COTEQ2017 - 147
SISTEMA DE CLASSIFICAÇÃO APLICADO NA DETECÇÃO DE DANOS EM PÁS DE AEROGERADORES INSPECIONADOS POR ULTRASSOM
Lucas Farias M. Rodrigues¹, Fábio da C. Cruz², Eduardo F. Simas Filho³, Ygor T. B. dos Santos4, Moisés A. Oliveira5, Maria C. S. Albuquerque6
Ivan C.da Silva7, Cláudia T.T. Farias8.
14ª Conferência sobre Tecnologia de Equipamentos
Copyright 2017, ABENDI, ABRACO, ABCM, IBP e FBTS.
Trabalho apresentado durante a 14ª Conferência sobre Tecnologia de Equipamentos. As informações e opiniões contidas neste trabalho são de exclusiva responsabilidade do(s) autor(es).
SINOPSE
A contribuição da geração de energia elétrica, através da fonte eólica, aumentou nos últimos anos no Brasil. Entre as vantagens da geração eólica pode-se destacar o preço competitivo da energia produzida e o fato do recurso primário ser renovável. As pás são componentes importantes de um gerador eólico e, geralmente, são feitas de materiais compósitos. As principais causas de defeitos nestes elementos são: descargas atmosféricas, esforços mecânicos, desbalanceamentos, delaminações, etc. As técnicas de inspeção não destrutivas ultrassônicas são comumente aplicadas na manutenção de equipamentos industriais. Contudo, devido às condições de operação dos aerogeradores e à natureza do material compósito, as ondas ultrassônicas podem sofrer atenuação e dispersão, dificultando a interpretação dos resultados diretamente pelo operador. Neste trabalho, utilizou-se técnicas de inteligência artificial e processamento digital de sinais para a detecção de defeitos em seções de pás eólicas. Os corpos de prova foram ensaiados pela técnica ultrassônica por imersão não convencional, Bubbler. A transformada de Fourier foi utilizada na extração de características e um sistema de suporte à decisão, baseado em árvore de decisão, foi implementado. O sistema proposto alcançou eficiência média superior a 97% na classificação dos sinais.
__________________________
1 Graduando em Engenharia Elétrica - UESC 2 Prof. Me. Eng. Elétrica – UESC
3 Prof. Dr em Engenharia Elétrica –GPEND/ PPGEE/UFBA
4 Graduando em Eng. Industrial Mecânica –GPEND /LABIND/IFBA 5 Mestrando, Engenharia Elétrica – PPGEE/UFBA
6 Profa. Dra em Engenharia de Processos – GPEND/LABIND/IFBA
7 Prof. Dr. em Engenharia Metalúrgica e de Materiais – GPEND/LABIND/IFBA 8 Profa. Dra em Engenharia Metalúrgica e de Materiais – GPEND/LABIND/IFBA
1. INTRODUÇÃO
O vento é uma fonte primária de energia proveniente do aquecimento não uniforme da superfície da Terra – devido, por exemplo, à orientação dos raios solares como também da movimentação do planeta- através da radiação solar. Estima-se que 2% da energia entregue pelo sol é convertida em energia cinética dos ventos (1,2,3).
A energia eólica disponível nos ventos varia durante as horas do dia bem como ao longo das estações do ano (3,4). Ela vem sendo utilizada há milhares de anos com finalidade de atividades simples como moer grãos ou bombear água e de forma geral sendo aplicada principalmente na agricultura (3,5). Atualmente no Brasil em virtude de questões ambientais, bem como a necessidade do aumento do suprimento de energia, a geração eólica ganhou força e é amplamente difundida e incentivada pelo governo. Nesse cenário favorável, cada vez mais aerogeradores são instalados no país.
Tratando-se de aspectos construtivos de uma turbina eólica, as pás estão entre as componentes mais críticas da mesma, visto que elas influenciam diretamente na potência, na eficiência e na confiabilidade do sistema. Devido às condições climáticas de operação a que essas pás são expostas, os materiais compósitos comumente empregados estão suscetíveis à degradação e danos, o que torna necessária o acompanhamento frequente da sua integridade (2,3,5,6).
