Resumo. Turbinas eólicas são sistemas eletromecânicos complexos que requerem monitoramento contínuo para garantir eficiência operacional, reduzir custos de manutenção e prevenir falhas críticas. O aprendizado de máquina demonstrou grande potencial em monitoramento da saúde estrutural (SHM) ao permitir a detecção automatizada de falhas por meio de abordagens baseadas em dados. No entanto, desafios permanecem na adaptação dos métodos de SHM a condições ambientais complexas, mantendo a detecção e classificação de falhas confiáveis. Este trabalho propõe um modelo híbrido que combina técnicas de aprendizado supervisionado e não supervisionado para classificar falhas operacionais em turbinas eólicas. O framework proposto integra dados multifísicos, combinando informações estruturais e ambientais, para monitorar quatro estados operacionais distintos. A abordagem começa com a análise de sinais de sensores e a extração de características descritivas que capturam o comportamento dinâmico da turbina. O algoritmo k-means é aplicado para rotular e agrupar o conjunto de dados, enquanto a seleção de características e sensores é realizada utilizando análise de correlação canônica para classificar as variáveis mais informativas. Um novo índice de dano de mudança relativa é introduzido para normalizar e escalar características com base em sua variabilidade relativa, aprimorando a precisão da agrupamento e classificação de falhas. A classificação é realizada usando seis algoritmos de aprendizado de máquina diferentes. Resultados experimentais demonstram forte desempenho em tarefas binárias e multiclasses, incluindo a detecção de falhas no atuador de passo e a identificação precisa de congelamento do rotor e desbalanceamento aerodinâmico. O modelo alcançou até 100% de precisão na classificação, destacando sua eficácia no diagnóstico das condições da turbina e melhorando a confiabilidade e segurança operacional geral desses sistemas.
Machado et al. (Qui,) estudaram esta questão.