La previsión de fallos en los rodamientos evita la pérdida de 53 MWh y reduce la temperatura crítica en 15 °C

Durante el monitoreo continuo del parque eólico ubicado en el noreste, un EDAD 1,7-100 La turbina (WTG 09) comenzó a mostrar un comportamiento térmico anómalo a partir del 12/09/2024. Delfos identificó, mediante una alarma predictiva, un aumento progresivo de temperatura en el cojinete del rotor principal, uno de los componentes más críticos de la turbina.

‍

El análisis inicial mostró que:

• La turbina aún no había sido mapeada para detectar esta falla en el sistema del cliente.
• El comportamiento era sutil y gradual, lo que dificultaba su identificación sin una herramienta basada en el aprendizaje automático.
• El componente funcionó a temperaturas superiores a las esperadas para el mismo régimen de energía, lo que indica una creciente ineficiencia térmica.

Esta detección temprana solo fue posible gracias al enfoque basado en el aprendizaje automático de Delfos, que utilizó un historial individualizado del comportamiento de las turbinas y hacer referencias cruzadas de datos de series temporales con anomalías intermitentes.

Solución implementada

1. Detección con el módulo de predicción

El módulo de predicción de Delfos, entrenado con datos de series temporales de 10 minutos a lo largo de 12 meses, detectó una desviación constante de temperatura en el cojinete del rotor principal. Este módulo compara el comportamiento actual de la máquina con los patrones esperados, teniendo en cuenta variables como:

• Energía generada
• Temperatura ambiente
• Régimen operativo
• Curvas de calentamiento típicas en diferentes condiciones

‍

Este tipo de análisis permite identificar anomalías incluso cuando no se superen directamente los umbrales fijos, como ocurre con los sistemas tradicionales basados únicamente en puntos de referencia.

Figura 1 — Temperatura de referencia e inicio de la tendencia de calentamiento gradual.

Figura 2 — Superar los 60 °C y la tendencia al alza no están correlacionadas con la potencia.

‍

2. Corroboración con alarmas y eventos

Entre el 12 de diciembre de 2024 y el 1 de noviembre de 2025, la turbina comenzó a presentar paradas intermitentes debido a la activación automática del sistema SCADA, que detuvo las operaciones al alcanzar el punto de ajuste de 65 °C. En este caso, el sistema de Delfos se activó cuando el aumento de temperatura ya estaba avanzado, lo que indica que las alarmas podrían haberse evitado si la monitorización predictiva hubiera estado activa desde el principio del comportamiento anómalo.

Pruebas consolidadas de Delfos que muestran:

• Correlación entre los picos térmicos y los eventos de parada, aunque estos ya reflejaban un estado avanzado de falla
• Reducción de la productividad acumulada
• Historial de alarmas repetidas de «sobrecalentamiento del cojinete del eje»

Figura 3 — Registro de paros y correlación con el punto de ajuste.

Figura 4 — Comparación con turbinas vecinas: diferencia de +15 °C.

‍

3. Análisis comparativo avanzado

Para reforzar la evidencia, Delfos aplicó un análisis comparativo entre máquinas del mismo parque eólico, un enfoque que detecta las desviaciones relativas del rendimiento. El rodamiento del WTG 09 funcionó hasta 15 °C por encima de los demás aerogeneradores en condiciones operativas similares.

Figura 5 — Visualización de la dispersión de temperatura entre turbinas que resalta el valor atípico.

Resultados conseguidos

Tras el informe formal emitido por El equipo de ingeniería de rendimiento de Delfos, una inspección técnica y posterior sustitución del cojinete del rotor principal se llevaron a cabo el 15-02-2025.

Cambios observados después de la intervención:

• Reducción inmediata de la temperatura media en 15 °C
• Cese total de las alarmas térmicas después del 28/01/2025
• Estabilización térmica continua, confirmado por actualizaciones hasta el 14/04/2025
• El comportamiento térmico volvió a alinearse con el perfil esperado para las turbinas en régimen nominal

Figura 6 — Caída térmica posterior al mantenimiento.

Figura 7 — Nueva curva térmica estable.

Figuras 8 y 9 — Comparación histórica de dos años: comportamiento normalizado.

Impacto energético:

• La turbina estaba parados durante aproximadamente 40 horas debido a las alarmas antes de la intervención.
• El la energía no producida acumulada se estimó en 53 MWh.
• El mantenimiento preventivo evitó más pérdidas y, posiblemente, daño al propio eje del rotor, cuya reparación sería considerablemente más cara.

Figuras 10, 11, 12 — Registro de paros y energía no producida.

Figura 13 — Cese definitivo de las alarmas.

‍

Conclusión

Este caso demuestra claramente el valor de Mantenimiento predictivo asistido por IA. El diagnóstico precoz de Delfos permitió una respuesta proactiva, evitando la progresión de una falla crítica y garantizando:

• Recuperación de energía
• Mayor disponibilidad de turbinas
• Reducción del riesgo de fallos catastróficos
• Posibles ahorros de costos al anticipar el mantenimiento correctivo

El papel de Delfos va más allá del monitoreo: se aplica inteligencia para la toma de decisiones proactiva, integrando continuamente la ingeniería, los datos y el rendimiento.

Números grandes

• Reducción de temperatura de 15 °C en el rodamiento después del mantenimiento
• Se evitan 53 MWh de energía no producida
• 40 horas de falta de disponibilidad mitigadas
• Fallo identificado antes de cualquier mapeo interno
• Reducción del 53% en la diferencia térmica entre máquinas

‍