Dados do Trabalhos de Conclusão

CENTRO FEDERAL DE EDUCAÇÃO TECN. CELSO SUCKOW DA FONSECA
CIÊNCIA DA COMPUTAÇÃO (31022014009P5)
Detecção de Anomalias em Turbinas Eólicas utilizando Modelos baseados em Dados 
FERNANDO PEREIRA GONCALVES DE SA
DISSERTAÇÃO
04/12/2020

Nos últimos anos, a energia eólica tornou-se tendência na substituição da matriz energética baseada em recursos não-renováveis. A produção dessa energia limpa é realizada pela turbina eólica, cuja operação reúne diferentes componentes que atuam na conversão da energia cinética do vento em energia elétrica. Contudo, a turbina eólica é uma máquina complexa de custo elevado, constantemente submetida a diferentes pressões que podem lhe causar falhas em algum momento. Neste contexto, o monitoramento contínuo dos diferentes componentes de uma turbina eólica permite a aplicação de técnicas de prognóstico de falhas baseadas na detecção de anomalias no sistema. Detecção, diagnóstico e prognóstico de falhas compreendem um conjunto de técnicas que garantem a confiabilidade, a segurança e a viabilidade econômica de um sistema. A presença de anomalias é o indício de que a saúde do sistema que compõe a turbina eólica está se deteriorando em função do tempo de operação, cuja evolução pode resultar brevemente em uma falha, quando ocorre a paralisação da produção de energia elétrica e são registrados muitas vezes danos irreversíveis no sistema. Diferentes técnicas foram desenvolvidas com o propósito de identificar essas anomalias. Neste trabalho, discutimos duas abordagens com esse propósito. Abordamos a detecção, diagnóstico e prognóstico de falhas baseados na classificação semi-supervisionada em uma configuração na qual o algoritmo de otimização multiobjetivo Algoritmo Genético de Ordenação não-dominante II (NSGA II) realiza a seleção automática de características e parâmetros de processamento. Uma segunda abordagem processou a detecção e diagnósstico de falhas baseadas na classificação de componentes em processo de pré-falha realizada pelos modelos ocultos de Markov. Ambas as abordagens mostraram-se eficientes em seus objetivos, considerando o processamento de um conjunto de dados reais imperfeito e de elevada dimensionalidade, que demandou diferentes métodos de pré-processamento. O Fluxo de Trabalho 1 apresentou resultados 13% superiores em relação ao trabalho de referência. Já o Fluxo de Trabalho 2, obteve F-score de até 0,89 no processamento da classificação multiclasse.

Energia Eólica;Detecção de Anomalias;Máquinas de Vetores de Suporte;Lógica Difusa;Modelos Ocultos de Markov
In recent years, the wind energy has become a trend in change of energetic matrix based on non-renewable resources. The production of the clean energy is made by wind turbine, whose operation is composed by different components that act together to convert cinetic energy from wind into electricity. However, the wind turbine is a complex and expen- sive machine constantly submitted to different pressures which lead to failures in a certain moment. In this context, the continous monitoring of the different wind turbine components enable the applying of techniques of failures prognosis based on anomaly detection in the system. Fault detection and diagnosis, as well as failure prognosis, comprise a wide set of techniques that goal to ensure the reliability, safety, and economic viability of the system. The presence of anomalies is the indication that the health of the system that comprise the wind turbine is deteriorating as operation time increases, whose evolution may lead to failure soon, when the power generation is interrupted and many damages to system may to be registered. Too many techniques was developed to indetify these anomalies. In this work, we discusse two approaches with this purpose. We approach deteccion, diagnosis and prognosis of failures based on semi-supervised classification in a setting adopting the algorithm of multiobjective optimization Non-dominated Sorting Genetic Algorithm II (NSGA-II) to select features and parameters processing automatically. A second approach processed fault detecion and diagnosis based on classification of components in pre-fault state using hidden markov models (HMM). Both approaches proved to be efficient in their objectives, once they handled imperfect real data of high dimensionality, what deman- ded an efficent pre-processing step. The workflow 1 presented results 13% better than reference work. In its turn, the workflow 2 got F-score of 0,89 in the multiclass classification.
Wind Energy;Anomaly Detection;Support Vector Machine;Fuzzy Logic;Hidden Markov Model
1
117
PORTUGUES
CENTRO FEDERAL DE EDUCAÇÃO TECN. CELSO SUCKOW DA FONSECA
O trabalho possui divulgação autorizada

Contexto

Ciência da Computação
APRENDIZADO DE MÁQUINA E OTIMIZAÇÃO
Métodos Computacionais Avançados

Banca Examinadora

DIEGO NUNES BRANDAO
DOCENTE - PERMANENTE
Sim
Nome Categoria
ANDERSON DE REZENDE ROCHA Participante Externo
DIEGO NUNES BRANDAO Docente - PERMANENTE
DIEGO BARRETO HADDAD Docente - PERMANENTE
RODRIGO FRANCO TOSO Participante Externo

Vínculo

CLT
Empresa Privada
Empresas
Sim