Dissertação
{pt_PT=Quantifying the Potential Logistic Benefits of a Predictive Maintenance Strategy in Offshore Wind Farms} {} EVALUATED
{pt=O presente trabalho visa quantificar os benefícios potenciais de uma estratégia de manutenção preditiva em parques eólicos offshore, comparando com a manutenção corretiva. A manutenção preditiva também é testada para cinco períodos preditivos diferentes, referindo-se este com quantos dias de antecedência uma falha pode ser prevista. Para quantificar estes benefícios, são realizadas duas análises baseadas num modelo computacional desenvolvido em Python para este fim, construído com uma estrutura baseada em módulos. Em primeiro lugar, uma análise do parque eólico avalia os potenciais benefícios logísticos que a manutenção preditiva pode trazer a um parque eólico. Depois, uma análise a nível de componentes visa quantificar estatisticamente a variabilidade dos custos totais das falhas ao longo do ano, para cada estratégia e subconjunto de manutenção. São também encontrados benefícios logísticos estatísticos nos custos totais das falhas. De um modo geral, verificam-se grandes diminuições de custos num período preditivo de 5 dias. Os resultados dos parques eólicos mostram que os custos totais mais baixos dos parques eólicos, e a maior disponibilidade energética, foram encontrados para um período preditivo de 20 dias. Contudo, estes resultados de custos totais estão próximos dos resultados do período preditivo de 10 dias. Os resultados a nível de componentes mostram que diferentes subconjuntos têm benefícios logísticos diferentes, mas benefícios semelhantes são encontrados para o mesmo tipo de manutenção. Os benefícios do custo total das substituições dos subconjuntos variam de 1,4% a 3,2%, das grandes reparações de 13,3% a 19,6%, e das pequenas reparações de 56,4% a 60,5%., en=The present work aims to quantify the potential benefits of a predictive maintenance strategy in offshore wind farms, benchmarking these benefits against corrective maintenance. The predictive maintenance is also tested for five different predictive periods, here referring to how many days ahead a failure can be predicted. To quantify these benefits, two analyses are performed based on a computational model developed in Python for this purpose, built with a module-based structure. Firstly, a wind farm analysis assesses the potential benefits that predictive maintenance can bring to a wind farm. Then, a component-level analysis aims to statistically quantify total failure costs variability throughout the year, for each maintenance strategy and subassembly. Statistical logistic benefits in the total failure costs are also found. In general, major cost decreases are found in a 5-day predictive period. Wind farm results show that the lowest total wind farm costs, and highest energetic availability, were found for a 20-day predictive period. However, these total cost results are close to the results from the 10-day predictive period. The component level results show that different subassemblies have different logistic benefits, but similar benefits are found for the same maintenance type. The total failure cost benefits of the subassemblies’ replacements vary from 1.4% to 3.2%, major repairs from 13.3% to 19.6%, and minor repairs from 56.4% to 60.5%.}
dezembro 10, 2021, 11:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Ricardo Balbino Santos Pereira
Departamento de Engenharia Mecânica (DEM)
Professor Auxiliar Convidado
