Detección y diagnostico de fallas en turbinas de viento usando técnicas de minería de datos

La energía eólica es una de las fuentes de energía alternas más importantes con las que cuenta el planeta. En la presente década se ha evidenciado un gran interés en este tipo de energía lo que ha conducido al desarrollo de turbinas de viento más sofisticadas y de mayor capacidad de generación. Un punto crítico en las turbinas de viento es la implementación de sistemas efectivos de detección de fallas que logren minimizar sus costos de mantenimiento. Según estudios recientes para una turbina con 20 años de vida útil, lo costos de mantenimiento y reemplazo de partes se estiman en al menos 10-15% de los ingresos totales de la generación, un costo muy alto si se compara con otros tipos de energía. El desarrollo de sistemas de detección y aislamiento de fallas (FDI) para turbinas de viento es un tema de investigación actual, fundamental para posicionar aún más este tipo de energía. La mayoría de los sistemas FDI se basan en modelos matemáticos construidos a partir del conocimiento a priori del sistema, estos realizan análisis de residuos para determinar la existencia o no de una falla. La efectividad de un sistema con este enfoque depende directamente de la capacidad del modelo matemático para interpretar la dinámica del sistema, en plantas complejas como las turbinas de viento actuales obtener modelos con la calidad suficiente como para ser empleados en detección de fallas es una tarea compleja. Como alternativa a este enfoque se encuentran los sistemas de detección de fallas basados en datos ’data-driven’, los cuales a partir de una colección de datos provenientes de un sistema de monitoreo identifican patrones que le permiten hacer inferencias sobre comportamientos anormales. En un enfoque ’data-driven’ disminuye en gran medida la cantidad de información analítica necesaria acerca de la planta, sin embargo son necesarios algoritmos y técnicas que sean capaces de identificar y extraer patrones sobre grandes set de datos (extracción de conocimiento). En ese sentido el área de minería de datos nos provee de grandes herramientas, algoritmos y metodologías para la construcción de sistemas FDI ’data-driven’. En este trabajo se implementaron diferentes sistemas FDI sobre modelos simulados de turbinas de viento, todos ellos construidos bajo un proceso KDD (Knowledge Discovery in Databases) y la aplicación de algoritmos de clasificación/regresión. Su evaluación se realizo en términos y métricas de desempeño industrial comúnmente usadas en la literatura del área. Los resultados obtenidos demuestran que el uso de técnicas de minería de datos en sistemas FDD para turbinas de viento es un camino prometedor alternativo a las técnicas tradicionales basadas en modelos.

• Autores: Manrique, Rubén Francisco
• Fecha de publicación: 2012
• Institución: Universidad Nacional de Colombia
• Repositorio: Universidad Nacional de Colombia
• Idioma: spa
• OAI Identifier: oai:repositorio.unal.edu.co:unal/20045
• Acceso en línea: https://repositorio.unal.edu.co/handle/unal/20045; http://bdigital.unal.edu.co/10309/
• Palabra clave: 62 Ingeniería y operaciones afines / Engineering; Detección y diagnostico de fallas; Minería de datos; Turbina de vientos; Data-driven; Fault Detection and Isolation; Data Mining; Wind Turbine
• Rights: openAccess
• License: Atribución-NoComercial 4.0 Internacional