Um material compósito é obtido através da união de dois materiais distintos com diferentes propriedades e composição, separados por uma interface (7). A flexibilidade desse tipo de material para as propriedades desejadas é um atributo importante.
Em aerogeradores pode ser realizada a inspeção através de ensaios não destrutivos do tipo ultrassônico por imersão não-convencional Bubbler (8). Esse tipo de ensaio é comum nas pás dos aerogeradores devido à composição anisotrópica das mesmas (7).
Nesse trabalho, utilizou-se a técnica Bubbler para aquisição de dados provenientes das pás das turbinas eólicas com defeitos de delaminações e matriz seca. Os dados obtidos da inspeção foram tratados e seus espectros de frequência foram analisados através da Transformada de Fourier com finalidade de verificar as faixas com mais informação relevante para alimentar um sistema de apoio à decisão baseado em árvore de decisão. Esse sistema classificador deve ser capaz de reconhecer e separar padrões baseados nos tipos de defeitos em estudo (5,7).
2. FUNDAMENTOS TEÓRICOS
2.1 Ensaio ultrassônico pulso eco por imersão
A técnica ultrassônica pulso eco por imersão apresenta grande sensibilidade e precisão na identificação de pequenas descontinuidades, uma vez que é possível evitar os efeitos do campo próximo do feixe sônico, mantendo-o fora da região de análise, permitindo um aumento na área de detecção de falhas internas do material (12).
Para materiais que sofrem degradação em função do contato direto com a água, a técnica ultrassônica por imersão empregando um Bubbler, Figura 1, surge como alternativa de acoplamento. Nesta técnica, o feixe sônico é transmitido ao material do corpo de prova utilizando uma coluna d’água parcialmente fixa ou em fluxo. A coluna d’água pode ser localizada em um
suporte com altura suficiente para assegurar apenas a utilização da região do ultrassom que é de interesse, reduzindo ruídos e turbulências.
Figura 1: Técnica de ultrassom com Bubbler.
2.2 Tipos de falhas em pás de aerogeradores
Dentre os diferentes tipos de danos usualmente identificados em materiais compósitos, destacam-se a delaminação, a matriz seca, o arrancamento de fibras e a deterioração devido ao tempo (11). A delaminação é um tipo grave de falha e é caracterizada pelo deslocamento das camadas adjacentes do laminado, sendo principalmente observada nas camadas inferiores do material compósito. A consequência da delaminação é a perda de propriedades mecânicas, como resistência à fadiga e a resistência estática (11,12).
Alguns fatores ambientais e químicos, como a umidade relativa e a radiação ultravioleta caracterizam o envelhecimento da matriz dos materiais compósitos, alterando a estrutura molecular dos mesmos de forma irreversível (2). O estudo e modelagem desses fenômenos responsáveis por danos às pás de aerogeradores é essencial na manutenção da vida útil dos materiais que compõem o mesmo.
2.3 Transformada de Fourier
Esta técnica é largamente empregada para extração de características em sinais provenientes de inspeções ultrassônicas. A transformada discreta de Fourier (DFT, Discrete Fourier Transform) é obtida pela Equação 1 (13).
para m=0,1,...,N-1, x[n]=x(nT) para n=0,1,..., N-1 e temos X[m] = Xd(ωm). Além disso, m onde m é chamado de índice de frequência.
A Transformada Rápida de Fourier (FFT Fast Fourier Transform) é um método computacional de aplicação da DFT cujo cálculo é executado de forma rápida. É bastante útil na análise de fenômenos dependentes do tempo. Uma aplicação importante desse método é a análise dos sons. Um sinal no domínio da frequência pode concentrar as informações relevantes em determinados picos de frequência, desta forma facilitando o processo de seleção dos atributos (13).
2.4 Árvore de decisão
A árvore de decisão é um classificador indutivo que utiliza instâncias para gerar conclusões através de uma hipótese. É um sistema hierarquizado que se baseia na metodologia de dividir para conquistar através de uma distribuição vertical hierarquizada (14,15,16).
