Análise de ruído audível de aerogeradores utilizando aprendizado de máquinas

Página do item simplificado
dc.contributor.advisorSantos, Murillo Ferreira dos
dc.contributor.advisor-coSilva, Mathaus Ferreira da
dc.contributor.advisor-coLatteshttp://lattes.cnpq.br/4034410863099991
dc.contributor.advisorLatteshttp://lattes.cnpq.br/6538282975603701
dc.contributor.authorSilva, William Rodrigues
dc.contributor.authorLatteshttp://lattes.cnpq.br/9654620530818203
dc.contributor.refereeSantos, Murillo Ferreira dos
dc.contributor.refereeSilva, Mathaus Ferreira da
dc.contributor.refereeOliveira, Ângelo Rocha de
dc.contributor.refereeBarbosa, Burno Henrique Groenner
dc.date.accessioned2026-06-01T20:12:49Z
dc.date.available2026-06-01T20:12:49Z
dc.date.issued2025-08-14
dc.descriptionTrabalho desenvolvimento com o apoio da empresa Elera Renováveis, sendo que o trabalho encontra-se vinculado ao projeto desta, PD-02393-0223/2023
dc.description.abstractA energia eólica, uma fonte sustentável e crescente na matriz energética brasileira, tem ganhado destaque nos últimos anos. Esse crescimento gera uma demanda crescente por soluções de manutenção preventiva e corretiva para os equipamentos responsáveis pela geração dessa energia. As turbinas eólicas, que consistem na sua grande maioria em sistemas mecânicos rotativos, podem gerar sons na faixa audível (frequentemente fora da faixa audível humana) que podem ser analisados para a detecção de falhas em seus componentes. Esta dissertação visa investigar uma técnica inovadora para a detecção de falhas em turbinas eólicas, utilizando a análise acústica dos sons produzidos por seus mecanismos. A abordagem proposta envolve o uso de redes neurais não supervisionadas para identificar padrões sonoros anômalos e a aplicação de redes neurais especialistas para catalogar e classificar essas falhas. Ao final, são apresentados os resultados experimentais que demonstram a eficácia da técnica proposta, suas limitações e o potencial de aplicação em outros setores industriais. Através do monitoramento de cinco aerogeradores, foram separadas duas falhas com precisão entre 98 e 99% de acurácia na sua classificação.
dc.description.abstractotherWind energy, a sustainable and increasingly prominent source in Brazil’s energy matrix, has gained significant attention in recent years. This growth has led to a rising demand for preventive and corrective maintenance solutions for the equipment involved in its generation. Wind turbines, composed of rotating mechanical systems, can produce audible sounds (often atypical) that may be analyzed for fault detection in their components. This dissertation explores an innovative technique for fault detection in wind turbines based on the acoustic analysis of sounds emitted by their mechanical assemblies. The proposed approach employs unsupervised neural networks to identify anomalous sound patterns and expert neural networks to catalog and classify the detected faults. Finally, experimental results are presented to demonstrate the effectiveness of the proposed method, its limitations, and its potential for application in other industrial sectors. Through the monitoring of five wind turbines, two faults were accurately classified with an accuracy ranging from 98 to 99%
dc.identifier.urihttps://repositorio.cefetmg.br//handle/123456789/2722
dc.language.isopt
dc.publisherCentro Federal de Educação Tecnológica de Minas Gerais
dc.publisher.countryBrasil
dc.publisher.initialsCEFET-MG
dc.publisher.programPrograma de Pós-Graduação em Automação e Sistemas
dc.subjectEnergia eólica
dc.subjectInteligência artificial
dc.subjectRuído
dc.titleAnálise de ruído audível de aerogeradores utilizando aprendizado de máquinas
dc.typeDissertação

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
ANÁLISE DE RUÍDO AUDÍVEL DE AEROGERADOS UTILIZANDO APRENDIZADO DE MAQUINA.pdf
Tamanho:
16.9 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.39 KB
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

Mestrado Profissional em Automação e Sistemas