Developing of computing models for defect identification in wind turbine blades

Abstract

A energia eólica, com sua rápida expansão global, destaca-se como uma das fontes de energia renovável de crescimento mais rápido. Com os avanços na tecnologia das turbinas eólicas, houve um aumento notável no tamanho das pás, melhorando sua eficácia na captação do vento. O setor da energia eólica está ativamente explorando tecnologias inovadoras de inspeção para mitigar riscos humanos e minimizar custos. Com os avanços em robótica e técnicas de inspeção, algoritmos de aprendizado automática e inteligência artificial estão sendo desenvolvidos para automatizar e processar eficientemente grandes volumes de dados, reduzindo custos e riscos de segurança relacionados ao perigoso trabalho humano necessário para inspecionar as pás das turbinas eólicas. Em linha com esse objetivo, a presente dissertação de mestrado visa desenvolver e/ou melhorar uma ferramenta de inteligência artificial capaz de processar e detetar defeitos em imagens RGB das pás de turbinas eólicas. Conclui-se que as redes neurais convolucionais se destacam no processo de classificação de imagens em grande escala. Consequentemente, um modelo de rede neural convolucional é proposto e posteriormente treinado. Três diferentes técnicas de treino são exploradas e comparadas na capacidade de previsão geral do modelo final. Apesar do desempenho promissor para bancos de dados mais volumosos, o modelo não conseguiu treinar efetivamente no conjunto de dados de danos das pás de turbina disponível, principalmente devido ao tamanho limitado do banco de dados. Uma tentativa subsequente de desenvolver outra arquitetura CNN adaptada para bancos de dados menores também produziu resultados insatisfatórios.

Wind energy, with its rapid global expansion, stands as one of the fastest-growing renewable energy sources. As advancements in wind turbine technology unfold, there has been a notable increase in blade sizes, enhancing their wind-capturing efficacy. The wind energy sector is actively exploring innovative inspection technologies to mitigate human risk and minimize costs. With advancements in robotics and inspection techniques, machine learning algorithms and artificial intelligence are being developed to automate and efficiently process significant volumes of data while reducing costs and safety risk related to the hazardous human labor required to inspect the wind turbine blades. In line with this objective, this master's dissertation aims at developing and/or improving an artificial intelligence tool capable of accurately processing and detecting surface in RGB images of wind turbine blades (WTB). An initial exploration of machine learning algorithms was conducted to identify the most suitable techniques for the given task. It was determined that Convolutional Neural Networks (CNN), a branch of machine learning algorithms, are particularly adept at handling large-scale image classification challenges. Consequently, a CNN model or architecture, is proposed and subsequently trained. Three different training techniques are explored and compared on their result in overall prediction capability of the final CNN model upon acquiring the image data, the CNN model underwent training, followed by an evaluation of its predictive accuracy. Despite promising performance, the model was unable to train effectively on the WTB damage dataset, primarily due to the limited size of database. A subsequent attempt to devise another CNN architecture tailored for smaller databases also yielded unsatisfactory results.