Dessa forma, a árvore de decisão toma como entrada uma característica descrita por um conjunto de atributos e dispõe como saída uma decisão, seja ela uma classificação ou predição. A árvore chega a essa decisão por uma sequência cujas respostas nominais são do tipo verdadeiro ou falso (17). Cada nó da árvore corresponde a um ponto de teste onde determinada instância é verificada. Os ramos desse nó são os dois possíveis valores testados anteriormente.
A estrutura vertical da árvore permite que o dado inicie no nó raiz (ponto de derivação inicial) atravesse os nós e ramos da árvore até o(s) nó(s) folha(s), como observado na Figura 2.
Figura 2: Árvore de decisão típica. Fonte: Hastie, Tibshirany & Friedman, 2008.
A maioria das árvores de decisão possuem regras de divisão para os nós internos de acordo com o valor de um único atributo. A separação dos atributos nos nós comumente é feita através de critérios que se baseiam na impureza dos nós.
Considere uma variável randômica x com k valores discretos, com distribuição de acordo com ), uma medida de impureza é uma função que satisfaz as seguintes propriedades (16):
1.
2. é mínimo se tal que o componente . 3. é máximo se , 1
4. é simétrico com respeito aos componentes de P.
5. é suave (completamente diferenciável) na sua faixa de valores.
Para um conjunto de treino S cujo vetor de probabilidade do atributo alvo y é definido como:
A qualidade de divisão para um atributo é definida como a redução na impureza após o particionamento do conjunto em estudo de acordo com os valores (16):
Índice de diversidade de Gini:
O índice Gini de um nó é definido como:
Desta forma, o critério para seleção do atributo é definido como:
Um nó com apenas uma classe (nó puro) possui índice Gini igual a zero, de outra forma o índice Gini é positivo. O índice Gini é considerado um critério baseado na impureza.
Critério do desvio (deviance):
Este critério é definido pela Equação 6:
onde a fração observada de cada classe i que atinge o nó.O critério de desvio igual a zero é obtido ara um nó puro.
Regra Twoing
Aborda um método de separação de nós não baseado na impureza dos mesmos. Esse critério favorece as divisões que agrupam classes iguais (17).
onde L(i) e R(i) são as frações de membros da classe i no nó a esquerda e direita, respectivamente; e P(L) e P(R) são as frações das observações que separam pra esquerda e direita, respectivamente. Uma ferramenta adicional desse tipo de sistema é a podagem. Ela permite aumentar o desempenho do classificador através da fusão de nós terminais pertencentes ao mesmo ramo (16,17). Uma árvore de decisão cresce verticalmente e costuma ter um grande número de nós e ramos, de forma a ser bastante complexa; a podagem, portanto, pode oferecer ganhos na eficiência da árvore, bem como no tamanho da mesma, evitando o sobre ajuste do classificador aos dados de treinamento.
O processo de podagem é realizado de forma a calcular o erro em determinado nó e a soma dos erros nos nós descendentes. Caso o erro do nó analisado seja menor ou igual à soma dos erros subsequentes, o nó é transformado em folha. Se realizado de forma correta, a podagem reduz a dimensão da árvore e garante eficiência similar.
(Eq. 3)
(Eq. 4)
(Eq. 5)
(Eq. 6)
Critérios de avaliação da eficiência do classificador
Para análise da eficiência do sistema de suporte à decisão é comum o uso de dois parâmetros: o produto de eficiências e a matriz de confusão. O produto de eficiências (PE) é a média geométrica das eficiências na classificação de cada classe, como mostra a Equação 8.
onde Ef é a corresponde a taxa de acerto de cada classe e n o número de classes.
A matriz de confusão é uma matriz quadrada de ordem n (número de classes) disposta em uma tabela. Em cada posição da diagonal principal dessa matriz, está disposto o acerto daquela classe enquanto nas outras posições da matriz, encontram-se os erros provenientes da classificação.
3. METODOLOGIA
Neste trabalho, foram utilizados três corpos de prova retirados de uma parte de uma pá de um aerogerador. Os corpos de prova (CP) observados na Figura 3 possuem defeitos do tipo matriz seca e delaminação. A Tabela 1 mostra as dimensões correspondentes aos CPs.
