Metodologia de diagnóstico automático em aerogeradores: estudo sobre mancais de rolamento em uma bancada e em um caso real

Abstract

Com a expansiva presença das energias renováveis na matriz energética mundial, e o número de ativos de geração eólica em expansão, os controladores desses ativos possuem uma crescente demanda para com sua manutenção. A fim de tornar tal demanda mais eficiente e eficaz, metodologias de monitoramento da condição de ativos obtiveram adoção em grandes parques eólicos. Dentre tais metodologias, o monitoramento de vibrações de partes girantes destes ativos é uma das mais populares, permitindo ao seu usuário uma detecção antecipada de anomalias em seus ativos. E, especificamente, os mancais de rolamento desse tipo de máquina, por serem um dos componentes mais sujeitos a sofrer com anomalias no longo prazo, se beneficiam do método de análise de vibrações. Por conta do grande número de ativos presente nos parques eólicos, a análise manual se torna inviável. Dada a necessidade, esse trabalho possui o intuito de apresentar uma metodologia de diagnóstico automático por meio de vibrações aplicado a rolamentos. O método apresentado utiliza rotinas de processamento de sinais para determinar características descritivas de anomalia para rolamentos, dadas suas frequências típicas fornecidas pelos seus fabricantes e limites de magnitude vibratória por linhas de base dadas por normas técnicas adaptáveis a linhas de base empíricas. A metodologia foi testada em dois conjuntos de dados: uma bancada de testes de vibrações em menor escala e um aerogerador monitorado por um período de aproximadamente 12 meses que possuiu diagnóstico confirmado de anomalia em um de seus mancais de rolamento. Os resultados da metodologia forneceram uma indicação clara e progressiva de detecção das anomalias às quais foram configurados, e mostraram também características replicáveis a outros tipos de rolamento, dada sua eficácia em ambos os cenários, de bancada e de monitoramento in loco. A metodologia se provou eficiente, maleável e escalável, cumprindo com seu objetivo de tornar sua aplicação viável a grandes parques eólicos.

Abstract: With the expanding presence of renewable energies in the global energy matrix and the growing number of wind generation assets, the controllers of these assets have an increasing demand for their maintenance. In order to make this demand more efficient and effective, asset condition monitoring methodologies have been adopted in large wind farms. Among these methodologies, the vibration monitoring of rotating parts of these assets is one of the most popular, allowing the user to detect anomalies in their assets early on. Specifically, the rolling bearings of this type of machine, being one of the components most subject to anomalies in the long term, benefit from the vibration analysis method. Due to the large number of assets present in wind farms, manual analysis becomes unfeasible. Given the need, this work aims to present an automatic diagnosis methodology through vibrations applied to rolling bearings. The presented method uses signal processing routines to determine anomaly descriptive characteristics for rolling bearings, given their typical frequencies provided by their manufacturers and vibration magnitude limits by technical standards adaptable to empirical baselines. The methodology was tested on two datasets: a smaller-scale vibration test bench and a wind turbine monitored for a period of approximately 12 months that had a confirmed anomaly diagnosis in one of its rolling bearings. The results of the methodology provided a clear and progressive indication of the detection of the anomalies to which they were configured, and also showed characteristics replicable to other types of bearings, given their effectiveness in both bench and in-situ monitoring scenarios. The methodology proved to be efficient, malleable, and scalable, fulfilling its objective of making its application viable for large wind farms.