Optimización del Mantenimiento Predictivo en Turbinas Eólicas

Photo by Nicholas Doherty

Una Mirada al Futuro de la Energía Renovable

Caso de uso cortesía de Decide4AI, coescrito por Daniel Herrero, Head of Data Science and Decision Intelligence

En el contexto de un mundo cada vez más inclinado hacia las energías renovables, las turbinas eólicas juegan un papel crucial en la generación de energía limpia y sostenible. Sin embargo, para maximizar su eficiencia y fiabilidad, es imperativo adoptar estrategias de mantenimiento que no solo anticipen posibles fallas, sino que también optimicen la disponibilidad de estas instalaciones críticas. El mantenimiento predictivo emerge como una solución avanzada que, mediante el análisis de datos y el uso de modelos predictivos sofisticados, permite una gestión más eficiente y proactiva de las operaciones de mantenimiento.

Este artículo sobre el mantenimiento predictivo aplicado a las turbinas eólicas se basa en un estudio exhaustivo realizado por Decide4AI que no solo define su importancia y aplicabilidad, sino que también explora modelos y técnicas avanzadas para su implementación. Desde la optimización de los modelos predictivos hasta el análisis detallado de los componentes críticos de las turbinas eólicas, se propone una metodología integral para mejorar la disponibilidad de las plantas, reduciendo así los costes de mantenimiento mientras se maximiza la producción de energía.

Estos algoritmos permiten encontrar el punto óptimo que maximice la generación teniendo en cuenta el riesgo de fallo y los costes de parada, teniendo en cuenta una visión global de los sistemas y el parque.

A través de este enfoque, el artículo aborda cómo la combinación de análisis de componentes, estimación del tiempo de vida útil (RUL), y la aplicación de modelos de supervivencia y optimización matemática pueden conducir a una gestión más eficaz del mantenimiento de las turbinas eólicas. Con una mirada al futuro, se discuten las implicaciones de estas tecnologías no solo para el sector de la energía eólica sino también para el avance hacia un futuro más sostenible y eficiente energéticamente.

1. Conceptos Básicos del Mantenimiento Predictivo

El mantenimiento predictivo representa una estrategia avanzada de gestión de la infraestructura y los activos que se centra en prever y prevenir fallos antes de que ocurran, basándose en el análisis de datos y el monitoreo en tiempo real del estado de los equipos. A diferencia del mantenimiento reactivo, que aborda las averías después de su ocurrencia, o del mantenimiento preventivo, que sigue un cronograma fijo sin considerar el estado actual de los equipos, el mantenimiento predictivo utiliza tecnologías avanzadas para monitorizar la condición de los equipos y predecir cuándo se necesitará mantenimiento. Esto se logra mediante el uso de sensores, la inteligencia artificial, el análisis de datos y diversas técnicas de modelización que evalúan el rendimiento de los equipos en tiempo real.

El objetivo principal del mantenimiento predictivo en el contexto de las turbinas eólicas, y de las plantas de energía en general, es maximizar la disponibilidad de las instalaciones mientras se minimizan los costes y los tiempos de inactividad. Esto se logra optimizando la planificación del mantenimiento para que las intervenciones se realicen solo cuando sea necesario, basándose en el análisis predictivo que indica el momento óptimo para realizar el mantenimiento antes de que se produzca una falla. De esta manera, no solo se reduce la probabilidad de fallos inesperados y costosos, sino que también se extiende la vida útil de los componentes y se mejora la eficiencia operativa de la planta.

El mantenimiento predictivo, por lo tanto, se presenta como una estrategia crítica para la operación eficiente de las turbinas eólicas, permitiendo a los operadores de plantas energéticas adoptar un enfoque proactivo en lugar de reactivo frente al mantenimiento. Al anticiparse a los problemas antes de que ocurran y al realizar el mantenimiento basado en las condiciones reales de operación de las turbinas, las plantas pueden asegurar una generación de energía más constante y fiable, reduciendo al mismo tiempo los costes operativos y de mantenimiento. Este enfoque no solo beneficia a los operadores de las plantas en términos de eficiencia y costes, sino que también contribuye a la sostenibilidad global del sector energético, maximizando la producción de energía limpia y renovable.

