Aplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/56306 |
Resumo: | Neste trabalho, é apresentada uma metodologia voltada para identificação de anomalias em aerogeradores, visando a antecipar variações de temperatura em compo- nentes críticos da máquina. Os elementos submetidos à análise incluem o rolamento da caixa de engrenagem e o rolamento drive-end do gerador. O estudo fundamenta-se na modelagem e aplicação de algoritmos de aprendizagem de máquina com o intuito de pre- ver a temperatura nesses componentes. Os algoritmos de regressão empregados abrangem a regressão múltipla linear, o aumento de gradiente extremo e uma rede neural recorrente denominada memória de curto longo prazo. Para modelagem das técnicas, são utilizados dados provenientes do sistema de supervisão de três aerogeradores pertencentes a um par- que eólico brasileiro composto por doze máquinas. Foi optado pela escolha de máquinas com comportamento de temperatura distinto entre si, a fim de avaliar se há variações relevantes no desempenho dos modelos de aprendizado diante de comportamentos térmi- cos distintos. Os dados das máquinas são submetidos a uma etapa de pré-processamento para identificar valores atípicos da operação normal dos aerogeradores. Posteriormente, os dados são divididos em conjuntos específicos para aplicação do algoritmo. No caso do modelo de aumento de gradiente extremo, foi empregada uma técnica de otimização Bayesiana para encontrar os parâmetros ótimos que se adéquam ao conjunto de dados pro- postos. Os resultados dos algoritmos de regressão são analisados sob a ótica das métricas de desempenho, e, ainda, são realizadas comparações entre as temperaturas reais e pre- vistas, dentro de limites de controle definidos, visando a identificação de anomalias na temperatura dos elementos estudados. Por fim, os modelos aplicados às três máquinas são comparados entre si para cada componente analisado. As principais vantagens deste modelo incluem sua capacidade em fornecer resultados excelentes para problemas com- plexos de previsão, baixo custo financeiro para implementação e alta adaptabilidade de implementação em outras máquinas. |
id |
UFPE_48fd645a6287cea42b512aeaf380e29b |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/56306 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
XAVIER, Leonardo Mendes Sousahttp://lattes.cnpq.br/3855831774631748http://lattes.cnpq.br/5539599537097451http://lattes.cnpq.br/8570418647952512ROSAS, Pedro André CarvalhoAZEVEDO, Gustavo Medeiros de Souza2024-05-16T16:41:04Z2024-05-16T16:41:04Z2024-02-29XAVIER, Leonardo Mendes Sousa. Aplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicos. 2024. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de Pernambuco, Recife, 2024.https://repositorio.ufpe.br/handle/123456789/56306Neste trabalho, é apresentada uma metodologia voltada para identificação de anomalias em aerogeradores, visando a antecipar variações de temperatura em compo- nentes críticos da máquina. Os elementos submetidos à análise incluem o rolamento da caixa de engrenagem e o rolamento drive-end do gerador. O estudo fundamenta-se na modelagem e aplicação de algoritmos de aprendizagem de máquina com o intuito de pre- ver a temperatura nesses componentes. Os algoritmos de regressão empregados abrangem a regressão múltipla linear, o aumento de gradiente extremo e uma rede neural recorrente denominada memória de curto longo prazo. Para modelagem das técnicas, são utilizados dados provenientes do sistema de supervisão de três aerogeradores pertencentes a um par- que eólico brasileiro composto por doze máquinas. Foi optado pela escolha de máquinas com comportamento de temperatura distinto entre si, a fim de avaliar se há variações relevantes no desempenho dos modelos de aprendizado diante de comportamentos térmi- cos distintos. Os dados das máquinas são submetidos a uma etapa de pré-processamento para identificar valores atípicos da operação normal dos aerogeradores. Posteriormente, os dados são divididos em conjuntos específicos para aplicação do algoritmo. No caso do modelo de aumento de gradiente extremo, foi empregada uma técnica de otimização Bayesiana para encontrar os parâmetros ótimos que se adéquam ao conjunto de dados pro- postos. Os resultados dos algoritmos de regressão são analisados sob a ótica das métricas de desempenho, e, ainda, são realizadas comparações entre as temperaturas reais e pre- vistas, dentro de limites de controle definidos, visando