MANTENIMIENTO PREDICTIVO E IA PARA LA MONITORIZACIÓN DE LAS TURBINAS EÓLICAS
El siguiente caso de estudio propone un ejemplo de aplicación del Mantenimiento Predictivo mediante IA para la monitorización de las turbinas eólicas.
Las grandes empresas de producción tienen desde siempre la necesidad de optimizar los costes de mantenimiento, garantizando a la vez una confiabilidad de la instalación lo suficientemente alta.
El enfoque del mantenimiento planificado, si bien a menudo es eficaz para evitar averías imprevistas, no siempre es eficiente bajo el punto de vista de los costes. La evolución del tipo de mantenimiento está representada por el mantenimiento basado en condición y por el mantenimiento predictivo. Esta modalidad se potencia y vuelve cada vez más flexible y ampliamente aplicable gracias a los algoritmos de aprendizaje automático.
Mediante modelos adiestrados para reconocer anomalías del comportamiento, el aprendizaje automático está en condiciones de interceptar las potenciales averías o preverlas anticipadamente, antes de que lleven a un bloqueo de la producción o a una rotura de la instalación.
PERFIL DEL CLIENTE
El cliente que se ha beneficiado con la solución predictiva implementada por MIPU es una gran sociedad que actúa en el sector de la energía, que cuenta con 7 parques eólicos en funcionamiento, con una capacidad global de 368 MW brutos.
MIPU ha desarrollado e implementado una solución de monitorización y control del estado de salud del parque eólico del cliente, mediante la modelización de varios parámetros de proceso, haciendo posible la interceptación de anomalías de comportamiento en dos de los componentes principales de la turbina eólica.
NECESIDADES DEL CLIENTE
El cliente, directamente involucrado en el mantenimiento de las turbinas eólicas y muy interesado en optimizar su desempeño, ha entrevisto la oportunidad de tener una solución capaz de interceptar cambios de comportamiento anómalos de la turbina eólica.
El objetivo es estar en condiciones de actuar anticipadamente con la avería para evitar bloqueos de producción y gestión de emergencia del problema, evitando a la vez un rígido calendario de mantenimiento predictivo que prevé una serie de complicaciones ligadas a la estructura misma del activo.
LA SOLUCIÓN DE MIPU
MIPU desarrolla modelos predictivos en el sector de la monitorización y control energético y de mantenimiento desde el 2008, gracias al desarrollo de instrumentos software para la integración y automatización del flujo de datos y la formación industrial de sus ingenieros.
MIPU ha recogido, pues, los datos del cliente y ha evaluado las potencialidades y la calidad mediante un estudio preliminar de consistencia y correlación.
El análisis de la instalación en colaboración con los técnicos de la empresa y los responsables de producción ha hecho posible la definición de los principales modelos a implementar para la optimización del control y mantenimiento. Entre ellos, se ha definido el modelo para el control del estado de salud de los componentes como engranajes y anillo colector.
MANTENIMIENTO PREDICTIVO E IA
El algoritmo aplicado al modelo es una red neural artificial prealimentada, estructurada según unidades de cálculo sencillas denominadas neuronas, que una vez conectadas entre sí son capaces de representar y generalizar el comportamiento de sistemas altamente complejos y no lineales.
Los modelos identificados se han diseñado en función de los parámetros disponibles para prever el estado de salud de los dos componentes, representado por un parámetro específico que si no está alineado con cuanto esperado es síntoma de anomalía en el comportamiento.
En el esquema siguiente se indican en detalle los parámetros identificados para la previsión.
Los modelos, verificados estadísticamente en función de las métricas que representan su confiabilidad, se han aplicado a datos históricos para comprobar su sensibilidad respecto a averías o anomalías.
El modelo de engranaje, aplicado a los datos históricos en que se había registrado una avería en el componente, ha evidenciado un cambio de comportamiento en concomitancia con la intervención de mantenimiento, anticipado fuera de control en los instrumentos disponibles para la interceptación de las anomalías.
Asimismo el modelo aplicado al anillo colector ha interceptado un segundo cambio de comportamiento en concomitancia con una anomalía interceptada y registrada en el historial de eventos de mantenimiento
RESULTADOS
En ambos casos, el modelo ha interceptado claramente con una anticipación de meses la anomalía presente, que luego se convertiría en una avería.
El sistema, aplicado en tiempo real, está en condiciones, pues, de evidenciar situaciones de riesgo que deben gestionarse, con una suficiente anticipación para garantizar la organización del personal de mantenimiento.