El caso de estudio presentado se enfoca en el uso del mantenimiento predictivo en turbinas eólicas, una aplicación crítica dentro del sector de la energía renovable que destaca por su potencial para revolucionar la gestión y operación de las plantas eólicas. Este proyecto surge de la necesidad de abordar los desafíos inherentes al mantenimiento de estas infraestructuras, tales como la variabilidad en las condiciones de operación, el desgaste irregular de componentes y la dificultad para realizar intervenciones en ubicaciones remotas o de difícil acceso. La relevancia de este estudio radica en su capacidad para proporcionar soluciones concretas a estos problemas, mediante la implementación de estrategias de mantenimiento predictivo que prometen mejorar significativamente la disponibilidad y eficiencia de las turbinas eólicas.

El objetivo es doble: por un lado, busca maximizar la disponibilidad de las plantas eólicas, asegurando que estas puedan operar al máximo de su capacidad sin interrupciones no planificadas. Por otro lado, pretende optimizar la planificación del mantenimiento, identificando el momento óptimo para llevar a cabo intervenciones que prevengan fallos, minimicen los tiempos de inactividad y reduzcan los costes asociados. Esto se logra mediante la integración de tecnologías avanzadas, como el análisis de datos, la inteligencia artificial y la monitorización en tiempo real, que juntas permiten predecir con precisión el estado y el rendimiento futuro de los componentes críticos de las turbinas.

El caso de estudio sobre turbinas eólicas destaca, por tanto, por su enfoque innovador en la gestión del mantenimiento, alineándose con los objetivos de sostenibilidad y eficiencia que rigen el sector de las energías renovables. La implementación exitosa de estas estrategias de mantenimiento predictivo no solo tiene el potencial de mejorar la operación de las plantas eólicas individuales, sino que también puede establecer nuevos estándares para la industria, promoviendo prácticas más sostenibles y eficientes a nivel global. Este proyecto, por lo tanto, no solo es relevante por sus implicaciones prácticas en la mejora de la disponibilidad y eficiencia de las turbinas eólicas, sino que también representa un paso adelante en el camino hacia un futuro energético más limpio y sostenible.

2. Metodología del Mantenimiento Predictivo

El modelo predictivo constituye una piedra angular en la estrategia de mantenimiento predictivo para turbinas eólicas, centrando su enfoque en la predicción de la curva de riesgo de fallo de cada uno de los componentes críticos de la infraestructura. Este enfoque proactivo hacia el mantenimiento se basa en la premisa de que, mediante la identificación temprana de las señales que indican un incremento en el riesgo de fallo, es posible planificar intervenciones de mantenimiento de manera más eficiente, reduciendo así los tiempos de inactividad no planificados y maximizando la generación de energía.

Fundamentos del Modelo Predictivo

El modelo predictivo emplea técnicas avanzadas de análisis de datos y machine learning para analizar continuamente la información recogida por sensores instalados en las turbinas. Estos sensores monitorean una amplia gama de parámetros operativos, como la temperatura, la vibración, la velocidad del viento, y otros indicadores críticos que pueden revelar el estado de salud de los componentes. Al integrar y analizar estos datos de manera conjunta, el modelo es capaz de predecir la curva de riesgo de fallo de los componentes individuales, es decir, la probabilidad de que un componente falle en función del tiempo.

