Como a Delfos está antecipando falhas em rolamentos principais de turbinas eólicas com Machine Learning

Essas ocorrências não só custam caro, como deixam ativos fora de operação por longos períodos. Pensando nisso, a equipe da Delfos desenvolveu uma metodologia inovadora para prever esse tipo de falha com meses de antecedência — e com uma precisão surpreendente.

O desafio: prever falhas críticas antes que virem um problema

Os rolamentos principais das turbinas sofrem com desgaste por fadiga e, quando falham, exigem manutenções caras e demoradas. Detectar sinais precoces dessa falha usando apenas dados SCADA (dados operacionais do parque eólico) sempre foi um desafio — até agora.

A Delfos criou uma rede neural (MLP – Multilayer Perceptron) que prevê a temperatura esperada do rolamento principal. Quando a temperatura real começa a se desviar do esperado com frequência, o sistema emite um alerta. Parece simples, mas o processo por trás é altamente sofisticado.

A inovação: modelo validado em uma frota real

A metodologia foi aplicada por 2,5 anos em 155 turbinas eólicas de 2.X MW. Os modelos foram treinados individualmente para cada turbina, usando dados a cada 10 minutos. Além disso, a equipe teve acesso a ordens de serviço e registros de manutenção, o que permitiu validar os alertas com dados do mundo real.

A análise de desempenho impressiona:

• 100% de Recall: nenhuma falha real passou despercebida.
• 95% de Precisão: quase todos os alertas emitidos se confirmaram.
• F1-Score de 97,5%: um equilíbrio quase perfeito entre precisão e cobertura.

Resultados que impactam a operação

Entre os alertas verdadeiros, 83% estavam relacionados a falhas por fadiga no rolamento principal. Em um dos casos, a Delfos conseguiu prever o problema com 111 dias de antecedência em relação ao primeiro alarme emitido pelo SCADA.

Mais do que antecipar falhas, o sistema também detectou aumentos de temperatura próximos de manutenções programadas, sugerindo que fatores como aquecimento na nacele também podem interferir.

‍

‍

Por que isso importa?

• Com um sistema como esse:
• É possível planejar intervenções com antecedência.
• Reduz-se o tempo de inatividade da turbina.
• Evita-se manutenções desnecessárias, diminuindo custos.
• Ganha-se confiança nas decisões operacionais.

O que aprendemos?

• Machine Learning sozinho não basta: é fundamental ter registros de manutenção bem documentados.
• O SCADA pode não ser suficiente: modelos preditivos identificam falhas antes dos alarmes padrão.
• Nem todo aquecimento indica falha: contexto operacional importa — e muito.
  
  

Conclusão

A pesquisa da Delfos mostra que é possível escalar uma metodologia de predição de falhas em rolamentos principais com altíssima confiabilidade. A integração entre Machine Learning, dados SCADA e validação com ordens de serviço posiciona a Delfos na vanguarda da manutenção preditiva para energia renovável.

Onde foi publicado?

Este estudo foi submetido ao congresso Wind Europe 2025, um dos principais eventos do setor eólico europeu pelo corpo de pesquisa da Delfos Energy.

‍

Para acessar o estudo completo e o conteúdo rico, preencha o formulário abaixo: