Mantenimiento predictivo para aerogeneradores

Con toda la esperanza que depositan en ellos, los aerogeneradores traen consigo desafíos que exigen soluciones urgentes.

1. Elevados costes de mantenimiento: Hasta el 30 % de los costes nivelados por kWh generado durante la vida útil de un aerogenerador pueden atribuirse a la operación y el mantenimiento.

2. Paradas: Un fallo del aerogenerador puede traducirse fácilmente en una parada de una semana o más, con los respectivos costes que eso conlleva.

3. Reparaciones complejas y que consumen mucho tiempo: El transporte de piezas de repuesto es caro y, según la ubicación, no está exento de dificultades. El transporte suele llevar más tiempo que la propia reparación. Se estima que más del 70 % del tiempo de inactividad de los aerogeneradores se debe a reparaciones no planificadas.

La detección temprana de defectos, la optimización del mantenimiento y las reparaciones, y la prevención de paradas son, por tanto, factores clave para lograr un ROI positivo en los aerogeneradores.

¿Pero cómo pueden los operadores de parques eólicos detectar daños de forma fiable en una fase temprana?

La solución: mantenimiento predictivo mediante inteligencia artificial

Dado que la información detallada sobre el mantenimiento predictivo (PdM) en energía eólica es difícil de encontrar, hemos decidido abordar los siguientes puntos en este artículo:

• Alcance y oportunidades de la inteligencia artificial (IA) en el PdM

• Posibles casos de uso del PdM basado en IA

• Ventajas para los propietarios

¿Buscas ejemplos reales? Compartimos cuatro casos de éxito de nuestro trabajo diario en este whitepaper:

Definición de mantenimiento predictivo para aerogeneradores

El mantenimiento predictivo engloba una serie de actividades que detectan cambios en el estado físico de los componentes (señales de fallo) para permitir intervenciones de mantenimiento a tiempo, maximizar la vida útil de los componentes y reducir las paradas.

El mantenimiento predictivo persigue así tres objetivos:

1. Mayor tiempo de funcionamiento de los aerogeneradores en operación normal, limitando el comportamiento anómalo y minimizando las paradas
2. Prevención de incidentes mayores costosos, prolongando la vida útil de los componentes individuales mediante una actuación temprana
3. Seguimiento de las medidas de reparación y control de la tasa de éxito

El reto del mantenimiento predictivo en la práctica

Cada aerogenerador se comporta de manera diferente. Sin embargo, estas diferencias no suelen tenerse en cuenta en los análisis de mantenimiento predictivo.

Ejemplo: Supongamos que un fabricante establece el límite estático de un rotor en 50 °. Ese límite puede no alcanzarse en invierno, aunque el componente esté sobrecalentándose en comparación con su comportamiento normal y esperado. La señal de advertencia pasará desapercibida cuando no se tienen en cuenta los factores externos (como el clima) en el análisis.

Los factores que influyen en el comportamiento individual de cada aerogenerador incluyen:

• Ubicación — es decir, turbulencias, sombreado, condiciones meteorológicas locales — que influye, entre otras cosas, en el comportamiento individual de un aerogenerador. Esto se traduce en diferentes estados de desgaste de los componentes.
• Componentes instalados: A lo largo de la vida útil de los aerogeneradores más antiguos, en particular, pueden instalarse componentes diferentes para reducir los costes de reparación. Por ello, los sensores pueden estar instalados en distintos lugares. Además, diferentes lubricantes y aceites afectan al comportamiento térmico.
• Diversas interfaces de datos, formatos de datos y sistemas de control en uso.

Por eso los datos de los sensores tienden a no monitorizarse correctamente en las operaciones diarias (más allá de la monitorización básica de rendimiento). El software actual de gestión de activos ni evalúa los datos ni los registra, según el proveedor. Es prácticamente imposible extraer información relevante de conjuntos de datos incompletos o no uniformes mediante métodos estadísticos simples. Como consecuencia, pequeños daños a lo largo del tren de transmisión pueden convertirse en incidentes mayores con el paso de los años.

