoramento de condição de turbinas eólicas exigem decisões
em relação ao componente em estudo, o(s) parâmetro(s) ou sinal(is) dos quais o estado do componente deve ser deduzido,
e o(s) método(s) ou técnica(s) usados para processamento e análise de dados [101] (Tabela 7).
As aplicações SCADA para detecção de falhas em caixas de engrenagens de turbinas eólicas são numerosas e diversas na literatura, entre as quais estão
a seguir:
Tabela 6
Resumo para aplicações MCSA para detecção de falhas em geradores de turbinas eólicas que podem ser usadas para detecção de falhas na caixa de engrenagens.
Referência Método
[94] Pré-processamento deslizante de frequência atual e DWT

[95] Rastreamento de frequência de falha em tempo real com expressões analíticas para velocidades variadas
[96] MSCSA para análise de frequência baseada no quadrado da corrente
[97] MSVM com análise de vibração e/ou MSCA
Tabela 7
Resumo para aplicações SCADA para detecção de falhas na caixa de engrenagens de turbinas eólicas.
Referência Método
[102,103] Sistema multiagente baseado em um sistema de rede neural multicamada de comportamento normal de turbina eólica baseado na ferramenta SIMAP para diagnóstico
[104] Monitoramento SCADA da temperatura do óleo para detecção de falhas na caixa de engrenagens
[105] Turbina eólica baseada em modelo ANN com análise SCADA para detecção de falha no rolamento da caixa de engrenagens
[106,107] Determinação instantânea de torque com base em dados SCADA
[108] Determinação instantânea do torque com base na velocidade do rotor e potência durante 10 min de dados SCADA
Zaher et ai. [102,103] desenvolveram um sistema multiagente capaz de gerenciar os dados úteis alimentados para monitorar o desempenho de um componente.
comportamento. Um sistema de rede neural multicamada de comportamento normal de turbina eólica foi desenvolvido para comparar seu desempenho.
parâmetros com os extraídos pelo SCADA. O estudo empregou a ferramenta detalhada SIMAP para diagnóstico e manutenção de processos aplicados ao
monitoramento da integridade da caixa de engrenagens de turbinas eólicas em [109].
Feng et ai. [104] usaram a temperatura do óleo do SCADA para monitorar e detectar falhas na caixa de engrenagens. Zhang et ai. [105] usou Artificial
Redes Neurais (ANN) para montar um sistema de análise de dados SCADA com base na detecção de falhas do rolamento da caixa de engrenagens com base em seu
dados de temperatura.
Álvarez et ai. [108] usaram 10 min de dados registrados do SCADA de potência e velocidade do rotor para reconstruir a distribuição do torque instantâneo. Isso
resultou em uma melhoria drástica na previsão de vida útil restante da turbina eólica
caixa de engrenagens, em comparação com um método mais antigo que desconsidera as flutuações de torque na faixa de 10 min aplicado em [106,107].
8. Discussão e conclusão
O monitoramento da condição de turbinas eólicas é um campo em evolução. Operadores, pesquisadores e nações estão altamente focados em
melhorando a eficiência das turbinas eólicas como um substituto confiável para as velhas usinas elétricas baseadas em combustíveis fósseis poluentes ou usinas
nucleares perigosas. Para alcançar um sistema eficiente, é vital aumentar a expectativa de vida de cada componente.
As caixas de engrenagens causam grande parte do tempo de inatividade das turbinas eólicas quando ocorre uma falha. O monitoramento da condição das caixas de engrenagens pode
ser feito através de numerosas e variadas abordagens e técnicas. Análise de lubrificação ainda é a mais difícil de ser aplicada
uma vez que se baseia na análise de amostras de óleo ou sistemas sensoriais. A análise da amostra de óleo é feita offline e pode detectar falhas quando
é muito tarde. Além disso, os sistemas sensoriais para detecção de detritos são caros e requerem manutenção. Por outro lado, vários
os parâmetros do lubrificante podem ser indicadores de degradação do lubrificante (viscosidade, umidade, etc.) ou falha do componente (detritos). O desafio na
análise de lubrificação se resume a parâmetros monitorados bem escolhidos e ao conjunto de sensores a serem
instalado responsável por monitorar esses parâmetros.
A análise de Emissão Acústica tem sido empregada em todos os sistemas rotativos mecânicos. É capaz de detectar falhas e
ultimamente localizando-os. Como a análise AE lida com sinais de alta frequência, vê-se que as técnicas de processamento de sinal
são usados para extrair características de sinal para detecção de falha na caixa de engrenagens em turbinas eólicas. O principal desafio importante e tedioso
ao usar AE reside no isolamento de ruídos. A interferência de ruídos internos e externos de fundo pode renderizar o sinal
análise inútil para detecção de características de falha.
A análise de vibração ainda é a abordagem mais utilizada. Surgiu com o surgimento da era industrial enquanto os sistemas sensoriais
foram desenvolvidos em paralelo para atender aos requisitos. Aplicar esses sistemas sensoriais a turbinas eólicas não foi tão difícil
