IDENTIFICAÇÃO DE FALHAS EM TURBINAS EÓLICAS: UMA ABORDAGEM DE APRENDIZADO DE MÁQUINA CENTRADA EM DADOS

Abstract

The last few years have been marked by the transition of the world energy matrix, predominantly with wind and solar sources, which are considered clean energies. Wind turbines, responsible for the energy conversion process, are complex and expensive equipment, susceptible to various failures due to multiple operational and environmental factors. Continuous monitoring of turbine components is essential for early fault detection, which can significantly reduce maintenance costs and increase operational efficiency. This work uses a data-centric approach to apply and compare machine learning techniques for fault detection in wind turbines. The research emphasizes the importance of data preprocessing, highlighting techniques such as class balancing, data partitioning, and attribute selection. Additionally, different machine learning algorithms are compared, focusing on hyperparameter optimization. The results demonstrate that adequate data preprocessing is crucial for the performance of machine learning models. The importance of computational time in optimizing hyperparameters and selecting the most appropriate algorithm for the specific problem context is also highlighted.

Os últimos anos têm sido marcados pela transição da matriz energética mundial, predominantemente com as fontes eólica e solar, que são consideradas energias limpas. As turbinas eólicas, responsáveis pelo processo de conversão energética, constituem-se por equipamentos complexos e de alto custo, suscetíveis a diversas falhas devido a múltiplos fatores operacionais e ambientais. O monitoramento contínuo dos componentes das turbinas é essencial para a detecção precoce de falhas, o que pode reduzir significativamente os custos de manutenção e aumentar a eficiência operacional. Este trabalho foca na aplicação e comparação de técnicas de aprendizado de máquina para a detecção de falhas em turbinas eólicas, utilizando uma abordagem centrada em dados. A pesquisa enfatiza a importância do pré-processamento dos dados, destacando técnicas de balanceamento de classes, particionamento de dados e seleção de atributos. Além disso, são comparados diferentes algoritmos de aprendizado de máquina, com foco na otimização de hiperparâmetros. Os resultados demonstram que um pré-processamento adequado dos dados é crucial para o desempenho dos modelos de aprendizado de máquina. Também é evidenciada a importância do tempo computacional na otimização dos hiperparâmetros e na seleção do algoritmo mais apropriado para o contexto específico do problema.