Case de Sucesso
Monitoramento de Ruídos Audíveis em Aerogeradores, com a Elera Renováveis
Neste case, contamos como, em 30 meses de trabalho conjunto com a Elera Renováveis, transformamos o conhecimento tácito de técnicos de campo em um sistema de IA que detecta anomalias de 10 a 18 dias antes dos sistemas tradicionais de vibração e SCADA.
30 meses de projeto
65 aerogeradores · 225 MW
Complexo Eólico Faísa · Ceará
O parque onde o sistema foi desenvolvido, instalado e validado em operação real.
Desafio
Transformar experiência de campo em sistema de IA.
Em 2023, a Elera Renováveis nos procurou com uma constatação que já circulava informalmente entre suas equipes há algum tempo. Técnicos experientes conseguiam identificar um problema mecânico só pelo som do aerogerador — um chiado diferente, uma frequência levemente alterada no ruído da nacele — antes de qualquer alarme aparecer no SCADA. Um conhecimento real, testado em anos de rotina, só que raramente sistematizado.
O problema era que esse conhecimento estava distribuído entre pessoas. Não existia em um painel. Não escalava para um parque com dezenas de máquinas. E não tinha como ser consultado às três da madrugada, quando algo começava a soar diferente numa turbina sem ninguém por perto.
Nossos técnicos conseguem ouvir sons estranhos nas máquinas, e frequentemente esses ruídos se transformam em problemas sem que o SCADA e os sensores de vibração identifiquem com antecedência. Vocês conseguem transformar esse conhecimento tácito em algo concreto e metodológico?
— Demanda inicial da Elera Renováveis, 2023
A pergunta era precisa e difícil ao mesmo tempo. Precisa porque identificava exatamente onde estava a lacuna: o conhecimento existia, só não estava sistematizado. Difícil porque traduzir percepção humana em modelo computacional — de forma que funcione em campo real, com vento, variação de carga e interferência — é um problema não trivial.
Havia ainda uma limitação conhecida dos sensores já instalados: eles detectam falhas em estágio avançado, e componentes como ventilador, acoplamento e parte do conjunto de engrenagens ficavam parcialmente fora do seu alcance. Em um parque com dezenas de máquinas, acompanhar cada uma manualmente também não escala — era preciso automatizar a triagem para saber, todos os dias, quais aerogeradores mereciam atenção.
A jornada
Trinta meses de trabalho, do laboratório ao parque real
O projeto não nasceu pronto. Foi construído em ciclos de hipótese, teste, campo e revisão — a única forma honesta de desenvolver um sistema que vai operar em condições reais.
A primeira fase foi de exploração: entender como soa uma turbina saudável, como esse som varia com o vento e a carga, onde ficam os padrões que indicam normalidade. A partir do segundo semestre de 2024, o sistema começou a ser instalado nas turbinas reais do Complexo Faísa — primeiro em algumas máquinas, depois expandindo até cobrir todo o parque. Cada instalação gerava novos dados, cada dado refinava os modelos, e cada alerta ia para a equipe da Elera, que validava ou descartava em campo e devolvia esse retorno ao sistema.
Nenhuma das falhas validadas apareceu de repente. As anomalias identificadas tinham trajetória: um sinal que crescia gradualmente ao longo de dias antes de virar um problema real. É esse padrão evolutivo que torna a antecipação possível.
DEZ 2023
Exploração e primeiros modelos
Definição da arquitetura, seleção de hardware e análise de datasets de referência. Primeiros modelos base validados em bancada acústica.
AGO 2024
Primeira detecção validada em campo
Falha de rolamento identificada na turbina FAI2-07, treze dias antes da inspeção que a confirmou.
2025
Expansão e validação científica
Dois artigos publicados nos periódicos Sensors e Inventions (MDPI), dois registros de software concedidos pelo INPI e uma dissertação de mestrado defendida.
MAI 2026
Cobertura total do parque
Sistema operando sobre os 65 aerogeradores do Complexo Faísa, elevando a tecnologia de TRL 4 a TRL 7.
Solução
Hardware na nacele, um ensemble de IA na nuvem e um alerta antes da falha virar parada
O sistema instala um minicomputador com microfone dentro da nacele de cada aerogerador, captando áudio de forma contínua e enviando os dados para a nuvem pela rede do próprio cliente ou por chip GSM. O hardware é de baixo custo e opera de forma isolada da máquina, sem interferir nos sistemas de controle existentes — o que torna a instalação viável em escala, mesmo em parques grandes.
Na nuvem, um ensemble de modelos de IA analisa esse som quase em tempo real. Parte deles é generalista, aprendendo o comportamento normal de cada turbina individualmente; outra parte é especialista por modo de falha, treinada para reconhecer assinaturas específicas de rolamento, gearbox, ventilador e acoplamento. Um filtro temporal suaviza os resultados ao longo dos dias, reduzindo falsos positivos antes que qualquer alerta chegue à equipe técnica.
Cada anomalia identificada gera um alerta automático por e-mail ao responsável técnico do parque, e a cada quinze dias conduzimos uma reunião de report apresentando os padrões observados. A validação física continua nas mãos do cliente: identificamos e reportamos, a equipe de O&M valida e decide a manutenção — sem tirar o time de campo do controle da operação.
Resultados
Dez anomalias confirmadas antes da inspeção — e um retorno que se paga em menos de dois anos
Ao longo de seis meses de monitoramento sobre os 65 aerogeradores do parque, o modelo de IA identificou 16 anomalias reais, das quais 12 já foram validadas pela equipe de O&M em campo: : rolamentos de alta e baixa velocidade, falha de fechamento da estrela do rotor, problemas em ventilador e em gearbox — todos detectados antes da inspeção formal. Entre o primeiro alerta e a inspeção que o confirmou, a antecipação média ficou entre 10 e 18 dias, tempo suficiente para transformar uma manutenção corretiva de emergência em uma intervenção planejada.
65
aerogeradores monitorados ·
225 MW
10-18 dias
de antecipação, alerta → inspeção
16
anomalias reais detectadas
0,95
AUC do modelo, com menos de 0,5 falso positivo por turbina/semana
12
validadas pela equipe de O&M
14-24m
payback observado em campo, com TIR acima de 25%
A plataforma usada diariamente pela equipe de O&M: cada card é uma turbina, e o vermelho indica alerta ativo.
Transparência dos dados
Quatro das 16 anomalias ainda não haviam sido inspecionadas no fechamento do período, e quatro falhas registradas pela equipe de O&M não tinham assinatura acústica detectável ou ocorreram durante perda de conectividade. Os resultados financeiros refletem as condições operacionais da Elera Renováveis — tarifa, modelo de aerogerador, contrato de O&M e porte do parque variam entre operações, e o ROI deve ser recalculado caso a caso.
O que vem a seguir
Validado em um parque real. Sendo levado a mercado.
O que começou como uma pergunta de campo terminou como produto: dois anos de operação contínua, 12 anomalias validadas, propriedade intelectual registrada e validação científica publicada em periódicos internacionais.
A arquitetura é modular — instalar o sistema em um novo parque não exige começar do zero, já que os modelos generalistas funcionam desde o primeiro dia e os especialistas se refinam com os dados locais ao longo das primeiras semanas de operação. Estamos agora expandindo para novos parques em todo o Brasil.
Se você opera instalações eólicas e quer entender como o monitoramento acústico se encaixaria na sua operação, fale com a gente.