até encontrar questões muito vitais. Espera-se que as turbinas eólicas durem cerca de 20 anos (como sistema ou componente). As expectativas não foram atendidas,
enquanto os sistemas sensoriais falharam sozinhos em muitas ocasiões para detectar falhas. Muitas técnicas,
métodos de processamento e algoritmos foram adicionados para aumentar a capacidade de detecção de falhas. Pode-se mencionar que o Teager-Kaiser
Operador de energia (TKEO), Estimativa de Parâmetros de Sinal via Técnica Invariante Rotacional (ESPRIT) e os métodos baseados em Time Synchronous
Averaging (TSA) destacam-se como métodos muito promissores na detecção de falhas em caixas de câmbio. É fundamental que
o trabalho é realizado para aumentar a precisão desses métodos.
A análise elétrica é um método recente, moderno e não intrusivo para detecção de falhas. Ele está sendo usado para detecção de falhas de diferentes
componentes mecânicos (rolamentos, eixos e caixas de engrenagens) e para detecção de falhas do gerador. No entanto, sua desvantagem
reside na incapacidade de localizar falhas, ainda. Pesquisas recentes no campo da caixa de engrenagens mostram muitas promessas para a detecção de falhas.
Um grande trabalho é necessário para levar a análise elétrica ao próximo nível de localização de falhas, uma vez que sua aplicação inutilizará os sistemas sensoriais
e reduzirá os custos de projeto, instalação, operação e manutenção. MCSA é uma abordagem muito promissora
para monitoramento de condição. No entanto, está sendo aplicado principalmente para detecção de falhas em geradores, e as técnicas desenvolvidas
tornaram-se muito eficientes nos últimos anos na detecção de falhas em geradores. Tornou-se vital projetar as técnicas e
métodos usados na detecção de falhas do gerador com base na análise de corrente, para monitorar o comportamento de diferentes componentes mecânicos
e especialmente caixa de velocidades. É claro que os pesquisadores estão focando principalmente em estudos de ambientes não estacionários. O estacionário
cenário já foi extensivamente estudado usando as técnicas tradicionais de análise de frequência. No entanto, imitando
o ambiente operacional real de turbinas eólicas só pode ser feito através de cenários não estacionários onde os transientes
em perfis de vento são alimentados com precisão para todo o sistema.
Os sistemas SCADA estão ganhando interesse crescente, pois dependem de análise baseada em dados e redes neurais. Aplicações recentes mostram resultados
avançados, enquanto o recurso superior do SCADA é sua capacidade de coletar grande quantidade de dados de vários parâmetros (velocidade do vento, direção do
vento, temperatura do componente, temperatura do lubrificante, velocidade e potência de saída, etc.).
No entanto, esse recurso é seu ponto fraco, pois essa grande quantidade de dados requer técnicas de processamento poderosas e eficazes.
A aplicação do SCADA está dividindo o período de monitoramento em 10 minutos de intervalo de análise de dados para reduzir a quantidade de dados
analisados.
O monitoramento da condição de caixas de engrenagens em turbinas eólicas enfrenta vários desafios. Eles começam escolhendo a abordagem de
monitoramento de condição mais conveniente. Todas as abordagens precisam de técnicas de acompanhamento para processamento e análise. Com
este vasto número de técnicas nenhuma é capaz de determinar a mais precisa e eficaz. Técnicas avançadas recentes têm um futuro muito promissor
em processos de monitoramento de condições, conforme mencionado anteriormente. No entanto, quanto mais avançada a técnica, mais complexa ela
se torna [110]. O que levanta a questão da facilidade de uso e da velocidade de processamento, já que os operadores lidam com grandes quantidades
de dados. Sistemas como o SCADA estão enfrentando esse desafio e falsos alarmes de falha e diagnósticos incorretos estão sendo encontrados.
Além disso, os procedimentos de monitoramento de condição são realizados a partir de estações centrais distantes, onde os dados coletados são
adquiridos sem fio. Portanto, as falhas devem ser previstas antecipadamente em um tempo razoável, uma vez que o planejamento da inspeção e
manutenção do sistema requer uma quantidade razoável de tempo. Assim, os sistemas de monitoramento de condições devem ser capazes de, no
futuro, prever falhas, planejar o período de manutenção de forma a reduzir ao máximo o tempo de inatividade da turbina eólica e, ao mesmo tempo,
manter o monitoramento do sistema. Para isso, os sistemas de monitoramento de condições precisam ter dados históricos disponíveis por várias
semanas, ou mesmo meses, para poder definir os alarmes corretos para manutenção preventiva.
No final, os sistemas de monitoramento de condições estão enfrentando a questão da taxa de custo/retorno. Quanto mais complexo for o sistema
de monitoramento de condições, mais caro custará aos operadores e, com a instalação de grandes parques eólicos, vários sistemas devem ser usados.
O impacto de custo e os benefícios financeiros dos sistemas de monitoramento de condições devem ser investigados a fim de avaliar se a instalação
