Multinacional brasileira está incorporando dados e algoritmos para melhorar a precisão de análises preditivas e mitigar quebras em turbinas hidroelétricas e eólicas

A AQTech, empresa de de Florianópolis (SC) especializada em tecnologias preditivas no mercado de geração de energia, está avançando no uso de machine learning (ML) para monitoramento e diagnóstico de turbinas hidroelétricas e eólicas. A multinacional brasileira, que mantém presença em países da América Latina, Ásia e Europa, está ampliando o desenvolvimento e aplicação de recursos de inteligência computacional em suas soluções nos setores de ‘hydro’ e ‘wind’ — representando um marco tecnológico para o setor.
O projeto desafiador começou em 2020 e conta com a participação de cientistas de dados e produção de estudos de caso chancelados por empresas e universidades. O uso de machine learning na área de pesquisa e desenvolvimento (P&D) envolve experiências dedicadas a melhorar a predição de falhas em máquinas de geração de energia. Isso ocorre por meio do monitoramento de vibração, temperatura, medição acústica, análise de óleo e outras variáveis capazes de identificar problemas nas máquinas e gerar dados confiáveis que ajudem na tomada de decisão para a inspeção e manutenção das turbinas.
“Não queremos a IA como substituta de mão de obra humana, mas que ela seja complementar e dê os subsídios necessários para apontar, num universo de várias máquinas, quais delas precisam de atenção especial para evitar falhas mais graves na geração energética. Já podemos dizer que temos tido sucesso na incorporação do ML em nossas soluções”, diz Emerson Ancini, Diretor Comercial da AQTech.
Isso vem sendo possível porque os profissionais da AQTech estão aperfeiçoando cada vez mais os modelos de machine learning de acordo com o comportamento individual das máquinas instaladas em hidrelétricas e parques eólicos. Quando o estado normal da operação destoa do padrão, modelos matemáticos têm ajudado a apontar quais máquinas necessitam de atenção.
Os meios utilizados para compor esses dados engloba diferentes metodologias matemáticas, como o uso de modelos de machine learning em conjunto com estatística para inferir a condição de cada unidade geradora. Ou seja, trata-se de uma ferramenta de apoio para equipe de O&M, que confere um grau a mais de confiabilidade do sistema, mitigando possíveis quebras dos equipamentos.
Vitor Pohlenz, Cientista de Dados na AQTech, indica que é inviável para a equipe de O&M manter uma análise manual e em tempo real de todas as máquinas e subsistemas em operação de forma a predizer as possíveis falhas. Dessa forma, “a ideia é treinar os modelos com os dados históricos para identificar quando algo está performando fora do seu comportamento normal. Utilizando a massa de dados, cruzamento de informações e o auxílio da IA e estatística, mesmo os defeitos pequenos são apontados de forma automatizada, rápida, eficiente e assertiva”.
De acordo com Emerson Ancini, os modelos de machine learning, em termos de produto, estão em estágio de evolução constante. “A AQTech está atualmente empenhada no desenvolvimento de vários projetos nesta área, visando oferecer soluções cada vez mais confiáveis e precisas. A inteligência artificial certamente se configura como o futuro iminente do mercado de monitoramento de condições, para não dizer que já é o presente”, afirma.
Uma das áreas impactadas é o serviço oferecido pelo Centro de Análise da Condição (CAC), suporte prestado para dezenas de clientes em hidrelétricas e parques eólicos que contribui para a análise de dados, e que ganhará cada vez mais autonomia e automatização no monitoramento e diagnóstico de condição dos ativos de energia.

Produção de energia eólica deve ser impactada pela ML
No setor de energia eólica, onde a empresa cresceu 470% em faturamento entre 2020 e 2023, o uso de machine learning tem objetivos evidentes, segundo a AQTech. Primeiro porque um parque eólico costuma possuir centenas de máquinas em operação e as turbinas são de difícil acesso – o que dificulta a análise manual máquina por máquina, em tempo real. “Os modelos de machine learning auxiliam no diagnóstico automático das turbinas eólicas, apontando para os seres humanos quais máquinas e componentes eles precisam prestar atenção”, reforça.
Além da análise preditiva automatizada, a tecnologia contribui para reduzir a quebra de máquinas e, por consequência, evita gastos financeiros maiores do que o custo necessário para a manutenção dos sistemas. “As dimensões das turbinas e das pás estão aumentando e a tendência é de que cada vez mais as falhas nas máquinas cresçam de forma mais rápida para uma quebra. O machine learning é uma ferramenta poderosa nesse sentido, porque a sensibilidade de detectar um problema tende a ser cada vez mais robusta dado que o modelo computacional consegue evoluir proporcionalmente à quantidade de dados processados”.

Análise em hidrogeradores se mostra promissora
Um dos trabalhos que vem sendo estruturado pela AQTech na área hídrica é integrante de um programa de pesquisa e desenvolvimento da Agência Nacional de Energia Elétrica (ANEEL), que regulamenta os incentivos na busca por inovações tecnológicas no setor elétrico. Intitulado de “Sistema de Aprendizado de Máquina (Machine Learning) para análise e diagnóstico de falhas em hidroelétricas com base em dados de processo, vibração e acústica”, o projeto é realizado em parceria com a Santo Antônio Energia desde 2020.
O estudo apresenta uma proposta que vem se mostrando eficaz no uso de machine learning e métodos estatísticos para aprender o comportamento dos componentes das unidades geradoras hidráulicas, sendo possível identificar as anomalias e acompanhar a evolução delas ao longo do tempo. Isso acontece por meio de cálculos matemáticos e análise de desvios do comportamento normal nas tendências de vibração dos hidrogeradores.
De acordo com Emerson Ancini, o objetivo foi criar uma metodologia apta a acompanhar essas tendências de vibração dos componentes da turbina, identificando falhas na máquina ainda em seus estágios iniciais. Isso ocorre por meio da utilização e distribuição de resíduos para identificar “outliers” que indicam a degradação dos componentes ou potenciais defeitos.
Os dados são coletados de forma periódica e síncrona e se mostraram eficientes, apresentando possíveis anomalias e gerando tempo hábil para que a equipe de operação e manutenção possa analisar e priorizar as condições de funcionamento do hidrogerador antes que o defeito identificado progrida, levando a quebra de componentes da turbina.
“Esses primeiros resultados já demonstram que o machine learning é promissor para auxiliar na manutenção preventiva e preditiva em hidrogeradores, sinalizando de forma eficaz defeitos ainda nos estágios iniciais, evitando quebras de componentes que podem chegar na casa dos milhões de reais em casos mais graves”, finaliza Emerson Ancini.

Foto em destaque imagem de wirestock no Freepik