Máquina de vetores de suporte e técnicas estatísticas para previsão e classificação de falha de turbinas eólicas

Detalhes bibliográficos
Autor(a) principal: Delazzeri, Kauê Augusto
Data de Publicação: 2020
Idioma: por
Título da fonte: Manancial - Repositório Digital da UFSM
dARK ID: ark:/26339/0013000010zb7
Texto Completo: http://repositorio.ufsm.br/handle/1/26617
Resumo: Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Controle e Automação, RS, 2020.
id UFSM_0bcd752580f930f63eb587130503d280
oai_identifier_str oai:repositorio.ufsm.br:1/26617
network_acronym_str UFSM
network_name_str Manancial - Repositório Digital da UFSM
repository_id_str
spelling Máquina de vetores de suporte e técnicas estatísticas para previsão e classificação de falha de turbinas eólicasSupport vector machine and statistical techniques for wind turbine fault predictionAprendizado de máquinadetecção de falhas em aerogeradoresprevisão de falha em turbinas eólicasSVMMachine learningwind turbines fault detectionwind turbines failure predictCNPQ::ENGENHARIASTrabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Controle e Automação, RS, 2020.Wind energy is dominant technology among the generation of renewable energies in Brazil and due to the high growth in recent years there is a need to develop accurate fault diagnosis techniques in wind turbines to reduce downtime due to defects or unnecessary maintenance. Most traditional fault identification techniques are not able to detect defects caused by asymmetry / unbalance in mass or pitch angle on the blades, common faults in wind turbines. Methods such as vibration analysis, which is competent, require the installation of extra sensors in places that may be difficult to access. A new approach would be the diagnosis based on electrical signals from the wind turbine generators, as they prove to be a more reliable and economical option as they do not require the installation of vibration sensors. So, a structure with TurbSim / FAST / Simulink was used to simulate electrical signals generated from a 1.5 MW wind turbine for different scenarios of wind influx and mass unbalance parameters in the blades and pitch angles, machine learning algorithms and statistical tools such as PCA, LDA, EPVM and FFT were applied to the simulation data for fault identification. In the identification of failure conditions, at best, 100.00% accuracy was obtained with electrical signals from the wind turbine generator.A energia eólica é dominante entre a geração de energias renováveis no Brasil, devido ao alto crescimento nos últimos anos, há uma necessidade de desenvolver técnicas precisas de diagnóstico de falhas em aerogeradores, para diminuir o tempo de inatividade devido a defeitos ou manutenções desnecessárias. A maioria das técnicas tradicionais de identificação de falha não são capazes de detectar defeitos causados por assimetria/desequilíbrio de massa ou ângulo do sistema de passo nas pás, avarias comuns em aerogeradores. Métodos como a análise de vibrações, que é competente para o reconhecimento desses tipos de condições, exige a instalação de sensores extras em locais que pode ser de difícil acesso. Uma nova abordagem seria o diagnóstico baseado em sinais elétricos dos geradores da turbina eólica, pois, se mostram uma opção mais confiável e econômica, por não necessitar a instalação de sensores de vibração. Para isto, uma estrutura com TurbSim/FAST/Simulink foi utilizada para simular sinais elétricos gerados a partir de uma turbina eólica de 1,5 MW para diferentes cenários de influxo de vento, e parâmetros de desequilíbrio de massa nas pás e ângulos de passo. Algoritmos de aprendizado de máquina, como SVM, e ferramentas estatísticas, como PCA, LDA, MVPE e FFT, foram aplicados nos dados de simulação para a identificação de falhas. Na identificação de condições de falha foi obtido, no melhor dos casos, acurácia de 100,00% com sinais elétricos do gerador de turbinas eólicas.Universidade Federal de Santa MariaBrasilUFSMCentro de TecnologiaGamarra, Daniel Fernando TelloDelazzeri, Kauê Augusto2022-10-21T16:44:13Z2022-10-21T16:44:13Z2021-03-252020Trabalho de Conclusão de Curso de Graduaçãoinfo:eu-repo/semantics/publishedVersionapplication/pdfDELAZZERI, K. A. Máquina de vetores de suporte e técnicas estatísticas para previsão e classificação de falha de turbinas eólicas. 2020. 98 p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação)- Universidade Federal de Santa Maria, Santa Maria, RS, 2020.http://repositorio.ufsm.br/handle/1/26617ark:/26339/0013000010zb7porAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Manancial - Repositório Digital da UFSMinstname:Universidade Federal de Santa Maria (UFSM)instacron:UFSM2022-10-21T16:44:13Zoai:repositorio.ufsm.br:1/26617Biblioteca Digital de Teses e Dissertaçõeshttps://repositorio.ufsm.br/ONGhttps://repositorio.ufsm.br/oai/requestatendimento.sib@ufsm.br||tedebc@gmail.comopendoar:2022-10-21T16:44:13Manancial - Repositório Digital da UFSM - Universidade Federal de Santa Maria (UFSM)false