desses sistemas teve ou não o impacto pretendido. Um estudo de caso real foi realizado na Alemanha sobre o ciclo de vida do monitoramento de
condições e os resultados após 7 anos de operação indicaram uma taxa de retorno anual de 1% [111].
Como as turbinas eólicas possuem vários componentes nos quais as mesmas abordagens podem ser aplicadas para detecção e análise de falhas
(rolamentos, caixa de engrenagens, eixo de acionamento, gerador, etc.), pesquisas futuras devem levar em consideração a aplicação de outros
métodos avançados aplicados a outros componentes. Outros métodos e técnicas de monitoramento de condições foram encontrados em [112-117] ,
incluindo detecção de falhas de rolamentos, eixo de acionamento, gerador, etc.
Referências
[1] S. Sawyer, K. Rave, Relatório Global de Vento. Atualização Anual do Mercado 2014, Conselho Global de Energia Eólica GWEC.
[2] S. Sawyer, K. Rave, Relatório Global de Vento. Atualização Anual do Mercado 2015, Conselho Global de Energia Eólica GWEC.
[3] N. Aloys, M. Ariola, Wind in Power 2016 European Statistics, Wind Europe.
[4] B. Hahn, M. Durstewitz, K. Rohrig, Confiabilidade de turbinas eólicas, Wind Energy (2007) 329–332.
[5] F. Spinato, PJ Tavner, G. Van Bussel, E. Koutoulakos, Confiabilidade de subconjuntos de turbinas eólicas, IET Renew. Gerador de energia 3(4) (2009) 387–401.
[6] R. Isermann, Fault-diagnosis Systems: An Introduction from Fault Detection to Fault Tolerance, Springer Science & Business Media, 2006.
[7] RB Randall, Vibration-based Condition Monitoring: Industrial, Aerospace and Automotive Applications, John Wiley & Sons, 2011.
[8] AR Mohanty, Machinery Condition Monitoring Principles and Practices, CRS Press, Taylor & Francis Group, 2015.
[9] J. Igba, K. Alemzadeh, K. Henningsen, C. Durugbo, Efeito dos intervalos de manutenção preventiva na confiabilidade e nos custos de manutenção da turbina eólica
caixas de velocidades, Wind Energy 18 (11) (2015) 2013–2024.
[10] S. Braun, Mechanical Signature Analysis: Theory and Applications, Academic Pr, 1986.
[11] MH Marzebali, SH Kia, H. Henao, G.-A. Capolino, J. Faiz, Efeitos da vibração torcional da caixa de engrenagens planetárias em geradores elétricos de indução com rotor bobinado
assinaturas, IEEE Trans. Ind. Appl. 52 (6) (2016) 4770–4780.
[12] B. Jakoby, MJ Vellekoop, sensores físicos para emulsões água-em-óleo, Sens. Actuat. R: Física. 110 (1) (2004) 28–32.
[13] JD Halderman, CD Mitchell, Tecnologia Automotiva, Pearson, 2014.
[14] J. Turner, L. Austin, técnicas elétricas para monitorar a condição do óleo lubrificante, Meas. ciência Tecnol. 14 (10) (2003) 1794.
[15] S.-I. Lua, K.-K. Paek, Y.-H. Lee, J.-K. Kim, S.-W. Kim, B.-K. Ju, sensor de nanotubo de carbono multiparede para monitorar a degradação do óleo do motor, Electrochem.
Lett de estado sólido. 9 (8) (2006) H78–H80.
[16] A. Basu, A. Berndorfer, C. Buelna, J. Campbell, K. Ismail, Y. Lin, L. Rodriguez, SS Wang, Smart Sensing of Oil Degradation and Oil Level Measurements in
Motores a gasolina, tecnologia. Rep., SAE Technical Paper, 2000.
[17] SS Wang, H.-S. Lee, O desenvolvimento de sensores eletroquímicos de condição de óleo in situ, Sens. Actuat. B: Quím. 17 (3) (1994) 179-185.
[18] S. Raadnui, S. Kleesuwan, Sensor de monitoramento de condição de baixo custo para análise de óleo usado, Wear 259 (7) (2005) 1502–1506.
[19] A. Agoston, C. Ötsch, B. Jakoby, Sensores de viscosidade para monitoramento da condição do óleo do motor – aplicação e interpretação dos resultados, Sens. Actuat. R: Física.
121 (2) (2005) 327–332.
[20] CS Byington, NA Mackos, G. Argenna, A. Palladino, J. Reimann, J. Schmitigal, Aplicação da Regressão Simbólica aos Dados de Espectroscopia de Impedância Eletroquímica para Avaliação da
Saúde do Óleo Lubrificante, Tech. Representante, Centro de Engenharia e Desenvolvimento de Pesquisa Automotiva de Tanques do Exército Warren MI, 2012.
[21] S. Sheng, Monitoramento da condição da caixa de engrenagens de turbinas eólicas através da análise de óleo e detritos de desgaste: uma perspectiva de teste em escala real, Tribol. Trans. 59 (1)
(2016) 149-162.
[22] J. Zhu, D. He, E. Bechhoefer, Levantamento de técnicas e sistemas de monitoramento de condição de óleo de lubrificação, diagnósticos e prognósticos, J. Chem. ciência Tecnol.
2 (3) (2013) 100–115.
[23] P. Sanchez, D. Mendizabal, K. Gonzalez, C. Zamarreño, M. Hernaez, I. Matias, F. Arregui, Detecção da degradação da caixa de engrenagens do lubrificante de turbinas eólicas por
meio de um refratômetro de fibra óptica baseado em ressonância de modo com perdas, Microsyst. Tecnol. 22 (7) (2016) 1619–1625.
[24] J. Zhu, JM Yoon, D. He, E. Bechhoefer, monitoramento on-line da condição do óleo lubrificante contaminado por partículas e previsão de vida útil restante para o vento
turbinas, Wind Energy 18 (6) (2015) 1131–1149.
[25] J. Zhu, JM Yoon, D. He, Y. Qu, E. Bechhoefer, Monitoramento da condição do óleo lubrificante e previsão de vida útil remanescente com filtragem de partículas, Int. j.
