A manutenção preditiva baseada em IA melhora o desempenho das turbinas eólicas

Explore a forma como a Suzlon, líder no sector das energias renováveis, utiliza a IA e os dados para melhorar o desempenho e a longevidade das suas turbinas eólicas.
A Suzlon está numa jornada para usar big data e IA para reimaginar o futuro do nosso negócio e os principais parceiros tecnológicos são vitais para o sucesso contínuo. Estou impressionado com o RapidCanvas como uma plataforma de IA emergente e disruptiva. Simplificaram o percurso da ideia ao protótipo e à produção. A sua plataforma é incrivelmente fácil de utilizar. Compreendem os pontos fracos e as necessidades do sector das energias renováveis e as suas soluções de IA pré-configuradas para vários casos de utilização de turbinas eólicas respondem exatamente às nossas necessidades comerciais.
Suunil Narula
Chefe de Administração, Suzlon

Introdução

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. 

Desafios enfrentados

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.

Solução implementada

Extração e preparação de dados

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.

Modelação automatizada 

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. 

Painéis de controlo e alertas 

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.

Resultados e benefícios

Falhas previstas com antecedência

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.

Poupanças totais em todas as turbinas

Com o modelo implementado em mais de 700 turbinas, a poupança total para a empresa ascende a quase 35 milhões de dólares.

Informações baseadas em dados sobre operações e manutenção

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. 

Melhoria da gestão dos recursos

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.

Prolongamento da vida útil das turbinas eólicas 

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. 

Nenhum item encontrado.

83%

Avarias na caixa de velocidades da turbina previstas com 45 dias de antecedência

$50K

Poupança por turbina

Veja como funciona o RapidCanvas

Se tiver alguma dúvida ou precisar de ajuda, contacte o RapidCanvas
Marcar uma demonstração
Seta RapidCanvas