dc.title.none.fl_str_mv Máquina de vetores de suporte e técnicas estatísticas para previsão e classificação de falha de turbinas eólicas
Support vector machine and statistical techniques for wind turbine fault prediction
title Máquina de vetores de suporte e técnicas estatísticas para previsão e classificação de falha de turbinas eólicas
spellingShingle Máquina de vetores de suporte e técnicas estatísticas para previsão e classificação de falha de turbinas eólicas
Delazzeri, Kauê Augusto
Aprendizado de máquina
detecção de falhas em aerogeradores
previsão de falha em turbinas eólicas
SVM
Machine learning
wind turbines fault detection
wind turbines failure predict
CNPQ::ENGENHARIAS
title_short Máquina de vetores de suporte e técnicas estatísticas para previsão e classificação de falha de turbinas eólicas
title_full Máquina de vetores de suporte e técnicas estatísticas para previsão e classificação de falha de turbinas eólicas
title_fullStr Máquina de vetores de suporte e técnicas estatísticas para previsão e classificação de falha de turbinas eólicas
title_full_unstemmed Máquina de vetores de suporte e técnicas estatísticas para previsão e classificação de falha de turbinas eólicas
title_sort Máquina de vetores de suporte e técnicas estatísticas para previsão e classificação de falha de turbinas eólicas
author Delazzeri, Kauê Augusto
author_facet Delazzeri, Kauê Augusto
author_role author
dc.contributor.none.fl_str_mv Gamarra, Daniel Fernando Tello
dc.contributor.author.fl_str_mv Delazzeri, Kauê Augusto
dc.subject.por.fl_str_mv Aprendizado de máquina
detecção de falhas em aerogeradores
previsão de falha em turbinas eólicas
SVM
Machine learning
wind turbines fault detection
wind turbines failure predict
CNPQ::ENGENHARIAS
topic Aprendizado de máquina
detecção de falhas em aerogeradores
previsão de falha em turbinas eólicas
SVM
Machine learning
wind turbines fault detection
wind turbines failure predict
CNPQ::ENGENHARIAS
description Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa Maria, Centro de Tecnologia, Curso de Engenharia de Controle e Automação, RS, 2020.
publishDate 2020
dc.date.none.fl_str_mv 2020
2021-03-25
2022-10-21T16:44:13Z
2022-10-21T16:44:13Z
dc.type.driver.fl_str_mv Trabalho de Conclusão de Curso de Graduação
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
status_str publishedVersion
dc.identifier.uri.fl_str_mv DELAZZERI, K. A. Máquina de vetores de suporte e técnicas estatísticas para previsão e classificação de falha de turbinas eólicas. 2020. 98 p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação)- Universidade Federal de Santa Maria, Santa Maria, RS, 2020.
http://repositorio.ufsm.br/handle/1/26617
dc.identifier.dark.fl_str_mv ark:/26339/0013000010zb7
identifier_str_mv DELAZZERI, K. A. Máquina de vetores de suporte e técnicas estatísticas para previsão e classificação de falha de turbinas eólicas. 2020. 98 p. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação)- Universidade Federal de Santa Maria, Santa Maria, RS, 2020.
ark:/26339/0013000010zb7
url http://repositorio.ufsm.br/handle/1/26617
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Santa Maria
Brasil
UFSM
Centro de Tecnologia
publisher.none.fl_str_mv Universidade Federal de Santa Maria
Brasil
UFSM
Centro de Tecnologia
dc.source.none.fl_str_mv reponame:Manancial - Repositório Digital da UFSM
instname:Universidade Federal de Santa Maria (UFSM)
instacron:UFSM
instname_str Universidade Federal de Santa Maria (UFSM)
instacron_str UFSM
institution UFSM
reponame_str Manancial - Repositório Digital da UFSM
collection Manancial - Repositório Digital da UFSM
repository.name.fl_str_mv Manancial - Repositório Digital da UFSM - Universidade Federal de Santa Maria (UFSM)
repository.mail.fl_str_mv atendimento.sib@ufsm.br||tedebc@gmail.com
_version_ 1815172427375706112

Registros relacionados