Prog. Gerir Saúde. 4 (2013) 124-138.
[26] R. Dupuis, Aplicação do monitoramento de detritos de óleo para prognósticos e gerenciamento de integridade de caixas de engrenagens de turbinas eólicas, em: Conferência Anual da
Prognostics and Health Management Society, 2010, p. 10.
[27] D. Coronado, C. Kupferschmidt, Avaliação e validação de sistemas de sensor de óleo para monitoramento on-line da condição do óleo de caixas de engrenagens de turbinas eólicas, Proc.
Tecnol. 15 (2014) 747–754.
[28] AL Rogers, JF Manwell, S. Wright, Ruído Acústico de Turbina Eólica, Laboratório de Pesquisa de Energia Renovável, Universidade de Massachusetts em Amherst.
[29] Z. Stamboliska, E. Rusin' ski, P. Moczko, Monitoramento proativo de condições de máquinas de baixa velocidade, em: Monitoramento proativo de condições de baixa velocidade
Machines, Springer, 2015, pp. 53–68.
[30] D. Mba, RB Rao, Desenvolvimento de tecnologia de emissão acústica para monitoramento de condição e diagnóstico de máquinas rotativas; rolamentos, bombas, caixas de engrenagens, motores e
estruturas rotativas.
[31] T. Loutas, J. Kalaitzoglou, G. Sotiriades, E. Kayias, V. Kostopoulus, Diagnóstico de defeitos de engrenagem artificial em caixa de engrenagens de estágio único usando emissão acústica, Pesquisa de
materiais avançados, 13, Trans Tech Publ, 2006, pp. 415–420.
[32] T. Loutas, G. Sotiriades, I. Kalaitzoglou, V. Kostopoulos, Monitoramento da condição de uma caixa de engrenagens de estágio único com trincas de engrenagens induzidas artificialmente utilizando
medições on-line de vibração e emissão acústica, Appl. Acústico. 70 (9) (2009) 1148–1159.
[33] XB Wei, W. Zheng, R. Lin, Projeto de sistema baseado em labview de medição de ruído na caixa de engrenagens, Advanced Materials Research, vol. 328, Trans Tech
Publ , 2011 , pp . 2167–2171.
[34] Y. Qu, E. Bechhoefer, D. He, J. Zhu, Uma nova abordagem de detecção de falha de engrenagem baseada em sensor de emissão acústica, Int. J. Prog. Gerir Saúde. 4 (2) (2012) 32–45.
[35] C. Li, R.-V. Sanchez, G. Zurita, M. Cerrada, D. Cabrera, RE Vásquez, Diagnóstico de falha da caixa de engrenagens baseado na fusão de floresta aleatória profunda de sinais acústicos e vibratórios,
Mech. Sist. Sinal. Processo. 76 (2016) 283–293.
[36] Y. Qu, D. He, J. Yoon, B. Van Hecke, E. Bechhoefer, J. Zhu, diagnóstico de falha de corte de dente da caixa de engrenagens usando sensores de emissão acústica e vibração - um
estudo comparativo, Sensors 14 (1) (2014) 1372–1393.
[37] F. Elasha, M. Greaves, D. Mba, D. Fang, Um estudo comparativo da eficácia da vibração e emissão acústica no diagnóstico de um rolamento defeituoso em
uma caixa de engrenagem planetária, Appl. Acústico. 115 (2017) 181–195.
[38] Y. Zhang, W. Lu, F. Chu, Localização de falhas de engrenagens planetárias para caixas de engrenagens de turbinas eólicas usando sinais de emissão acústica, Renew. Energia 109 (2017) 449–460.
[39] L. Wang, X. Zhang, Q. Miao, Compreendendo teorias e métodos de diagnóstico de falhas para detecção de múltiplas falhas de engrenagens planetárias, em: Prognósticos e
Conferência de gerenciamento de integridade do sistema (PHM-Chengdu), 2016, IEEE, 2016, pp. 1–8.
[40] JBJ Baron Fourier, The Analytical Theory of Heat, The University Press, 1878.
[41] J. Allen, análise espectral de curto prazo, síntese e modificação por transformada discreta de Fourier, IEEE Trans. Acústico. Processo de Sinal de Fala. 25 (3)
(1977) 235-238.
[42] TA Classen, A distribuição de Wigner – uma ferramenta para análise de sinal de frequência de tempo, Parte II: Sinais de tempo discreto, Philips J. Res. (1980).
[43] A. Bruns, análise de sinal baseada em Fourier, Hilbert e wavelet: são abordagens realmente diferentes?, J Neurosci. Métodos 137 (2) (2004) 321–332.
[44] NE Huang, Z. Shen, SR Long, MC Wu, HH Shih, Q. Zheng, N.-C. Yen, CC Tung, HH Liu, A decomposição do modo empírico e o espectro de Hilbert para análise de séries temporais não lineares e não
estacionárias, em: Proceedings of the Royal Society of London A: Mathematical, Physical and Engineering Sciences, vol. 454, The Royal Society, 1998, pp. 903–995.
[45] C. Cortes, V. Vapnik, Redes de vetores de suporte, Mach. Aprender. 20 (3) (1995) 273–297.
[46] P. McFadden, J. Smith, Uma técnica de processamento de sinal para detectar defeitos locais em uma engrenagem a partir da média do sinal da vibração, Proc. Inst. Mec. Eng.
Parte C: J. Mech. Eng. ciência 199 (4) (1985) 287-292.
[47] P. McFadden, Detectando trincas de fadiga em engrenagens por demodulação de amplitude e fase da vibração de malha, J. Vib. Acústico. Stress Reliab. Des. 108
(2) (1986) 165–170.
[48] P. McFadden, Exame de uma técnica para detecção precoce de falha em engrenagens por processamento de sinal da média no domínio do tempo da malha
vibração, Mec. Sist. Sinal. Processo. 1 (2) (1987) 173-183.
[49] P. McFadden, Uma técnica para calcular as médias no domínio do tempo da vibração das engrenagens planetárias individuais e da engrenagem solar em um epiciclo