Predicción de la Curva de Riesgo de Fallo

La curva de riesgo de fallo es una herramienta crucial que ayuda a los operadores de turbinas eólicas a entender mejor cómo evoluciona el riesgo de fallo de un componente a lo largo del tiempo. Existen diversas técnicas para ello, desde las más clásicas donde se analizan las señales emitidas por cada componente de manera individual, como por ejemplo los  modelos de Cox, hasta modelos capaces de encontrar sinergias y efectos disparadores de fallo en señales de distintos componentes, como por ejemplo los algoritmos de supervivencia basados en Random Forest.  Estos modelos basados en el análisis de señales deben de ser capaces de identificar y filtrar las señales “ruidosas”, de manera que garanticen que las curvas de riesgo sean monótonas crecientes, es decir, que  a medida que un componente se acerca al final de su vida útil esperada, la probabilidad de fallo aumenta, proporcionando una señal clara para la planificación del mantenimiento.

Optimización del Mantenimiento

Una vez que el modelo ha predicho con suficiente precisión el Remaining Useful Life (RUL) o tiempo de vida útil restante de un componente, se aplica un modelo de optimización matemática basado en Programación Lineal Entera Mixta (MILP) para determinar el momento óptimo para realizar cada actividad de mantenimiento. Este enfoque permite pasar de la visión individual de cada componente de cada turbina, a una visión general del parque de manera completa. Este algoritmo de optimización tiene como objetivo maximizar la disponibilidad de la planta eólica al menor costo de mantenimiento posible, es decir, teniendo en cuenta no solo el riesgo de fallo, sino también los costes asociados a las paradas de producción.

3. Análisis Profundo de Componentes

En el ámbito del mantenimiento predictivo aplicado a turbinas eólicas, el análisis detallado de los componentes críticos es fundamental para una gestión eficaz y eficiente. Estos componentes, debido a su función esencial en la operación de la turbina y su susceptibilidad a fallos, requieren una atención especializada para asegurar la máxima disponibilidad y rendimiento de las instalaciones.

Dependiendo de la frecuencia de fallo y el tiempo de parada existen componentes cuyas reparaciones se pueden planificar de forma preventiva mientras otros como la caja de cambios (gearbox) o el rotor de las aspas (rotor Blades) podrían beneficiarse en mayor medida de una planificación predictiva.

Gearbox (Caja de Cambios): La caja de cambios es esencial para convertir la velocidad de rotación baja del rotor, impulsado por el viento, en una velocidad alta necesaria para generar electricidad de manera eficiente. Debido a la complejidad de su funcionamiento y las cargas elevadas a las que está sometida, la caja de cambios es propensa a diversos tipos de desgaste y fallos, como el micropitting o el scuffing, lo que la convierte en un componente crítico para el mantenimiento predictivo.

Rotor Blades (Aspas del Rotor): Las aspas del rotor son los componentes que capturan la energía cinética del viento. Están expuestas a condiciones ambientales adversas, lo que puede causar desgaste o daños estructurales a lo largo del tiempo. Su mantenimiento es crucial para asegurar la eficiencia aerodinámica y la integridad estructural de la turbina.

Aquellos modelos con baja vida media y menor tiempo de reparación podrían modelarse de forma preventiva mediante las curvas de Kaplan / Weibull definidas por los fabricantes para cada componente.

Los modelos de mayor tiempo de reparación podrían modelarse mediante métodos más complejos como random survival forest aprovechando información adicional de los componentes como los datos de los sensores obtenidos mediante SCADA.

Planificación del Mantenimiento de Componentes Críticos

El mantenimiento de estos componentes críticos se planifica mediante un enfoque predictivo que se basa en el análisis de datos recopilados en tiempo real a través de sensores instalados en la turbina. Este análisis permite identificar patrones o señales que indican un deterioro incipiente o un aumento en el riesgo de fallo. Por ejemplo:

Para la Caja de Cambios: Se utilizan técnicas como el análisis de vibraciones y la monitorización de la temperatura y la calidad del aceite para predecir fallos potenciales. Dependiendo de la frecuencia de fallo y el tiempo de parada, se pueden planificar intervenciones de mantenimiento que varían desde inspecciones visuales hasta reemplazos completos de componentes.