Figura 3: Corpos de prova da inspeção: (a) CP1 apresentando região com delaminação; (b) CP2 apresentando região com delaminação; (c) CP3 apresentando região com matriz seca.
Tabela 1: Dimensões dos corpos de prova.
Largura (mm) Comprimento (mm) Espessura (mm) Fibra de vidro em
matriz polimérica Madeira de balsa
CP1 201 229 5,1 10,0
CP2 226 226 5,1 10,0
CP3 216 224 4,9 10,0
Foi empregado a técnica de ultrassom por imersão não-convencional Bubbler com acoplante ágar- ágar. Na coleta de sinais, utilizou-se o osciloscópio digital Tektronix® modelo TDS 2024B cuja frequência de amostragem é 250MS/s. Foram coletados 100 sinais na região com defeito e mais 100 sinais na região sem defeito de cada corpo de prova. O osciloscópio utilizado extrai 2500 pontos de informação em sequência.
Após a etapa de aquisição de dados, o tratamento e processamento digital dos mesmos foram feitos no ambiente computacional MATLAB®. A etapa de extração de características, possibilitada através da transformada discreta de Fourier, permite identificar faixas de informação relevante, e excluir outras faixas que pouco ajudam na caracterização da hipótese criada pelo classificador. Em seguida, foram implementados diferentes parâmetros no sistema classificador árvore de decisão, variando os critérios dos nós, testando a podagem e analisando o desempenho e eficiência do sistema. Na fase de treino do classificador, utilizou-se 70% do conjunto de dados e os outros 30% foram empregados na fase de teste.
4. RESULTADOS E DISCUSSÃO
4.1 Extração de características
Para esta etapa foi utilizada a Transformada Rápida de Fourier. O módulo desta transformada oferece um espectro de frequência por magnitude como mostrado na Figura 4. Analisando os gráficos, é possível verificar a faixa de frequência na qual o conjunto de dados é melhor caracterizado por suas instâncias.
Figura 4: Espectros de frequência típicos dos corpos de prova.
Nota-se que apenas através da análise do espectro de frequência dos sinais para as diferentes classes não é possível a distinção entre as classes.
4.2 Árvore de decisão
Diferentes critérios de divisão foram testados com finalidade de verificar a eficiência do classificador em cada caso. Foram utilizados 100 coeficientes da transformada de Fourier.
A Tabela 2 mostra as eficiências médias para diferentes critérios de divisão nos nós.
Tabela 2: Eficiência para os critérios de divisão da árvore sem podagem.
Gini Deviance Twoing
PE 96,40% 97,11% 95,36%
Observou-se que com o índice Deviance, o sistema obteve eficiência superior a 97%. É interessante observar também a influência da podagem na eficiência do sistema. Para isso, implementou-se o
sistema utilizando essa ferramenta para os diferentes critérios de divisão e observou-se eficiência, os resultados obtidos são mostrados na Tabela 3.
Tabela 3: Eficiência para os critérios de divisão da árvore com podagem.
Gini Deviance Twoing
PE 96,33% 96,89% 95,08%
A podagem nesse sistema não influenciou significantemente porque a árvore gerada possui um número pequeno de nós, de forma que os níveis de podagem são poucos.
A matriz de confusão para a rede implementada com maior eficiência (aproximadamente 97%) com índice Deviance e sem podagem é mostrada na Tabela 4. Para o defeito do corpo de prova 3, o sistema classificou corretamente 100% dos dados de teste, enquanto que para o defeito corpo de prova 1, apresentou 93,33% de acerto (menor eficiência obtida entre as classes analisadas), confundindo 6,64% com dados do corpo de prova 2. Ainda assim, a matriz apresenta um desempenho satisfatório para as diferentes classes.
