Modelo de aerogenerador Nordex: Transformando una desviación térmica en un nuevo modelo predictivo

Contexto

En un aerogenerador (Modelo Nordex N163) operado por uno de nuestros clientes asociados, las operaciones comenzaron a verse afectadas por fallos intermitentes. La máquina empezó a registrar un alto volumen de ocurrencias de fallos de temperatura en el convertidor del sistema Pitch 1.

‍

A lo largo de los meses, estos fallos generaron picos térmicos que alcanzaron hasta 70 °C en el componente, forzando al aerogenerador a realizar paradas automáticas de protección.

Durante el año 2025, la persistencia de este comportamiento de sobrecalentamiento y las repetidas indisponibilidades resultaron en una pérdida acumulada de 50.6 MWh de energía frustrada.

‍

Solución Implementada

Para aislar el problema y dirigir al equipo de campo con precisión, Performance Engineering utilizó los módulos analíticos de la plataforma:

• Mapeo de Fallos (Gestión de Alarmas): la herramienta aisló la alarma de fallo de temperatura PIT 1 PCV (FM1120), que representó el 87.5% de las ocurrencias en el período analizado, confirmándola como la causa raíz de las paradas del activo.
• Correlación Térmica (Data Studio): explorando las variables de temperatura de los convertidores de paso, la plataforma correlacionó visualmente los picos térmicos intermitentes de 70 °C (del Pitch 1) con los momentos exactos de las paradas forzadas de la máquina.
• Acción de Campo Dirigida: el 10 de septiembre de 2025, armado con el diagnóstico de Delfos, el equipo de mantenimiento inspeccionó el sistema y encontró la causa física del problema: el ventilador de extracción de refrigeración del Pitch 1 estaba físicamente bloqueado por una acumulación de polvo blanco. El equipo limpió el sistema y reinstaló el ventilador, lo que resultó en una caída de la temperatura.

Cómo Actuó Delfos

Este caso ilustra perfectamente la aplicación práctica de 2 funcionalidades importantes de la plataforma Delfos en el segmento eólico:

• Gestión de Alarmas: se utilizó para identificar que la alarma FM1120 era la principal causante de casi el 90% de las paradas.

Por qué es importante: las turbinas eólicas generan miles de alertas genéricas que tardan mucho en procesarse manualmente. El módulo Delfos lo resuelve clasificando los eventos según su impacto en la energía perdida debido al tiempo de inactividad. A partir de esta clasificación (como el análisis de Pareto), el gerente de O&M obtiene visibilidad instantánea y sabe exactamente dónde concentrar los esfuerzos de mantenimiento, optimizando los recursos de campo.

• Predicción de fallos (Módulo de Predicción): se utilizó después del diagnóstico. La plataforma Delfos utilizó los datos del evento para entrenar un modelo de Machine Learning capaz de rastrear las desviaciones de temperatura en los convertidores de paso y activar futuras alertas.

‍

Por qué es importante: el mantenimiento predictivo es el núcleo de Delfos Gen™. El módulo funciona aprendiendo los comportamientos operativos normales de cada componente, generando un valor predicho ideal. El sistema calcula continuamente el error entre los valores medidos y predichos y, si se supera el umbral predeterminado, se genera una alarma de predicción. Esta tecnología transforma la operación, permitiendo actuar sobre las anomalías (como la obstrucción de un ventilador de escape) de forma preventiva, evitando tiempos de inactividad prolongados y protegiendo los ingresos del activo.

Resultados obtenidos

La intervención, basada en la inteligencia de datos, convirtió un problema crónico e intermitente en una solución de mantenimiento sencilla y rápida:

1. Normalización térmica: inmediatamente después de la limpieza y el reemplazo del filtro, la temperatura del convertidor del Pitch 1 mostró una caída significativa, volviendo a un nivel seguro (cercano a los 40 °C) y alineándose con los niveles de temperatura de las otras palas (Pitch 2 y 3).

2. Fin de las paradas forzadas: la eliminación del sobrecalentamiento detuvo por completo los eventos de alarma FM1120, conteniendo la fuente que ya había causado 50.6 MWh en pérdidas de producción ese año.
3. Desarrollo de Inteligencia Continua: utilizando este evento como base de aprendizaje, el equipo de Delfos desarrolló un modelo predictivo dedicado exclusivamente a los convertidores de paso. Este nuevo modelo ahora monitorea los picos de temperatura y activa alertas predictivas al alcanzar un límite crítico, asegurando la anticipación de obstrucciones similares en otras turbinas antes de que generen tiempo de inactividad.

Datos clave

• 50.6 MWh fue la pérdida acumulada debido a paradas intermitentes, detenida después del mantenimiento.
• 87.5% de predominio de la alarma térmica en el Pareto, guiando el enfoque del equipo técnico.
• 70 °C fueron los picos de temperatura críticos causados por la obstrucción del ventilador de escape.
• Prevención sistémica: Creación de un nuevo algoritmo de predicción específico para proteger los convertidores de paso en toda la flota.

‍