Monitoramento da Integridade Estrutural de Turbinas Eólicas Utilizando Autocodificadores Esparsos
DOI:
https://doi.org/10.63595/vetor.v36i1.18355Palavras-chave:
Monitoramento de Integridade Estrutural, Hotelling T², Energia Eólica, Autocodificador EsparsoResumo
O monitoramento da integridade estrutural de torres eólicas é fundamental para garantir a segurança operacional e prolongar a vida útil dessas estruturas utilizadas na geração de energia renovável. As torres eólicas estão sujeitas a condições ambientais severas e a cargas dinâmicas significativas devido ao vento, podendo levar ao surgimento de danos. Dessa forma, o presente estudo explora a eficácia do uso de técnicas de aprendizado não supervisionado, mais especificamente os autocodificadores esparsos (SAE), para a detecção de danos estruturais em turbinas eólicas com base em sinais dinâmicos coletados durante operações de funcionamento simuladas em protótipos de pás de turbinas. O SAE é treinado utilizando dados de estruturas intactas e testado em cenários que incluem a introdução de fissuras e a adição de massas nas pás. Utilizando a Carta de Controle Hotelling T², os modelos demonstraram ser robustos para identificar corretamente tanto a adição de massa quanto a presença de fissuras, independentemente da velocidade da turbina. As análises mostram que o SAE é eficaz na extração de características relevantes dos dados e na detecção de alterações estruturais, com boa precisão e confiabilidade. Os resultados evidenciam que o SAE, combinado com a estatística T², oferece uma abordagem não supervisionada robusta para o monitoramento da integridade estrutural de turbinas eólicas, proporcionando uma ferramenta poderosa para a manutenção preditiva e a detecção precoce de danos.
Downloads
Referências
[1] Y. Ou, E. N. Chatzi, V. K. Dertimanis, e M. D. Spiridonakos, “Vibration-based experimental damage detection of a small-scale wind turbine blade,” Structural Health Monitoring, vol. 16, no. 1, pp. 79–96, 2017. Disponível em: https://doi.org/10.1177/1475921716663876
[2] Y. Lee, C. Park, N. Kim, J. Ahn, e J. Jeong, “LSTM-autoencoder based anomaly detection using vibration data of wind turbines,” Sensors (Basel), vol. 24, no. 9, p. 2833, 2024. Disponível em: https://doi.org/10.3390/s24092833
[3] H. Sousa e W. Courage, “Value of information of a pro-active SHM-based tool supported by advanced FE models and bayesian statistics towards efficiency in bridge management,” Structure and Infrastructure Engineering: Maintenance, Management, Life-Cycle Design and Performance, vol. 18, no. 4, pp. 554–572, 2022. Disponível em: https://doi.org/10.1080/15732479.2021.1978507
[4] X. Wang, Y.-Q. Ni, e K.-C. Lin, “Comparison of statistical counting methods in SHM-based reliability assessment of bridges,” Journal of Civil Structural Health Monitoring, vol. 5, no. 3, pp. 275–286, 2015. Disponível em: https://doi.org/10.1007/s13349-015-0103-1
[5] F. J. Carrión, J. A. Quintana, e S. E. Crespo, “Techno-economical and practical considerations for SHM systems,” Journal of Civil Structural Health Monitoring, vol. 7, no. 2, pp. 207–215, 2017. Disponível em: https://doi.org/10.1007/s13349-017-0215-x
[6] R. P. Finotti, F. d. S. Barbosa, A. A. Cury, e R. L. Pimentel, “Numerical and experimental evaluation of structural changes using sparse auto-encoders and SVM applied to dynamic responses,” Applied Sciences (Basel), vol. 11, no. 24, p. 11965, 2021. Disponível em: https://doi.org/10.3390/app112411965
[7] M. Spínola Neto, R. Finotti, F. Barbosa, e A. Cury, “Structural damage identification using autoencoders: A comparative study,” Buildings, vol. 14, no. 7, p. 2014, 2024. Disponível em: https://doi.org/10.3390/buildings14072014
[8] A. Oliveira-Filho, R. Zemouri, P. Cambron, e A. Tahan, “Early detection and diagnosis of wind turbine abnormal conditions using an interpretable supervised variational autoencoder model,” Energies, vol. 16, no. 12, p. 4544, 2023. Disponível em: https://doi.org/10.3390/en16124544
[9] J. E. Urrea Cabus, Y. Cui, e L. B. Tjernberg, “An anomaly detection approach based on autoencoders for condition monitoring of wind turbines,” em 2022 17th International Conference on Probabilistic Methods Applied to Power Systems (PMAPS), 2022, pp. 1–6.
[10] M. D. C. Feijóo, Y. Zambrano, Y. Vidal, e C. Tutivén, “Unsupervised damage detection for offshore jacket wind turbine foundations based on an autoencoder neural network,” Sensors (Basel), vol. 21, no. 10, p. 3333, 2021. Disponível em: https://doi.org/10.3390/s21103333
[11] I. Goodfellow, Y. Bengio, e A. Courville, Deep Learning. MIT Press, 2016, http://www.deeplearningbook.org.
[12] D. C. Montgomery, Introduction to Statistical Quality Control. Wiley, 2019.
[13] T. Akiba, S. Sano, T. Yanase, T. Ohta, e M. Koyama, “Optuna,” em Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York, NY, USA: ACM, Jul. 2019.
[14] L. Resende, R. Finotti, F. Barbosa, H. Garrido, A. Cury, e M. Domizio, “Damage identification using convolutional neural networks from instantaneous displacement measurements via image processing,” Structural Health Monitoring, vol. 23, no. 3, pp. 1627–1640, 2024. Disponível em: https://doi.org/10.1177/14759217231193102
[15] R. P. Finotti, C. F. d. Silva, P. H. E. Oliveira, F. d. S. Barbosa, A. A. Cury, e R. C. Silva, “Novelty detection on a laboratory benchmark slender structure using an unsupervised deep learning algorithm,” Latin American Journal of Solids and Structures, vol. 20, no. 9, 2023. Disponível em: https://doi.org/10.1590/1679-78257591
[16] J. M. Gutiérrez, R. Astroza, F. Jaramillo, M. Orchard, e M. Guarini, “Evolution of modal parameters of composite wind turbine blades under short- and long-term forced vibration tests,” Journal of Civil Structural Health Monitoring, vol. 14, no. 4, pp. 1059–1074, Apr. 2024. Disponível em: https://doi.org/10.1007/s13349-024-00773-1
Downloads
Publicado
Como Citar
Edição
Seção
