Jordi Cusidó, CEO de Smartive

El mantenimiento predictivo en turbinas eólicas es un valor en alza. Programas como “Turbines for Life” de Acciona Energía y la tendencia a alargar la vida útil de las máquinas requieren de un mantenimiento exquisito. Más allá la aparición de contratos que exigen al mantenedor sobre un 98% de disponibilidad, incluso en algunos casos llegando al 100% de disponibilidad.

En Smartive trabajamos en varios proyectos de alargamiento de vida, entre los que destacan “Turbines for Life” de Acciona Energía, Windex de Naturgy, o alargamiento de vida de Innogy. En todos ellos partimos de datos SCADA diezminutales.

A partir de los datos SCADA se pueden realizar múltiples análisis aportando información muy útil tanto al operador cómo al mantenedor de parques. El primer análisis, SmartAudit, consiste en una auditoria sobre las variables. Cabe comentar que las variables SCADA son complicadas de tratar, especialmente en parques antiguos donde las comunicaciones pueden ser complicadas. Los datos son filtrados y ajustados, interpolando o extrapolando los huecos de datos. Una vez se disponen de datos completos se analizan alarmas y eventos. Un buen análisis de eventos es fundamental para conseguir buenos niveles de precisión.

El primer algoritmo que se utiliza es un algoritmo de selección de variables. Dicho algoritmo permite identificar las variables más significativas para la detección de un evento. De estos algoritmos existen entre otros los definidos en la siguiente tabla.

Obtenidas las variables relevantes se procede a la realización de los modelos de normalidad de variables clave. Para dichos modelos se pueden usar las variables más relevantes. Las desviaciones de los modelos de normalidad dan pistas del estado de salud de la máquina. En los siguientes gráficos se muestra el comportamiento de los modelos.

A partir de los modelos de normalidad se pueden sacar variables enriquecidas que ayudarán al diagnóstico final.

Con los datos también se realizan técnicas de Clustering y Mapas autoorientados (SOM en sus siglas en Inglés, Self Oriented Maps). El SOM + Clustering nos permite distinguir entre puntos de operación sanos y en avería. En la siguiente gráfica se muestra un ejemplo de clusters.

En el gráfico se aprecian las distintas zonas de operación de máquina sana (azul i verde), averiada (rojo) y en warning (naranja).

El último algoritmo utilizado son los clasificadores. Los clasificadores dan a partir del análisis de variables y metavariables (modelos de normalidad, clusters) una probabilidad de fallo en un horizonte temporal, 90–180 días. En el siguiente gráfico se muestra cómo evoluciona la probabilidad de fallo en el tiempo para una máquina con avería en la multiplicadora.

En función de la sensibilidad del algoritmo se ajusta el límite de alarma. En este caso concreto el límite fue de 50%. Cuando la probabilidad de fallo pasa este límite salta una alarma en el SCADA. Dicha alarma significa que hay un riesgo muy importante de rotura del componente en 90 días.

Con lo que ayuda a operador y mantenedor a anticipar el mantenimiento preventivo y evitar pérdidas en la disponibilidad. La precisión de estos algoritmos es muy dependiente de los datos. Con una buena calidad de datos y tiempo de entrenamiento los algoritmos alcanzan indicadores de precisión por encima al 90%, como se muestra en las siguientes figuras.

Aumentar la precisión de los algoritmos es posible enriqueciendo los datos y añadiendo conocimiento experto. Por ello una nueva tendencia en la que Smartive está trabajando es en la hibridación de modelos.

La hibridación de modelos consiste en hibridar los modelos basados en el análisis de datos, tecnología actual, con el análisis basado en modelos aero-elásticos.

En modelos híbridos se está trabajando conjuntamente con CENER y Naturgy dentro del marco de un proyecto de I+D llamado WindEx.