caixa de velocidades, J. Sound Vib. 144 (1) (1991) 163–172.
[50] D. Yu, Y. Yang, J. Cheng, Aplicação do método de entropia tempo-frequência baseado na transformação de Hilbert-Huang para diagnóstico de falha de engrenagem, Medição 40
(9) (2007) 823–830.
[51] X. Fan, MJ Zuo, Detecção de falha da caixa de engrenagens usando Hilbert e transformada de pacote wavelet, Mech. Sist. Sinal. Processo. 20 (4) (2006) 966–982.
[52] M. Feldman, transformação de Hilbert em análise de vibração, Mech. Sist. Sinal. Processo. 25 (3) (2011) 735-802.
[53] WJ Staszewski, K. Worden, GR Tomlinson, Análise de tempo-frequência na detecção de falhas em caixas de câmbio usando a distribuição e padrão de Wigner-Ville
reconhecimento, Mec. Sist. Sinal. Processo. 11 (5) (1997) 673-692.
[54] JD Smith, Gears and Their Vibration: A Basic Approach to Understanding Gear Noise, Marcel Dekker, Inc, 270 Madison Ave, New York, NY 10016,
1983. 170.
[55] JJ Zakrajsek, uma investigação de técnicas de previsão de falha de malha de engrenagem, Tech. Representante, Administração Nacional de Aeronáutica e Espaço Cleveland OH
Lewis Research Center, 1989.
[56] S. Loutridis, Detecção de danos em sistemas de engrenagens usando decomposição de modo empírico, Eng. Estrutura. 26 (12) (2004) 1833–1841.
[57] B. Liu, S. Riemenschneider, Y. Xu, Diagnóstico de falha da caixa de engrenagens usando decomposição empírica do modo e espectro de Hilbert, Mech. Sist. Sinal. Processo. 20 (3)
(2006) 718–734.
[58] J. Cheng, D. Yu, J. Tang, Y. Yang, Aplicação do método de separação de família de frequência baseado em EMD e método de espectro de energia de Hilbert local para diagnóstico de falha de
engrenagem, Mech. Mach. Teoria 43 (6) (2008) 712–723.
[59] W. Teng, F. Wang, K. Zhang, Y. Liu, X. Ding, Detecção de falha por pitting de uma caixa de engrenagens de turbina eólica usando decomposição em modo empírico, Strojniški vestnik – J. Mech. Eng. 60
(1) (2014) 12–20.
[60] A. Rojas, AK Nandi, Esquema prático para detecção rápida e classificação de falhas em rolamentos de elementos rolantes usando máquinas de vetores de suporte, Mech. Sist.
Sinal. Processo. 20 (7) (2006) 1523–1536.
[61] LMR Baccarini, VVR e Silva, BR De Menezes, WM Caminhas, SVM aplicação industrial prática para diagnóstico de falhas mecânicas, Expert Syst.
Appl. 38 (6) (2011) 6980–6984.
[62] N. Laouti, N. Sheibat-Othman, S. Othman, Máquinas vetoriais de suporte para detecção de falhas em turbinas eólicas, IFAC Proc. Vol. 44 (1) (2011) 7067–7072.
[63] T. Barszcz, RB Randall, Aplicação de curtose espectral para detecção de uma trinca de dente na engrenagem planetária de uma turbina eólica, Mech. Sist. Sinal. Processo.
23 (4) (2009) 1352–1365.
[64] T. Kidar, M. Thomas, M. Elbadaoui, R. Guilbault, Aplicação de descritores de tempo à transformada de Hilbert modificada da decomposição do modo empírico para detecção precoce de defeitos de
engrenagens, em: Monitoramento de condições de máquinas em operações não estacionárias , Springer, 2012, pp. 471–479.
[65] Z. Feng, M. Liang, Y. Zhang, S. Hou, Diagnóstico de falhas para caixas de engrenagens planetárias de turbinas eólicas via análise de demodulação baseada em conjunto empírico
modo de decomposição e separação de energia, Renovar. Energia 47 (2012) 112–126.
[66] J. Dybala, A. Galkezia, Um novo método de monitoramento de vibração da saúde da caixa de engrenagens usando decomposição de modo empírico, em: Advances in Condition
Monitoramento de máquinas em operações não estacionárias, Springer, 2014, pp. 225–234.
[67] Z. Feng, M. Liang, Diagnóstico de falhas da caixa de engrenagens planetárias de turbinas eólicas em condições não estacionárias por meio de análise de frequência de tempo de núcleo ideal adaptativo,
Renew. Energia 66 (2014) 468–477.
[68] I. Antoniadou, G. Manson, W. Staszewski, T. Barszcz, K. Worden, Uma abordagem de análise tempo-frequência para monitoramento da condição de uma turbina eólica
caixa de engrenagens sob condições de carga variáveis, Mech. Sist. Sinal. Processo. 64 (2015) 188–216.
[69] J. Urbanek, M. Straczkiewicz, T. Barszcz, Representação conjunta de potência e velocidade de características de vibração. aplicação à caixa de engrenagens planetárias de turbinas eólicas, em:
Advances in Condition Monitoring of Machinery in Non-Stationary Operations, Springer, 2014, pp. 197–205.
[70] T. Kidar, M. Thomas, M. Elbadaoui, R. Guilbault, Monitoramento de fase por esprit com janela deslizante e transformada de Hilbert para detecção precoce de equipamentos
cracks, em: Advances in Condition Monitoring of Machinery in Non-Stationary Operations, Springer, 2014, pp. 287–299.
[71] Z. Feng, X. Chen, M. Liang, Transformada de sincronização generalizada iterativa para diagnóstico de falhas da caixa de engrenagens planetárias de turbinas eólicas sob condições não estacionárias,
Mech. Sist. Sinal. Processo. 52 (2015) 360–375.
[72] EJ Diehl, J. Tang, Modelagem preditiva de uma caixa de engrenagens de dois estágios para detecção de falhas, Shock Vib. 2016 (2016) 13, ID do artigo 9638325.
