Defesa de dissertação (19/09/2024): Danielle Rodrigues Pinna

Discente: Danielle Rodrigues Pinna

Título: Identificação de Falhas em Turbinas Eólicas: Uma Abordagem de Aprendizado de Máquina Centrada em Dados

Orientadores: Diego Nunes Brandão e Rodrigo Franco Toso

Banca: Diego Nunes Brandão (PPCIC),  Rodrigo Franco Toso (Microsoft), Rafaelli de Carvalho Coutinho (CEFET/RJ), Gustavo Silva Semaan (UFF), Ângela Ferreira (IPB/Portugal)

Dia/hora: 19 de setembro de 2024, às 11h.

Local: https://www.google.com/url?q=https%3A%2F%2Fteams.microsoft.com%2Fl%2Fmeetup-join%2F19%253a-qUeEmHzEwuC1rP6u6u-jU8-7KbVGBqlNGxLrMSku4Q1%2540thread.tacv2%2F1724725037596%3Fcontext%3D%257b%2522Tid%2522%253a%25228eeca404-a47d-4555-a2d4-0f3619041c9c%2522%252c%2522Oid%2522%253a%2522b1b7c333-2713-4523-9eae-7d94d8adcbe5%2522%257d&sa=D&source=calendar&usd=2&usg=AOvVaw3gZemiUGozr78s2dtlO9V0

Resumo: 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, se constituem 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.