Ferreira, NunoDamásio, CarlosRebimba, Diogo Jorge Gato2024-04-122024-04-122022-07http://hdl.handle.net/10362/166150With the increase of the global environmental awareness and demand nowadays, the request for renewable energy sources by the companies responsible for distributing the energy itself highly increased as well. The sources, such as wind turbines, are highly exposed to several external factors that can result in mechanical failures on their complex components. These faults lead to multiple consequences due to their failure time: loss of energy production, which means that less renewable energy will be transmitted to the electrical grid and more money will be spent on repairing these components. The content of this thesis consists of an analysis to the implementation of a prediction system allied with a monitoring system. This system will allow failure detection on wind assets, anticipating them and thus reducing maintenance costs and the increase of the longevity of the components. By reducing the number of failures, it will allow companies to increase the profit of the energy production on a long term. With the work that was made, it was implemented an experiment that could be applied to several faults of wind turbines that created machine learning models that reliably predict these faults.Com a crescente preocupação ambiental existente nos dias de hoje, fontes de energia renovável são cada vez mais procuradas pelas empresas de distribuição de energia. Estas fontes, como as turbinas eólicas, são expostas a diversos fatores externos e a falhas mecânicas dos seus complexos componentes. Estas falhas levam a diversas consequências devido ao tempo fora de serviço: perda de produção de energia, levando a que menos energia renovável seja transmitida para a rede elétrica e também maiores custos de reparação. O conteúdo desta tese apresenta uma análise à implementação de um sistema de predição de falhas aliado a um sistema de monitorização. Este sistema irá permitir a deteção de falhas nos ativos eólicos, antecipando as mesmas e assim reduzindo todos os custos de manutenção, aumentando a longevidade dos componentes. A redução das falhas irá permitir à empresa aumentar o lucro derivado da produção de energia a longo prazo. Com o trabalho realizado, foi possível implementar uma experiência que pode ser aplicada às diversas falhas de turbinas eólicas que crie modelos de aprendizagem automática que consigam prever estas mesmas falhas de um modo fiável.engRenewable energymachine learningrenewable monitoring systemwind parkswind turbinefailure predictionmaster thesis