Numa era em que as fontes de energia renováveis estão a tornar-se cada vez mais vitais, as turbinas eólicas desempenham um papel fundamental no futuro sustentável do nosso planeta. Garantir o desempenho ótimo e a longevidade destas estruturas imponentes representa um desafio significativo. A Inteligência Artificial (IA) oferece soluções inovadoras que estão a remodelar o panorama das práticas de manutenção. À medida que a indústria da energia eólica explora a utilização da IA, empresas como a Suzlon estão na vanguarda desta revolução, investindo estrategicamente em tecnologias de IA para abordar proactivamente os desafios de manutenção e manter as suas turbinas eólicas a funcionar de forma eficiente e sustentável. Desde a sua criação em 1995, a Suzlon expandiu rapidamente a sua pegada em todo o mundo e deixou a sua marca através da inovação tecnológica e de produtos. A Suzlon é pioneira no campo da energia eólica e está atualmente presente em 17 países.
Enquadrar o problema e organizar os dados
O objetivo da Suzlon era prever o tempo até à falha de diferentes subsistemas de uma turbina eólica: as pás, o motor, os rolamentos e os sistemas de controlo/eléctricos. Para cada um deles, os dados de sensores necessários eram diferentes e era necessário um mínimo de um ano de dados de eventos para treinar o modelo ML, em que um evento é definido como uma anomalia que potencialmente leva ao tempo de paragem da turbina.
Na primeira etapa, as diferentes fontes de dados, incluindo dados de sensores em tempo real e registos de eventos históricos de sistemas SCADA, foram orquestradas utilizando o RapidCanvas. Os conjuntos de dados em bruto foram depois limpos e preparados para o processo de aprendizagem automática. Isto assegurou um conjunto de dados rico e relevante para fazer previsões exactas e atempadas.
Utilizando a plataforma RapidCanvas, foi efectuada uma modelação automatizada, tirando partido de algoritmos de aprendizagem automática por regressão para analisar os vastos conjuntos de dados. Através do treino e refinamento iterativo do modelo, foi alcançado um elevado nível de precisão na previsão do tempo até à falha de um subsistema de turbina.
Para capacitar os operadores e as equipas de manutenção da Suzlon, os conhecimentos obtidos através do processo de aprendizagem automática foram partilhados através de painéis de controlo de fácil utilização e alertas em tempo real. Esses painéis fornecem informações instantâneas sobre a saúde e a vida útil restante (RUL) de cada turbina. Ao utilizar esta abordagem baseada na RUL, o estado dos componentes críticos da turbina, como o rolamento principal e a caixa de velocidades, é determinado, ao mesmo tempo que são acionados alertas automáticos quando o sistema detecta anomalias ou necessidades de manutenção futuras. Isso permite que os operadores programem a manutenção de forma eficiente, minimizando o tempo de inatividade e maximizando a produtividade da turbina.
A manutenção proactiva e a redução do tempo de inatividade ajudaram a empresa a evitar reparações dispendiosas e interrupções não planeadas, poupando potencialmente mais de $1MM em receitas perdidas e despesas de manutenção.
Com o modelo implementado em mais de 700 turbinas, a poupança total para a empresa ascende a quase 35 milhões de dólares.
Com a solução RapidCanvas, a equipa da Suzlon pôde aceder a painéis de controlo abrangentes que detalhavam o desempenho e os requisitos de manutenção dos subsistemas das suas turbinas eólicas. Isto permitiu que as equipas tomassem as medidas necessárias para evitar uma paragem não planeada e gerissem os seus planos de manutenção com base em dados precisos em tempo real.
A implementação da manutenção preditiva para turbinas eólicas optimizou a atribuição de recursos, a programação e as cargas de trabalho, melhorando também a gestão das peças e do pessoal da turbina, o que resultou numa maior eficiência operacional e na redução de custos.
Ao identificar e resolver os problemas das turbinas eólicas antes que eles se agravem, a Suzlon é capaz de reduzir eficazmente o desgaste, garantindo que as turbinas continuem a gerar energia limpa durante anos para além da sua vida útil prevista.