a identificação de anomalias na temperatura dos elementos estudados. Por fim, os modelos aplicados às três máquinas são comparados entre si para cada componente analisado. As principais vantagens deste modelo incluem sua capacidade em fornecer resultados excelentes para problemas com- plexos de previsão, baixo custo financeiro para implementação e alta adaptabilidade de implementação em outras máquinas.In this work, a methodology focused on identifying anomalies in wind turbines is presented, aiming to anticipate temperature variations in critical machine components. The elements subjected to analysis include the gearbox bearing and the drive-end bearing of the generator. The study is based on modeling and applying machine learning algo- rithms with the goal of predicting the temperature in these components. The employed regression algorithms encompass linear multiple regression, extreme gradient boosting, and a recurrent neural network called long short-term memory. For modeling these tech- niques, data from the supervision system of three wind turbines in a Brazilian wind farm consisting of twelve machines are utilized. Machines were chosen with distinct temperature behaviors to assess potential variations in the performance of learning models in the face of diverse thermal behaviors. The machine data undergo a preprocessing stage to identify outliers from the normal operation of wind turbines. Subsequently, the data is divided into specific sets for algorithm application. In the case of the extreme gradient boosting model, a Bayesian optimization technique was employed to find optimal parameters that suit the proposed dataset. The results of the regression algorithms are analyzed in terms of performance metrics, and comparisons between actual and predicted temperatures are conducted within defined control limits, aiming to identify anomalies in the temperature of the studied elements. Finally, the models applied to the three machines are compared for each analyzed component. The main advantages of this model include its ability to provide excellent results for complex prediction problems, low financial implementation costs, and high adaptability for implementation in other machines.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Engenharia EletricaUFPEBrasilAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessEngenharia ElétricaAprendizagem de máquinaDetecção de falhasAnálise preditivaEnergia eólicaAplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALDISSERTAÇÃO Leonardo Mendes Sousa Xavier.pdfDISSERTAÇÃO Leonardo Mendes Sousa Xavier.pdfapplication/pdf11555786https://repositorio.ufpe.br/bitstream/123456789/56306/1/DISSERTA%c3%87%c3%83O%20Leonardo%20Mendes%20Sousa%20Xavier.pdfc781411d35c1cb8eb622e7a0c6aca95eMD51TEXTDISSERTAÇÃO Leonardo Mendes Sousa Xavier.pdf.txtDISSERTAÇÃO Leonardo Mendes Sousa Xavier.pdf.txtExtracted texttext/plain168636https://repositorio.ufpe.br/bitstream/123456789/56306/4/DISSERTA%c3%87%c3%83O%20Leonardo%20Mendes%20Sousa%20Xavier.pdf.txt4d78041b223018ab2da114e57c0f986bMD54THUMBNAILDISSERTAÇÃO Leonardo Mendes Sousa Xavier.pdf.jpgDISSERTAÇÃO Leonardo Mendes Sousa Xavier.pdf.jpgGenerated Thumbnailimage/jpeg1264https://repositorio.ufpe.br/bitstream/123456789/56306/5/DISSERTA%c3%87%c3%83O%20Leonardo%20Mendes%20Sousa%20Xavier.pdf.jpgf651dff12a4e53dbe99a2e33570aba86MD55CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/56306/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/56306/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53123456789/563062024-05-17 02:27:25.895oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212024-05-17T05:27:25Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Aplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicos |
title |
Aplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicos |
spellingShingle |
Aplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicos XAVIER, Leonardo Mendes Sousa Engenharia Elétrica Aprendizagem de máquina Detecção de falhas Análise preditiva Energia eólica |
title_short |
Aplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicos |
title_full |
Aplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicos |
title_fullStr |
Aplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicos |
title_full_unstemmed |
Aplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicos |
title_sort |
Aplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicos |
author |
XAVIER, Leonardo Mendes Sousa |
