Spelling suggestions: "subject:"corporateperformance"" "subject:"performanceperformance""
1 |
Detecção e diagnóstico de falhas na performance de aerogeradoresPEDROSA, Guilherme Tenório Maciel da Cunha 05 September 2016 (has links)
Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-10-31T13:13:06Z
No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
dissertação-gtmcp.pdf: 3816715 bytes, checksum: 62884025e3b46ccd2ed4173da3a2efde (MD5) / Made available in DSpace on 2017-10-31T13:13:06Z (GMT). No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
dissertação-gtmcp.pdf: 3816715 bytes, checksum: 62884025e3b46ccd2ed4173da3a2efde (MD5)
Previous issue date: 2016-09-05 / Aerogeradores modernos são capazes de coletar e armazenar uma enorme quantidade de informações graças ao sistema de controle supervisório e aquisição de dados (SCADA) neles comumente embarcados. Esses dados são, porém, muitas vezes negligenciados em lugar de empregados em prol da otimização das tarefas de operação, manutenção e maximização de performance das centrais eólicas. Com vistas a explorar ao máximo as informações provenientes do sistema SCADA, este trabalho estabelece um sistema de detecção e diagnóstico de falhas relativas à potência ativa do aerogerador. Desvios de potência são detectados por meio da comparação entre dados observacionais da potência ativa e saídas de modelos uni e multivariáveis. Caso detectados, os desvios na potência são submetidos a um método de diagnóstico inovador baseado na informação mútua entre variáveis do SCADA e os próprios desvios. Tal método tem como objetivo indicar as variáveis do SCADA que melhor explicam os desvios de potência ativa. O sistema de detecção e diagnóstico de falhas aqui proposto foi aplicado a dois estudos de caso utilizando-se de dados observacionais de aerogeradores reais de uma dada central eólica, cedidos em regime de confidencialidade pela empresa proprietária da central. A validação dos modelos se dá através da comparação entre seus resultados e os metadados do livro de ocorrências da central eólica. É observado que o método de detecção de falhas foi capaz de identificar até 100% dos dados com falha para um dos casos apresentados, apesar de apresentar dificuldades na detecção de pequenas variações de potência no segundo caso, detectando apenas 47,18% dos dados com falha. Contudo, o novo método de diagnóstico se mostrou eficaz em apontar as variáveis com maior possibilidade de explicar as variações da potência, mesmo para falhas similares. As variáveis que se destacaram coincidiram com a causa raiz dos problemas apresentados segundo o livro de ocorrências da central eólica. / Wind turbines are capable of collecting and storing a great amount of information due to the supervisory control and data acquisition systems (SCADA) usually boarded in modern machines. These data, however, are neglected in most cases rather than employed to optimize the mainenance and operation tasks and maximize the performance of wind farms. Aiming to exploit SCADA data information, this work establishes a wind turbine performance fault detection and diagnosis system, with respect to the wind turbine generator active power. Power deviation is detected through comparison between observational active power data and the output of uni and multivariable models. If detected, power deviation is subjected to an innovative fault diagnosis method based on the mutual information between itself and the SCADA data. This method aims to identify which SCADA variables best explain active power deviations. The fault detection and diagnosis system hereby proposed are applied to two case studies based on real wind turbine generator data of a specific wind farm, given under confidential clauses. It is observed that the failure detection method was capable of detecting 100% of the data with failure for one of the study cases, even though it presented difficulties to detect the failure for smaller residual variations, resulting in a 47,18% detection rate. Nonetheless, the new diagnosis method showed itself efficient in pointing SCADA variables prone to explain active power deviation, even for similar failure modes. The SCADA variables indicated the failure root cause according to the wind farm metadata logbook.
|
Page generated in 0.0811 seconds