La inteligencia artificial aprende el comportamiento normal de cada aerogenerador y activa alarmas ante desviaciones

Los datos de los sensores reflejan la realidad física de cada aerogenerador individual en cada momento. Y las redes neuronales dan sentido a estos datos:

Las redes neuronales aprenden el comportamiento de cada aerogenerador de forma individual a lo largo del año y determinan cómo es el comportamiento normal. A continuación, comparan las mediciones de datos con el comportamiento previsto. Los algoritmos de detección pueden así identificar anomalías —es decir, desviaciones entre el comportamiento real y el simulado— en una fase temprana, lo que permite actuar con rapidez y prevenir incidentes mayores en los componentes principales.

Este es el proceso de aprendizaje del comportamiento normal por aerogenerador y componente, así como de detección de anomalías:

Casos de uso del mantenimiento predictivo basado en IA

En Turbit llevamos mucho tiempo utilizando la IA para el mantenimiento predictivo y la optimización del rendimiento de parques eólicos. Por tanto, los siguientes hallazgos se extraen de nuestros muchos años de experiencia práctica. Las redes neuronales obtienen su información de los siguientes puntos de datos:

• Datos SCADA

• Cuadernos de bitácora

• Informes de mantenimiento

• Actualizaciones de software

• Datos LiDAR

• Datos CMS

Una buena calidad de los datos nos permite detectar cambios en el comportamiento de todos los componentes principales, así como de los subsistemas adyacentes. Aquí tienes un ejemplo de uno de nuestros clientes.

Cómo detectamos daños en el eje principal en una fase temprana

En octubre de 2021, Turbit envió una alarma debido a temperaturas excesivas en el rodamiento principal. Tras una inspección in situ, se consideró necesario sustituir el rodamiento principal.

En enero de 2022 se procedió al cambio del rodamiento principal. El cliente pudo planificar esta reparación con grúa con varios meses de antelación. La detección temprana redujo los costes, ya que este tipo de daño suele provocar daños en componentes principales o paradas de varias semanas, algo que el cliente pudo evitar.

Un resumen de otros daños detectados por Turbit:

• Diagnóstico de un generador rozado

• Detección de una conexión de crimpado defectuosa en el tubo corrugado

• Medición de temperaturas elevadas en el rodamiento del generador

• Filtros de aire obstruidos

• Anillos de aceite con fugas

• Sobrecalentamiento de motores de pitch

En nuestro whitepaper sobre el tema encontrarás una visión detallada con datos visualizados.

Conclusión: ventajas del mantenimiento predictivo basado en IA para los operadores de parques eólicos

Las redes neuronales aprenden el comportamiento normal de cada aerogenerador y simulan el comportamiento futuro esperado. El comportamiento simulado se compara entonces con los datos reales en tiempo real. Eso es lo que hace posible una detección temprana fiable de comportamientos anómalos para cada tipo de aerogenerador.

La detección temprana de cambios en el estado físico de los componentes conlleva tres ventajas principales:

• Prevención de incidentes mayores
• Reducción del tiempo de inactividad
• Mayor vida útil de los componentes

Cuando puedes planificar las reparaciones con antelación y, por tanto, agruparlas, puedes reducir los costes de desplazamiento y transporte de piezas de repuesto. Y la clave de una buena monitorización con IA es un conjunto de datos de alta calidad.

¿Tus datos SCADA son buenos?

El primer paso en tu camino hacia el mantenimiento predictivo es una revisión de datos para evaluar su calidad. Para una valoración inicial, solo necesitas un extracto SCADA sencillo de tu sistema de gestión de operaciones.

Envíanos un correo electrónico con un breve extracto SCADA (una semana) a datacheck@turbit.de

Te responderemos con una evaluación de las opciones de monitorización con IA según tus datos.