Acronym: Maintenance4Sea 4.0

Description:

Um dos desafios centrais para a otimização operacional de componentes e estruturas em sistemas de produção de energia renovável offshore diz respeito à implementação de processos inteligentes de manutenção preditiva que permitam prever a possibilidade de ocorrência de falhas e prescrevam recomendações precisas para as intervenções necessárias [1–4]. Desta forma, os custos de manutenção serão menores e a eficiência de operação será aumentada [5]. De facto, componentes como turbinas eólicas, cabos submarinos, fundações e plataformas estão sujeitos a condições adversas severas, como sejam fortes correntes marítimas, salinidade elevada, variações extremas de temperatura, ventos intensos, etc. que podem acelerar a sua degradação e que obrigam a operações de inspeção e de manutenção preventiva e corretiva constantes [6].

Este projeto visa o desenvolvimento de metodologias e tecnologias para a manutenção preditiva de componentes e estruturas dos sistemas de produção de energia renovável offshore. A manutenção preditiva procura intervir apenas quando é necessário, com base na identificação precoce de sinais de deterioração, ou através do reconhecimento antecipado de sintomas que indiquem uma elevada probabilidade de ocorrência de anomalias nos equipamentos ou componentes [3]. Assim, a manutenção preditiva distingue-se da manutenção preventiva, que é realizada em intervalos regulares, ou a corretiva efetuada após falha ou avaria.

O projeto irá adotar uma abordagem alicerçada no paradigma da Indústria 4.0. Quer isto dizer que irá recorrer à utilização de tecnologias avançadas que se baseiam numa forte interligação entre sistemas físicos e digitais, como sejam a internet das coisas (IoT), machine learning, inteligência artificial ou digital twins, para monitorizar continuamente a integridade de componentes das turbinas e estruturas, identificar a possibilidade de ocorrência de falhas e recomendar ações preventivas [3,4,7–12].

Em concreto, serão desenvolvidos sistemas de sensores inteligentes IoT que irão adquirir dados, tais como salinidade, pressão, temperatura, força, inclinação e vibração ou emissão acústica. Será utilizada inteligência periférica (Edge-AI) para fazer um pré-processamento dos dados adquiridos e minimizar a necessidade de transmissão de grande volume de dados a longa distância. Serão também desenvolvidos sistemas de comunicação segura dos dados. Os dados obtidos serão utilizados para desenvolver modelos matemáticos e algoritmos de machine learning e de inteligência artificial que permitam prever o comportamento dos componentes e emitir alertas automáticos e/ou recomendações.

Para além disso, e de forma a prolongar a vida útil das estruturas offshore e minimizar a necessidade de intervenções para remoção de biofouling ou de reparação de danos causados pela corrosão, serão desenvolvidos revestimentos avançados que combinem características de self-healing com antifouling [13–16]. Finalmente, serão utilizados robôs submarinos equipados com braços e garras especialmente fabricadas para fazer a inspeção de estruturas submersas e fazer medidas da cinética corrosão in-situ, por recurso a técnicas de espectroscopia de impedância eletroquímica.

Para atingir os objetivos propostos para o projeto, foi criada uma equipa multidisciplinar, constituída por investigadores de diferentes áreas da Engenharia nomeadamente, Mecânica, Materiais, Eletrónica e Informática, o que permite uma abordagem holística das soluções inteligentes de manutenção preditiva a serem desenvolvidas. Assim, a Engenharia Mecânica e de Materiais focar-se-á na inspeção e otimização de estruturas e componentes. Por recurso a robôs submarinos será feita a monitorização do desempenho das soluções criadas e identificadas as variáveis relevantes a serem monitorizadas; a Engenharia Eletrónica dedicar-se-á ao desenvolvimento de sistemas de sensores e à implementação e configuração de redes e sistemas de comunicação para monitorização das variáveis selecionadas; e a Engenharia Informática dedicar-se-á ao tratamento de dados obtidos através dos sistema de sensores e robôs, e desenvolverá algoritmos de machine learning e inteligência artificial, modelos de digital twins e modelos de análise de dados para apoio na tomada de decisão.

Reference: NORTE2030-FEDER-01818800

IPVC Budget: 1210015 €

proMetheus PI: João C.C. Abrantes