El enfoque predictivo para el mantenimiento de estos componentes permite no solo anticiparse a los fallos, sino también optimizar la planificación del mantenimiento, eligiendo el momento más adecuado para llevar a cabo las intervenciones con el menor impacto posible en la operación de la planta. Esto se logra mediante modelos que evalúan continuamente el estado de salud de los componentes y calculan el tiempo de vida útil restante (RUL), permitiendo a los operadores tomar decisiones informadas sobre cuándo y cómo realizar el mantenimiento de manera que se maximice la disponibilidad de la turbina y se minimicen los costes.

4. Estimación del Tiempo de Vida Útil (RUL)

La Estimación del Tiempo de Vida Útil (RUL) de los componentes de las turbinas eólicas es un proceso complejo que integra múltiples variables y datos, con el fin de pronosticar la duración restante hasta que un componente ya no pueda desempeñar su función esperada de manera efectiva. Esta estimación es vital para planificar el mantenimiento predictivo y asegurar una operatividad eficiente y prolongada de las turbinas eólicas.

Principales Causas de Deterioro

Las turbinas eólicas están sujetas a numerosos factores que pueden precipitar su deterioro. Algunas de las principales causas de este deterioro incluyen:

Manufacturing Defects: Errores en el ensamblaje o en la calidad de los materiales pueden introducir defectos desde el inicio de la vida útil del componente.

Micropitting y Scuffing: Son formas de desgaste mecánico ocasionadas por la sobrecarga y condiciones extremas de operación, afectando especialmente a los elementos de transmisión como la caja de cambios.

Desgaste Ambiental: Los componentes expuestos a agentes externos como heladas, calor extremo, polvo y humedad sufren un deterioro acelerado debido a estas condiciones ambientales.

Variables del Modelo y Agentes Externos

Para realizar una estimación precisa del RUL, se consideran una variedad de variables que pueden influir en la integridad y operación de los componentes:

Variables de Operación: Parámetros como la velocidad del viento, la velocidad del generador, y las vibraciones (aceleraciones) son cruciales para entender las condiciones bajo las cuales los componentes están trabajando.

Variables Eléctricas: La potencia activa y reactiva, así como la corriente y el voltaje de las fases, proporcionan información sobre la carga eléctrica a la que están sometidos los componentes.

Variables Térmicas: La temperatura del aceite, de los rodamientos, de los ejes, así como las condiciones ambientales y de la cabina, son indicadores directos del estrés térmico en los componentes.

El impacto de agentes externos como las condiciones climáticas extremas se toma en cuenta al considerar cómo estos factores pueden acelerar el desgaste o causar daños imprevistos a los componentes. Además, se evalúan variables indirectas como las vibraciones en el dominio de la frecuencia, que pueden ser indicativas de anomalías en el comportamiento normal del equipo.

La combinación de estas variables se incorpora en modelos analíticos y algoritmos de aprendizaje automático para estimar el RUL de los componentes. Al utilizar datos de alta calidad provenientes de sistemas como SCADA, se facilita el diagnóstico preciso y la planificación proactiva del mantenimiento. Así, la estimación del RUL se convierte en un pilar de una estrategia de mantenimiento predictivo efectiva, permitiendo intervenciones oportunas que minimizan los costes de operación y maximizan la producción de energía renovable.

Si no se dispone de histórico es posible trabajar con un sistema de alertas basado en criterio experto mediante el análisis de variables como temperatura, vibraciones o corrientes.

Dependiendo del histórico disponible, se pueden plantear desde enfoques  sencillos basados en la detección de anomalías con las variables poco ruidosas o variables indirectas (como por ejemplo vibraciones en el dominio de la frecuencia) hasta modelos basados en ensambles (por ejemplo random survival forest) que permiten tener una visión completa de todas las señales de todos los sensores logrando una mejora en la precisión del RUL al alimentar el modelo con una mayor cantidad de variables.