Tabela 4: Matriz de confusão da árvore de decisão implementada. Classe real
Defeito CP1 Defeito CP2 Defeito CP3 Sem defeito
Classe Detectada Defeito CP1 93,33% 3,33% 0 1,11% Defeito CP2 6,64% 96,67% 0 0 Defeito CP3 0 0 100% 0 Sem defeito 0 0 0 98,89% 5. CONCLUSÕES
Este trabalho propôs um sistema de classificação para os sinais coletados através da inspeção por ultrassom de pás de aerogeradores. As amostras coletadas nos corpos de prova apresentam três diferentes defeitos e foram processadas através da Transformada de Fourier. O sistema de suporte à decisão empregado foi a árvore de decisão, de forma a auxiliar o operador na identificação dos defeitos de delaminação e matriz seca. A árvore de decisão implementada apresentou produto de eficiência superior a 97% na classificação dos dados. Desta forma, o sistema proposto atendeu aos objetivos previstos e pode ser empregado como ferramenta para a discriminação de classes em pás eólicas construídas com materiais compósitos.
6. AGRADECIMENTOS
Ao Laboratório de Ensaios Ultrassônicos do Instituto Federal da Bahia pela utilização da infraestrutura. Ao Grupo de Pesquisas em Ensaios Não Destrutivos – GPEND, pelo apoio técnico. Ao IFBA, à UESC e ao CNPq pelo apoio financeiro.
Referências Bibliográficas
(1) Dutra R., “Energia Eólica- Princípios e Tecnologias (Tutorial Eólica)”, CRESESB, 2008. (2) Rios A. S., “Estudo do envelhecimento acelerado de materiais compósitos revestido com poliuretano aplicado em aerogeradores”. (Dissertação de mestrado), Universidade Federal do Ceará, Fortaleza, 2012.
(3) Campos M. O., “Estudo comparativo de pás para aerogeradores de grande porte fabricados em materiais compósitos reforçados com fibra de carbono e fibra de vidro”. (Dissertação de mestrado) Universidade Federal do Rio grande do Norte, Natal, 2013.
(4) Plano Nacional de Energia 2030. Disponível em:
< http://www.epe.gov.br/PNE/20080512_9.pdf>. Acessado em 11/12/2016.
(5) Campos M. O., “Análise estrutural de pás de gerador eólico de pequeno porte feitas de fibra vegetal brasileira”. (Dissertação de mestrado) Universidade Estadual do Ceará, Fortaleza, 2010. (6) Rumsey M. A., “Paquette J. A. Structural Health Monitoring of Wind Turbine Blades.” Albuquerque, EUA, 2010.
(7) Santos Y. T. B. et al. “Detecção de danos em pás de turbinas eólicas utilizando técnicas não destrutiva ultrassônica e processamento digital de sinais.”, CONAEND&IEV2016 – 042, 2016. (8) Lopes J; Ribeiro I.; Farias C. T. T.; Santos Y. T. B.; Oliveira M., “Mapeamento da perda de espessura por corrosão em tubo de aço utilizando ensaio não destrutivo ultrassônico através da técnica de imersão Bubbler”, V CONNEPI., Belém, Pará, 2010.
(9) Silva I. C., “Avaliação da carburização em aços HP por ensaio magnético não destrutivo.”. (Dissertação de doutorado). Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2006.
(10) Andreucci, R., “Aplicação Industrial- Ensaio por ultrassom”. Abendi, 2011.
(11) Wern, C.W.; Ramulu, M., Schukla, A., Investigation of Stresses in the Orthogonal Cutting of Fiber-Reinforced Plastics, Experimental Mechanics, 1994.
(12) Durão L. M. P et al, “Avaliação da delaminação após furação em compósitos laminados.” ECMEC, Porto (Portugal), 2010.
(13) Chen C.T.,”Signals and Systems- A fresh look.” Stony Brook University, 2009. (14) Michell, Tom, “Machine Learning”, Mc Graw Hill, 1997.
(15) Lucide A. W. C., Identificação do estado de carburização em tubos de aço HP utilizando ondas ultrassônicas e árvore de decisão. ConaEnd&Iev, 2016.
(16) Rokach, L.; Maimon, O., “Data mining with decision trees’’ Theory and applications. 2008. (17) Breiman, L.; Friedman, J.H.; Olshen R. A. and Stone, C.J., “Classification and regression trees.” Belmont, Calif.: Wadsworth, 1984.