[73] JM Ha, BD Youn, H. Oh, B. Han, Y. Jung, J. Park, média síncrona de tempo baseada em autocorrelação para monitoramento de condição de caixas de engrenagens planetárias em turbinas
eólicas, Mech. Sist. Sinal. Processo. 70 (2016) 161–175.
[74] V. Sharma, A. Parey, Detecção de trincas de engrenagens usando TSA modificado e indicadores de falha propostos para condições de velocidade flutuante, Medição 90 (2016)
560–575.
[75] Z. Feng, S. Qin, M. Liang, Análise de tempo-frequência baseada no filtro Vold-Kalman e separação de energia de ordem superior para diagnóstico de falhas em turbinas eólicas
redutor planetário em condições não estacionárias, Renovar. Energia 85 (2016) 45–56.
[76] X. Chen, Z. Feng, Reatribuição iterativa generalizada de tempo-frequência para diagnóstico de falha da caixa de engrenagens planetária em condições não estacionárias, Mech. Sist.
Sinal. Processo. 80 (2016) 429–444.
[77] Z. Li, X. Yan, X. Wang, Z. Peng, Detecção de trincas de engrenagens em uma caixa de engrenagens complexa de turbinas eólicas usando análise supervisionada de componentes limitados de
sinais de vibração coletados de sensores multicanal, J. Sound Vib. 371 (2016) 406–433.
[78] RR de la Hermosa González et al, Reconhecimento de padrões baseados em som e vibração para mecanismos de acionamento de turbinas eólicas, Renew. Energia 109 (2017)
262–274.
[79] A. Ziaja, T. Barszcz, W. Staszewski, processamento de sinal baseado em Fractal para detecção de falhas em rolamentos de esferas, em: Monitoramento de condições de máquinas em operações
não estacionárias, 2012, pp. 385–392.
[80] D. Li, W. Zhou, X. Zheng, X. Ge, S. Lin, Diagnóstico de falha da caixa de engrenagens da turbina eólica baseado em EEMD e teoria fractal, em: 11ª Conferência IEEE de Eletrônica Industrial e
Aplicações (ICIEA) de 2016, IEEE, 2016, pp. 952–956.
[81] PB Dao, WJ Staszewski, T. Barszcz, T. Uhl, Monitoramento de condições e detecção de falhas em turbinas eólicas com base na análise de cointegração de dados SCADA,
Renovar. Energia 116 (2018) 107–122.
[82] H. Zhao, H. Liu, H. Ren, H. Liu, O monitoramento da condição da caixa de engrenagens da turbina eólica baseada na cointegração, em: 2016 IEEE International Conference on
Power System Technology (POWERCON), IEEE, 2016, pp. 1–6.
[83] L. Hong, Y. Qu, JS Dhupia, S. Sheng, Y. Tan, Z. Zhou, Um novo algoritmo de diagnóstico de falha baseado em vibração para caixas de engrenagens sob flutuações de velocidade sem
medição de velocidade de rotação, Mech. Sist. Sinal. Processo. 94 (2017) 14–32.
[84] N. Bouguerriou, M. Haritopoulos, C. Capdessus, L. Allam, Novo algoritmo de separação de fonte cega baseado em cicloestacionariedade usando propriedades estatísticas de segunda ordem:
teoria e aplicação ao diagnóstico de defeitos de rolamento, Mech. Sist. Sinal. Processo. 19 (6) (2005) 1260–1281.
[85] W. Zhou, D. Chelidze, Identificação do modo de vibração baseado na separação de fonte cega, Mech. Sist. Sinal. Processo. 21 (8) (2007) 3072–3087.
[86] C.-Z. Hu, Q. Yang, Y. Wenjung, Análise de componentes esparsos baseada em separação de fonte cega subdeterminada para extração de características de falha de rolamento na caixa de
engrenagens de turbinas eólicas, IET Renew. Gerador de energia. 11 (3) (2016) 330–337, IET.
[87] RR Schoen, TG Habetler, F. Kamran, R. Bartfield, Detecção de dano de rolamento do motor usando monitoramento de corrente do estator, IEEE Trans. Ind. Appl. 31 (6)
(1995) 1274–1279.
[88] D.-F. Lin, P.-H. Chen, M. Williams, Medição e análise de sinais de corrente para reconhecimento de falha de caixa de engrenagens de turbinas eólicas, Meas. ciência Rev. 13 (2)
(2013) 89–93.
[89] A. Mohanty, C. Kar, Detecção de falha em uma caixa de engrenagens multiestágio por demodulação da forma de onda da corrente do motor, IEEE Trans. Ind. Elétron. 53 (4) (2006)
1285–1297.
[90] HD Ardakani, Z. Liu, J. Lee, I. Bravo-Imaz, A. Arnaiz, Análise de assinatura de corrente do motor para diagnóstico de falha da caixa de engrenagens em regimes de velocidade transiente, em: 2015
IEEE Conference on Prognostics and Health Management (PHM), IEEE, 2015, pp. 1–6.
[91] ML Masmoudi, E. Etien, S. Moreau, A. Sakout, Amplificação de assinaturas de falhas mecânicas únicas usando observador PMSM adaptativo completo, IEEE Trans. Ind.
Elétron. 64 (1) (2017) 615–623.
[92] D. Lu, W. Qiao, X. Gong, Detecção de falha de engrenagem baseada em corrente para caixas de engrenagens de turbinas eólicas, IEEE Trans. Sustentar. Energia 8 (4) (2017) 1453–1462, IEEE.
[93] I. Bravo-Imaz, HD Ardakani, Z. Liu, A. García-Arribas, A. Arnaiz, J. Lee, Análise de assinatura de corrente de motor para monitoramento de condição de caixa de câmbio sob velocidades transitórias
usando análise wavelet e sincronismo de tempo de nível duplo média, Mec. Sist. Sinal. Processo. 94 (2017) 73–84.
[94] Y. Gritli, A. Stefani, C. Rossi, F. Filippetti, A. Chatti, Validação experimental do diagnóstico de falhas elétricas em máquinas de indução duplamente alimentadas sob condições variáveis no tempo,
