Diseño de un modelo de aprendizaje de máquinas para detección de fallas en generadores eólicos en Parque Eólico Calama

Abstract

La detección temprana de fallas se vuelve una tarea esencial en la operación de parques eólicos como el Parque Eólico Calama, de la empresa Engie Energía Chile. Un porcentaje importante de los costos aso-ciados a la operación de estos parques se debe a detenciones repentinas y mantenimientos correctivos, lo cual se desea reducir en la medida de lo posible. El presente trabajo de título busca diseñar un modelo de detección de fallas, a través de algoritmos de Machine Learning, en turbinas eólicas de este parque con el fin de realizar mantenimiento en un tiempo oportuno y ahorrar costos.

Los equipos a estudiar corresponden a turbinas Siemens Gamesa SG4.5-145 IIB, cuyos componentes principales son el nacelle, el rotor y la torre, en los cuales se ubican diversos sensores que registran variables de operación a través de un sistema SCADA. Se plantea el uso de algoritmos de Machine Learning en base al concepto de Mantenimiento 4.0 y sistemas PHM, que utilizan herramientas de la ciencia de datos para detectar síntomas de falla, clasificarlas y predecir el tiempo de vida útil remanente de activos.

Los modelos se desarrollan mediante lenguaje de programación Python utilizando la plataforma de acceso libre y gratuita Spyder. Dentro de esta plataforma se importan las librerías Pandas (para procesamiento de hojas de cálculo), NumPy (para aplicar operaciones matemáticas a series de datos) y Keras (para construir, entrenar y testear redes de aprendizaje profundo). Se evalúa el rendimiento de los algoritmos de detección de novedades Elliptic Envelope, Isolation Forest, Local Outlier Factor y One-Class Support Vector Machine, y se observa que estos no logran adaptarse al comportamiento dinámico de las turbinas eólicas, por lo que se descartan como candidatos.

Luego, se utilizan redes neuronales Deep Autoencoder, que entregan una reconstrucción de los datos de entrada. La forma que tienen estas redes de detectar anomalías es mediante el error de reconstrucción, una medida de cuánto difiere el dato real con respecto a la predicción del modelo. Adicionalmente, se incluye un umbral adaptativo basado en Teoría del Valor Extremo para determinar qué valores son considerados como anómalos. Se crean modelos para los sistemas Gearbox, Grupo Hidráulico, y Generador con las variables disponibles en SCADA.

Los resultados indican que con este enfoque es posible anticiparse en gran medida a las fallas que presentan las turbinas eólicas, por lo que este tipo de modelos tienen un gran potencial para ser utilizados como complemento en el monitoreo de la condición de estos equipos. Para lograr esto será necesario trabajar con mayor exhaustividad en la calidad de los datos de entrenamiento y en el registro de fallas de las turbinas para una mejor interpretación de resultados.