Detecção e classificação de falhas em aerogeradores utilizando sistemas embarcados

Abstract

O uso contínuo e demasiado de fontes de energia derivadas do petróleo resultou em impactos no ecossistema e um alerta surgiu na comunidade científica, gerando discussões e pesquisas neste campo. A geração de energia elétrica, a partir da força dos ventos, se destacou nas últimas três décadas, sua capacidade de geração instalada aumentou significativamente e se tornou uma alternativa viável. Devido à tendência mundial na geração de energia elétrica por meio de recursos energéticos renováveis, especialmente a partir da energia eólica, a confiabilidade de tais sistemas tornou-se uma prioridade para empresas e investidores do setor. Por isso, o monitoramento confiável da condição de funcionamento dos aerogeradores por meio de técnicas de aprendizado de máquinas, devem ser adotado para auxiliar na detecção e classificação de falhas incipientes a esse tipo de sistema, com o objetivo de evitar potenciais danos aos aerogeradores. Assim este trabalho objetivou o estudo de geradores elétricos, especificamente na detecção e classificação de falhas, usando fluxo magnético axial adquirido de um gerador de indução do tipo gaiola de esquilo. Foram comparados os desempenhos dos classificadores Bayesiano, Máquina de Vetores de Suporte (SVM), Floresta de Caminhos Ótimos (OPF), Perceptron Multicamadas (MLP) e k-Vizinhos Mais Próximo (KNN) em combinação com três métodos diferentes de extração de características, sendo eles: Estatística de Alta Ordem (HOS), Transformada de Fourier e Matriz de Co-ocorrência Estrutural (SCM). Após concluir a melhor combinação de extrator/classificador, o framework foi embarcado e métricas de tempo de processamento e acurácia foram utilizadas para avaliar qual o sistema embarcado mais adequado para a detecção e classificação de falhas em aerogeradores. Na primeira etapa do estudo para embarcar a melhor combinação de extrator-classificador, os resultados extraídos do banco de dados de fluxo magnético axial demonstraram que o classificador MLP identificou 80,31% dos casos quando combinado com extrator HOS e 74,80% com SCM. Os três melhores extratores e seus melhores classificadores foram selecionados para o sistema embarcado. Ao inserir os dados no framework desenvolvido, as taxas de acerto continuaram semelhantes ao teste no computador, comprovanda a robustez do classificador. O extrator HOS, combinado com MLP, destacou-se com os melhores resultados nas três plataformas embarcadas com 80.21% de acertp na Nvidia Jetson AGX Xavier, 80.02% Jetson TX2