Electr. Sistema de energia Res. 81 (3) (2011) 751–766.
[95] S. Djurovic, C. Crabtree, P. Tavner, A. Smith, Monitoramento de condições de geradores de indução de turbinas eólicas com assimetria elétrica de rotor, IET Renew.
Gerador de energia. 6 (4) (2012) 207–216.
[96] VF Pires, M. Kadivonga, J. Martins, A. Pires, Análise da assinatura quadrada da corrente do motor para diagnóstico do rotor do motor de indução, Medição 46 (2) (2013)
942–948.
[97] P. Gangsar, R. Tiwari, Investigação comparativa de vibração e monitoramento de corrente para previsão de falhas mecânicas e elétricas em motores de indução com base em algoritmos de
máquina de vetor de suporte multiclasse, Mech. Sist. Sinal. Processo. 94 (2017) 464-481.
[98] A. Roque, J. Calado, J. Ruiz, Análise de vibração versus análise de assinatura de corrente, IFAC Proc. Vol. 45 (20) (2012) 794-799.
[99] MR Mehrjou, N. Mariun, MH Marhaban, N. Misron, técnicas de monitoramento de condição de falha do rotor para máquina de indução gaiola de esquilo - uma revisão,
Mec. Sist. Sinal. Processo. 25 (8) (2011) 2827–2848.
[100] J. Cibulka, MK Ebbesen, G. Hovland, KG Robbersmyr, MR Hansen, Uma revisão sobre abordagens para manutenção baseada em condições em aplicações com
máquinas de indução localizadas offshore, Modelo. Ident. Contr. 33 (2) (2012) 69.
[101] A. Verma, A. Kusiak, monitoramento de falhas de escovas de geradores de turbinas eólicas: uma abordagem de mineração de dados, J. Sol. Eng. de Energia 134 (2) (2012) 021001.
[102] A. Zaher, S. McArthur, Um sistema de detecção de falhas multiagente para reconhecimento e diagnóstico de defeitos em turbinas eólicas, em: Power Tech, 2007 IEEE Lausanne,
IEEE, 2007, pp. 22–27.
[103] A. Zaher, S. McArthur, D. Infield, Y. Patel, Detecção online de falhas em turbinas eólicas por meio de análise automatizada de dados SCADA, Wind Energy 12 (6) (2009)
574-593.
[104] Y. Feng, Y. Qiu, CJ Crabtree, H. Long, PJ Tavner, Monitoramento de caixas de engrenagens de turbinas eólicas, Wind Energy 16 (5) (2013) 728–740.
[105] Z.-Y. Zhang, K.-S. Wang, Detecção de falhas em turbinas eólicas com base na análise de dados SCADA usando ann, Adv. Manuf. 2 (1) (2014) 70–78.
[106] CS Gray, SJ Watson, Física da abordagem de falha para manutenção baseada em condições de turbinas eólicas, Wind Energy 13 (5) (2010) 395–405.
[107] I. Al-Tubi, H. Long, P. Tavner, B. Shaw, J. Zhang, Análise probabilística do risco de micro-pitting no flanco da engrenagem na caixa de engrenagens da turbina eólica usando controle supervisório
e dados de aquisição de dados, IET Renew. Gerador de energia. 9 (6) (2015) 610–617.
[108] EJ Alvarez, AP Ribaric, Um método de precisão aprimorada para análise de carga de fadiga da caixa de engrenagens de turbinas eólicas com base em SCADA, Renew. Energia 115 (2018)
391–399.
[109] MC Garcia, MA Sanz-Bobi, J. del Pico, SIMAP: sistema inteligente para manutenção preditiva: aplicação ao monitoramento do estado de saúde de um
caixa de engrenagens da turbina eólica, Comput. Ind. 57 (6) (2006) 552–568.
[110] W. Yang, PJ Tavner, CJ Crabtree, Y. Feng, Y. Qiu, Monitoramento da condição da turbina eólica: desafios técnicos e comerciais, Energia Eólica 17 (5)
(2014) 673–693.
[111] JMP Pérez, ES Asensio, FPG Márquez, Economic Viability Analytics for Wind Energy Management Management, in: Advanced Business Analytics,
Springer, 2015, pp. 39–54.
[112] Y. Amirat, M. Benbouzid, B. Bensaker, R. Wamkeue, Monitoramento de condições e diagnóstico de falhas em sistemas de conversão de energia eólica: uma revisão, IEEE
Conferência Internacional de Máquinas Elétricas e Acionamentos, 2007, IEMDC'07, vol. 2, IEEE, 2007, pp. 1434–1439.
[113] Z. Daneshi-Far, G. Capolino, H. Henao, Revisão de falhas e monitoramento de condições em geradores de turbinas eólicas, em: 2010 XIX Conferência Internacional
em Máquinas Elétricas (ICEM), IEEE, 2010, pp. 1–6.
[114] T. Fakhfakh, W. Bartelmus, F. Chaari, R. Zimroz, M. Haddar, Monitoramento de condições de máquinas em operações não estacionárias, em: Proceedings of the
Segunda Conferência Internacional Monitoramento da Condição de Máquinas em Operações Não Estacionárias CMMNO2012, Springer, 2012, p. 620.
[115] G. Dalpiaz, R. Rubini, G. DElia, M. Cocconcelli, F. Chaari, R. Zimroz, W. Bartelmus, M. Haddar, Avanços no monitoramento da condição de máquinas em operações
não estacionárias, em: Proceedings of a Terceira Conferência Internacional sobre Monitoramento de Condição de Máquinas em Operações Não Estacionárias
CMMNO, Springer, 2013, p. 709.
[116] F. Chaari, R. Zimroz, W. Bartelmus, M. Haddar, Avanços no monitoramento de condições de máquinas em operações não estacionárias, em: Proceedings of the
Quarta Conferência Internacional sobre Monitoramento de Condição de Máquinas em Operações Não Estacionárias, Lyon, França, vol. 1517, Springer, 2014, p. 314.
[117] HDM de Azevedo, AM Araújo, N. Bouchonneau, Uma revisão do monitoramento da condição de mancais de turbinas eólicas: estado da arte e desafios, Renew.
Sustentar. Energia Rev. 56 (2016) 368–379.

