USO DE ESTRATÉGIAS DE DETECÇÃO DE CP (CHANGE POINT) PARA PREDIÇÃO DE COMPORTAMENTO NORMAL DE TURBINAS EÓLICAS
Change Point, dados SCADA, Normal Behavior Model
Nos últimos anos, a manutenção preventiva baseada em condição (Condition-based
Maintenance - CBM) dos componentes de turbinas eólicas (Wind Turbine - WT) tem sido
utilizada em consonância com o desenvolvimento tecnológico computacional e técnicas de
aprendizagem de máquina (Machine Learning – ML), permitindo que se possa prever quando
um componente irá falhar e evitando que o equipamento fique por mais tempo fora de
operação. Uma das técnicas mais usadas para CBM é o modelo de comportamento normal
(Normal Behavior Model - NBM), que seleciona apenas os dados saudáveis da WT, contudo,
NBM’s podem estar susceptíveis a conter também dados considerados anormais gerados por
defeitos ou manutenção nos componentes e sensores das turbinas. Estes dados relacionados a
estados de funcionamento não saudáveis das WT’s podem gerar alterações nas séries
temporais obtidas por NBM, apresentando pontos de mudança (Change Point - CP) com
variações abruptas do sinal. Neste sentido, este trabalho se baseia em uma análise e detecção
dos pontos de mudança (Change Point Detection - CPD) observados em dados reais medidos
por sensores através de sistema de supervisão e aquisição de dados (SCADA) de turbinas
eólicas. São testados diferentes sinais de uma WT, que apresentou defeito nos enrolamentos
do gerador, e modificações nas configurações da biblioteca ruptures, utilizada na detecção de
pontos de mudança no python. É esperado que o algoritmo treinado utilizando os dados sem
pontos de mudança possa gerar alertas de falhas com antecedência quando observados valores
de medição fora das classes de operação normais em comparação com o sinal que incluam a
faixa de valores com pontos de mudança abruptos no sinal.