Estimativa de vida remanescente de rolamentos de alta rotação em aerogeradores a partir de séries temporais de vibração mecânica

Abstract

A expansão da geração de energia elétrica de origem eólica, aliada à crescente complexidade dos aerogeradores, demanda o desenvolvimento de estratégias avançadas de Operação e Manutenção (O&M) para garantir maior disponibilidade dos equipamentos e reduzir os custos operacionais. Neste contexto, a estimativa de falhas em componentes críticos, como os rolamentos de alta velocidade da caixa de transmissão, torna-se fundamental para a manutenção. Este trabalho propõe uma metodologia baseada na análise de séries temporais de vibração mecânica para estimar a vida útil remanescente (RUL) desses rolamentos. A investigação é fundamentada num conjunto de dados, abrangendo etapas desde o pré-processamento dos sinais até a modelagem da degradação. A metodologia inclui a extração e seleção de características nos domínios do tempo e da frequência, com critérios baseados em monotonicidade, além da redução dimensional por meio da Análise de Componentes Principais (PCA). Para a estimativa do RUL, adotou-se um modelo de degradação exponencial aplicado ao indicador de saúde (HI) derivado. Os resultados evidenciam que métricas impulsivas, como a Curtose Espectral combinada com análise de tendência, permitem a detecção antecipada de falhas, enquanto a validação pelo critério α-λ confirma a robustez da abordagem para suporte a decisões de manutenção e redução de paradas não planejadas.

This work addresses the growing need for advanced Operation and Maintenance (O&M) strategies in wind energy systems due to increasing complexity and data availability. A methodology is proposed for fault prognosis of high-speed shaft bearings in wind turbine gearboxes, using mechanical vibration time series. The study utilizes a dataset, covering signal preprocessing, feature extraction in time and frequency domains, feature selection based on monotonicity, and dimensionality reduction via Principal Component Analysis (PCA). An exponential degradation model is applied to a health indicator for Remaining Useful Life (RUL) estimation. Results show that impulsive metrics, such as spectral kurtosis combined with trend analysis, allow early fault detection. Model validation using the α-λ metric confirms the approach’s effectiveness, supporting predictive maintenance decisions and reducing unplanned downtime.