5. Modelos y Técnicas de Predicción

El pronóstico del Tiempo de Vida Útil (RUL) es un componente crucial en el mantenimiento predictivo de las turbinas eólicas. Para realizar estas predicciones, y dependiendo del histórico de datos disponibles, se utilizan tanto modelos supervisados como no supervisados, cada uno con sus propios enfoques y metodologías.

Modelos No Supervisados y Supervisados

Criterio Experto. Criterio experto en el análisis de señales como vibraciones, corrientes o temperatura para definir la diagnosis de diferentes modos de fallo en el gearbox es un método muy utilizado como baseline ya que no requiere de un histórico de datos y es sencillo de implementar, aunque funcionan únicamente para cortos horizontes de tiempo y requieren de conocimiento experto.

Modelos No Supervisados: Estos modelos dependen de la monitorización continuo y la detección de desviaciones significativas en el comportamiento estándar de un componente. Herramientas como Matrix-Profile y Autoencoders son ejemplos comunes en esta categoría. La ventaja principal de estos modelos es su capacidad para detectar anomalías sin necesidad de un histórico etiquetado de fallos y reparaciones. Son particularmente útiles cuando no hay suficientes datos de fallos anteriores para entrenar modelos supervisados.

Modelos Supervisados: Utilizan datos históricos de fallos y funcionamiento normal para aprender y predecir futuros fallos. Modelos como ensembles de árboles, redes neuronales convolucionales (CNNs), y Temporal Deep Degradation Networks (TDDN) se encuentran en esta categoría. Son especialmente eficaces cuando existe un volumen significativo de datos históricos que pueden informar sobre el comportamiento futuro de los componentes.

Enfoque de Supervivencia

Dentro de los modelos supervisados, el enfoque de supervivencia se destaca por su capacidad para proporcionar información de riesgo de fallo asociada a tiempo, es decir, proporcionan curvas de fallo en función del tiempo. Modelos como Random Survival Forest (RSF) y Multi Task Logistic Regressors (MTLR) son técnicas de supervivencia comúnmente utilizadas, capaces de proporcionar una estimación del RUL a lo largo del tiempo.

Comparativa de Modelos

En la arena del mantenimiento predictivo, diversos modelos han sido evaluados para estimar el tiempo de vida útil restante (RUL) de los componentes de las turbinas eólicas.

Esta tabla compara el rendimiento de cada modelo en función de diferentes características.

6. Conclusiones y Recomendaciones

En conclusión, la elección del modelo adecuado para la estimación del RUL dependerá de factores como la cantidad y calidad de los datos disponibles, la complejidad de los patrones que se desean capturar, y la necesidad de combinar señales de distintos sensores.

Los modelos no supervisados ofrecen ventajas en términos de simplicidad y la capacidad de operar sin históricos detallados de fallos, mientras que los modelos supervisados tienden a ser más precisos y adecuados para situaciones donde se dispone de un registro exhaustivo de datos de operación y mantenimiento.

Los modelos de supervivencia, particularmente los basados en ensembles de árboles y regresores logísticos multitarea, ofrecen un equilibrio entre la tolerancia al ruido y la habilidad para tratar con variables categóricas y cambios de equipo, siendo una opción viable para implementaciones que requieren un análisis más profundo de la duración de los componentes.

Por último, gracias a la optimización matemática se puede pasar de una visión individual de cada c0mponente del sistema a una visión global de éste. De esta manera, se puede maximizar la generación del parque, teniendo en cuenta el RUL de cada componente de cada turbina, los tiempos globales de mantenimiento o la generación esperada de cada turbina en función de la previsión de viento de cada día.

Este artículo está basado en un estudio exhaustivo de Decide4AI.

Contacta con julio@juliolema.com para una presentación detallada con los especialistas de Decide4AI.