Sistemas Mecânicos e Processamento de Sinais

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Sistemas Mecânicos e Processamento de Sinais

Enviado por

Direitos autorais:

Formatos disponíveis

Machine Translated by Google

Sistemas Mecânicos e Processamento de Sinais 111 (2018) 251–264

Listas de conteúdos disponíveis em ScienceDirect

Sistemas Mecânicos e Processamento de Sinais

página inicial da revista: www.elsevier.com/locate/ymssp

informações do artigo abstrato

1. Introdução 2. ............................................................................................ 252

Endereços de e-mail: jacksalameh@live.com, jack.salameh@univ-poitiers.fr (JP Salameh).

2. Processo e abordagens de monitoramento de condições

1. Prevenção de quebra prematura com manutenção antecipada e proteção de componentes.

4. Monitoramento da condição de Emissão Acústica (AE)

Referência Tipo de sensor Parâmetro medido

[12] Sensor de umidade Porcentagem de água no lubrificante

[19] Sensor de viscosidade Viscosidade cinemática

[33] Sistema de monitoramento de caixa de engrenagens on-line baseado em LabView

[34] Técnica Heterodyne com Time Synchronous Averaging (TSA) e Curtose

Técnica Prós Contras

1. Recuperação efetiva de fontes intimamente correlacionadas contaminadas com ruído pesado 2.

6. Análise de assinatura atual da máquina (MCSA)

7. Controle de Supervisão e Aquisição de Dados (SCADA)

[94] Pré-processamento deslizante de frequência atual e DWT

Você também pode gostar