Como a inteligência artificial ajudou a reduzir em 33% o impacto de falhas por superaquecimento em aerogeradores

Uma falha repetitiva que revelou um problema maior

Em turbinas eólicas, os alarmes de sobreaquecimento são mais comuns do que se imagina, e representam uma ameaça direta à disponibilidade dos aerogeradores. Apesar dos sistemas de refrigeração presentes nos principais componentes da nacele, como gearbox, gerador e conversor, falhas ainda ocorrem, provocando paradas recorrentes.

Foi o que aconteceu no parque eólico Mangue Seco (composto por 39 aerogeradores Enercon E82 de 2,0 MW), localizado em Guamaré (RN), onde as paradas causadas pelo alarme “Failure Excitation: Overtemperature Heatsink” estavam entre as principais causas de perda energética. O alarme indicava uma falha no sistema de ventilação do reostato de excitação.

A solução para esta situação foi montar um plano de manutenção preditiva baseado em inteligência artificial e análise de causa raiz, que gerou resultados expressivos:

• 33% de redução no impacto energético dessas falhas
• 60% menos tempo de parada por superaquecimento

Diagnóstico profundo: onde estava a raiz do problema?

O estudo, conduzido pelas equipes técnicas da Delfos, V2i Energia S.A. (operadora do parque) e Wobben Windpower (responsável pela manutenção), identificou o ventilador de fluxo cruzado do gabinete de excitação como principal culpado. Quando esse ventilador falhava, a temperatura do heatsink subia, ativando o alarme e parando a máquina.

A análise de causa raiz foi feita com o apoio do Diagrama de Ishikawa (veja abaixo), que reuniu especialistas para mapear fatores técnicos, operacionais e ambientais. A conclusão foi clara: era preciso antecipar o problema antes que o superaquecimento ocorresse.

IA em ação: manutenção preditiva de verdade

A Delfos desenvolveu uma ferramenta baseada em redes neurais artificiais, capaz de prever a temperatura do heatsink com base em dados como:

• Temperatura ambiente
• Temperatura da nacele
• Produção do aerogerador
  
  

Sempre que a temperatura real desvia significativamente da temperatura prevista, um alerta preditivo é emitido. Isso permitia identificar quais máquinas estavam em risco de falhar antes da parada acontecer.

Esses alertas passaram a orientar um novo plano de manutenção preventiva, priorizando máquinas com maior risco e permitindo que os reparos ocorressem em momentos estratégicos, como períodos de vento baixo.

‍

Os resultados: energia poupada e mais disponibilidade

A aplicação prática desse sistema foi feita ao longo do segundo semestre de 2023, sendo comparada com o mesmo período do ano anterior. Os resultados foram claros:

Além disso, houve redução de 11% na duração e 28% no impacto energético das manutenções, mesmo que parte desse ganho não seja atribuída diretamente à nova estratégia.

Por que isso importa para o setor?

Essa iniciativa mostra como o monitoramento inteligente de dados operacionais, quando combinados com modelos de machine learning, podem transformar o modo como parques eólicos são operados.

Mais do que tratar sintomas, a estratégia atua sobre a causa raiz das falhas, reduzindo custos e melhorando a eficiência do parque como um todo.

Onde encontrar o estudo completo

O estudo completo “Identificação de falha de refrigeração em aerogeradores utilizando aprendizado de máquina” pode ser baixado preenchendo o formulário abaixo:

‍

Autores

• Nathianne Andrade (Delfos Energy)
• Letícia Xavier (Delfos Energy)
• Giovanni Aguiar (Delfos Energy)
• Brendo Usandizaga (Delfos Energy)
• Rennan Oliveira (V2i Energia)
  
  

Curtiu esse conteúdo?

‍Siga a Delfos no LinkedIn para acompanhar as próximas publicações do projeto Delfos Research e ficar por dentro das inovações em manutenção preditiva e energia renovável.

‍