author_facet |
XAVIER, Leonardo Mendes Sousa |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3855831774631748 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/5539599537097451 |
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/8570418647952512 |
dc.contributor.author.fl_str_mv |
XAVIER, Leonardo Mendes Sousa |
dc.contributor.advisor1.fl_str_mv |
ROSAS, Pedro André Carvalho |
dc.contributor.advisor-co1.fl_str_mv |
AZEVEDO, Gustavo Medeiros de Souza |
contributor_str_mv |
ROSAS, Pedro André Carvalho AZEVEDO, Gustavo Medeiros de Souza |
dc.subject.por.fl_str_mv |
Engenharia Elétrica Aprendizagem de máquina Detecção de falhas Análise preditiva Energia eólica |
topic |
Engenharia Elétrica Aprendizagem de máquina Detecção de falhas Análise preditiva Energia eólica |
description |
Neste trabalho, é apresentada uma metodologia voltada para identificação de anomalias em aerogeradores, visando a antecipar variações de temperatura em compo- nentes críticos da máquina. Os elementos submetidos à análise incluem o rolamento da caixa de engrenagem e o rolamento drive-end do gerador. O estudo fundamenta-se na modelagem e aplicação de algoritmos de aprendizagem de máquina com o intuito de pre- ver a temperatura nesses componentes. Os algoritmos de regressão empregados abrangem a regressão múltipla linear, o aumento de gradiente extremo e uma rede neural recorrente denominada memória de curto longo prazo. Para modelagem das técnicas, são utilizados dados provenientes do sistema de supervisão de três aerogeradores pertencentes a um par- que eólico brasileiro composto por doze máquinas. Foi optado pela escolha de máquinas com comportamento de temperatura distinto entre si, a fim de avaliar se há variações relevantes no desempenho dos modelos de aprendizado diante de comportamentos térmi- cos distintos. Os dados das máquinas são submetidos a uma etapa de pré-processamento para identificar valores atípicos da operação normal dos aerogeradores. Posteriormente, os dados são divididos em conjuntos específicos para aplicação do algoritmo. No caso do modelo de aumento de gradiente extremo, foi empregada uma técnica de otimização Bayesiana para encontrar os parâmetros ótimos que se adéquam ao conjunto de dados pro- postos. Os resultados dos algoritmos de regressão são analisados sob a ótica das métricas de desempenho, e, ainda, são realizadas comparações entre as temperaturas reais e pre- vistas, dentro de limites de controle definidos, visando a identificação de anomalias na temperatura dos elementos estudados. Por fim, os modelos aplicados às três máquinas são comparados entre si para cada componente analisado. As principais vantagens deste modelo incluem sua capacidade em fornecer resultados excelentes para problemas com- plexos de previsão, baixo custo financeiro para implementação e alta adaptabilidade de implementação em outras máquinas. |
publishDate |
2024 |
dc.date.accessioned.fl_str_mv |
2024-05-16T16:41:04Z |
dc.date.available.fl_str_mv |
2024-05-16T16:41:04Z |
dc.date.issued.fl_str_mv |
2024-02-29 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
XAVIER, Leonardo Mendes Sousa. Aplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicos. 2024. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de Pernambuco, Recife, 2024. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/56306 |
identifier_str_mv |
XAVIER, Leonardo Mendes Sousa. Aplicações de aprendizado de máquina na detecção de anomalias em sistemas eólicos. 2024. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de Pernambuco, Recife, 2024. |
url |
https://repositorio.ufpe.br/handle/123456789/56306 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Engenharia Eletrica |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/56306/1/DISSERTA%c3%87%c3%83O%20Leonardo%20Mendes%20Sousa%20Xavier.pdf https://repositorio.ufpe.br/bitstream/123456789/56306/4/DISSERTA%c3%87%c3%83O%20Leonardo%20Mendes%20Sousa%20Xavier.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/56306/5/DISSERTA%c3%87%c3%83O%20Leonardo%20Mendes%20Sousa%20Xavier.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/56306/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/56306/3/license.txt |
bitstream.checksum.fl_str_mv |
c781411d35c1cb8eb622e7a0c6aca95e 4d78041b223018ab2da114e57c0f986b f651dff12a4e53dbe99a2e33570aba86 e39d27027a6cc9cb039ad269a5db8e34 5e89a1613ddc8510c6576f4b23a78973 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310749340565504 |