Supervised Transfer Learning Framework for Fault Diagnosis in Wind Turbines

Título: Framework de Aprendizado Supervisionado por Transferência para Diagnóstico de Falhas em Turbinas Eólicas

Autores: Kenan Weber e Christine Preisach
Instituição: Hochschule Karlsruhe - University of Applied Sciences (Alemanha)
Parceiro de Pesquisa: EnBW Energie Baden-Württemberg AG

---

1. Problema e Contexto

O diagnóstico de falhas em turbinas eólicas (WEs) enfrenta desafios significativos, principalmente:

• Escassez de Dados Rotulados: Falhas ocorrem raramente, dificultando a criação de conjuntos de dados balanceados para treinamento.
• Custo de Modelos Específicos: Abordagens tradicionais exigem a construção de um modelo separado para cada turbina, o que é ineficiente dado o aumento no número de turbinas e sensores.
• Falta de Interpretabilidade: Muitos métodos baseados em redes neurais extraem características abstratas que são difíceis de explicar para técnicos e diagnosticadores.
• Generalização: Modelos treinados em uma turbina frequentemente falham ao ser aplicados em outras devido a diferenças de fabricantes, componentes e padrões de sinal.

O objetivo é criar um sistema automatizado de diagnóstico que seja capaz de detectar e classificar falhas (especificamente falhas em rolamentos e sensores) em diferentes turbinas e parques eólicos, utilizando aprendizado por transferência para reduzir a necessidade de dados rotulados no domínio alvo.

2. Metodologia Proposta

Os autores propõem um framework de Aprendizado Supervisionado por Transferência que opera em um espaço de características chamado "Anomaly-Space".

A. O "Anomaly-Space" (Espaço de Anomalia)

Em vez de usar dados brutos (SCADA e vibração) diretamente, o framework utiliza um espaço de características pré-processado fornecido pelo parceiro de pesquisa. Este espaço é construído através de algoritmos proprietários ("detectores") que transformam os dados brutos em escores de anomalia normalizados:

• Interpretabilidade: Valores acima de 1,0 são considerados anômalos. Cada valor representa um desvio do comportamento normal de um componente específico, tornando a entrada intuitiva para humanos.
• Detectores Utilizados:
  1. Detector tuplet: Monitora grupos de componentes semanticamente similares (ex: temperaturas das três fases do gerador). Usa testes estatísticos na variância para detectar falhas de sensores (desvios entre fases).
  2. Detector bbcv (Broad-Band-Characteristic-Value): Processa dados de vibração. Aplica FFT, extrai características (assimetria, curtose, médias) e calcula a "tendenciosidade" (trendiness) desses valores ao longo do tempo para detectar falhas em rolamentos.

B. Extração de Características e Pré-processamento

• Janelamento (Sliding Window): Uma janela deslizante de tamanho 144 (com passo 1) é aplicada aos escores de anomalia para capturar relações temporais.
• Novas Características: A partir das janelas, extraem-se duas características principais:
  1. Trend-Certainty (tc): Baseado no teste estatístico de Mann-Kendall para determinar a certeza de uma tendência positiva.
  2. Variance (var): Variância dentro da janela.
• Total de Features: O sistema final utiliza 6 características (saídas dos detectores + características derivadas de janelas).

C. Abordagem de Transferência

O método é classificado como uma abordagem baseada em características (feature-based). O "Anomaly-Space" atua como um espaço de características compartilhado entre domínios. Ao normalizar os desvios do comportamento normal, reduz-se a discrepância de distribuição entre diferentes turbinas, permitindo que um único classificador seja treinado em um conjunto de turbinas (domínio fonte) e aplicado em outras (domínio alvo) sem necessidade de ajuste fino complexo.

D. Modelos de Classificação

Foram comparados três classificadores supervisionados populares:

1. Random Forest (RF)
2. Light-Gradient-Boosting-Machines (LightGBM)
3. Multilayer Perceptron (MLP)

3. Contribuições Principais

1. Diagnóstico Baseado em Sinais Interpretáveis: Diferente de muitas abordagens de Deep Learning que usam "caixas pretas", este framework utiliza escores de anomalia normalizados que os diagnosticadores podem entender facilmente (desvios do normal).
2. Validação Extensiva com Dados Reais: Treinamento e avaliação rigorosos utilizando validação cruzada estratificada em dados reais de 5 turbinas de 4 parques eólicos diferentes.
3. Demonstração de Capacidade de Transferência: O melhor modelo foi testado em um conjunto de dados totalmente novo (2 turbinas de 2 parques, incluindo um parque nunca visto no treinamento), provando a eficácia da transferência de conhecimento entre domínios distintos.

4. Resultados

• Dados: O conjunto de dados continha 7 turbinas. O conjunto de treino/validação incluiu 5 turbinas (casos 1-6), e o conjunto de teste incluiu 2 turbinas (casos 7-8), sendo uma delas de um parque eólico completamente diferente.
• Métrica de Avaliação: Foi utilizado o F0.5-score (onde a precisão tem peso maior que o recall), pois é crucial minimizar falsos positivos para manter a confiança no sistema de diagnóstico.
• Desempenho no Treino (Validação Cruzada):
  • O Multilayer Perceptron (MLP) obteve o melhor desempenho, com um F0.5-score de 0,874.
  • Configuração do MLP: Função de ativação ReLU, otimizador Adam, taxa de aprendizado 0,001 e 1 camada oculta com 5 neurônios.
• Desempenho no Teste (Domínio Alvo):
  • O MLP treinado foi aplicado ao conjunto de teste (novas turbinas).
  • O modelo alcançou um F0.5-score de 0,937, superando inclusive o desempenho no conjunto de treino.
  • Precisão: 0,992 (indicando muito poucos falsos positivos).
  • Recall: 0,789.

Observação sobre os Resultados: O desempenho superior no teste foi atribuído a questões de qualidade nos dados de treino (especificamente um caso de falha de sensor com contato frouxo que gerou segmentos de dados "normais" dentro da janela de falha, confundindo o modelo durante o treino). O modelo conseguiu generalizar bem para as novas turbinas.

5. Significado e Conclusão

O estudo demonstra que é possível criar um sistema de diagnóstico de falhas robusto e generalizável para turbinas eólicas utilizando uma abordagem de aprendizado por transferência baseada em características.

• Eficiência Operacional: A capacidade de usar um único classificador para múltiplas turbinas reduz drasticamente a complexidade de manutenção e o custo computacional.
• Confiança do Operador: A natureza interpretável dos dados de entrada (escores de anomalia) facilita a adoção do sistema por equipes de manutenção, pois eles podem entender por que uma falha foi detectada.
• Aplicabilidade: O framework provou ser eficaz mesmo quando aplicado a turbinas de parques eólicos diferentes daqueles utilizados no treinamento, validando sua utilidade para cenários do mundo real onde dados de falhas são escassos e heterogêneos.

Trabalhos Futuros: Os autores sugerem a inclusão de detecção de distribuição fora do padrão (Out-Of-Distribution - OOD) para identificar tipos de falhas nunca antes vistos pelo sistema.