Cómo la inteligencia artificial ayudó a reducir en un 33% el impacto de las fallas por sobrecalentamiento en las turbinas eólicas

Un error recurrente que reveló un problema mayor

En las turbinas eólicas, calentamiento excesivo las alarmas son más comunes de lo que cabría pensar y representan una amenaza directa para la disponibilidad de las turbinas eólicas. A pesar de los sistemas de refrigeración presentes en los principales componentes de la góndola, como la caja de cambios, el generador y el convertidor, aún se producen fallos que provocan paradas recurrentes.

Esto es lo que ocurrió en el Parque eólico Mangue Seco (compuesta por 39 turbinas eólicas Enercon E82 de 2,0 MW), ubicadas en Guamaré (RN), donde las paradas causadas por la »Excitación por fallo: disipador térmico de sobrecalentamiento» La alarma fue una de las principales causas de pérdida de energía. La alarma indicaba un fallo en el sistema de ventilación del reóstato de excitación.

La solución a esta situación fue establecer un plan de mantenimiento predictivo basado en la inteligencia artificial y el análisis de la causa raíz, que generó resultados significativos:

• Reducción del 33% en el impacto energético de estas fallas
• 60% menos de tiempo de inactividad debido al sobrecalentamiento

Diagnóstico en profundidad: ¿dónde estaba la raíz del problema?

El estudio, realizado por equipos técnicos de Delfos, V2i Energía S.A. (el operador del parque), y Energía eólica de Wobben (responsable del mantenimiento), identificó la cabina de excitación ventilador de flujo cruzado como el principal culpable. Cuando este ventilador falló, la temperatura del disipador de calor aumentó, activando la alarma y deteniendo la máquina.

El análisis de la causa raíz se realizó con el apoyo del Diagrama de Ishikawa, que reunió a expertos para mapear los factores técnicos, operacionales y ambientales. La conclusión era clara: era necesario anticipar el problema antes de que se produjera un sobrecalentamiento.

IA en acción: verdadero mantenimiento predictivo

Delfos ha desarrollado una herramienta basada en redes neuronales artificiales, capaz de predecir la temperatura del disipador a partir de datos como:

• Temperatura ambiente
• Temperatura de la góndola
• Potencia de turbina eólica
  

Siempre que la temperatura real se desvía significativamente de la temperatura prevista, se emite una alerta predictiva. Esto permitió identificar qué máquinas corrían el riesgo de fallar antes de que se produjera la parada.

Estas alertas comenzaron a guiar un nuevo plan de mantenimiento preventivo, priorizando las máquinas con mayor riesgo y permitiendo que las reparaciones se realizaran en momentos estratégicos, como los períodos de poco viento.

Los resultados: ahorro de energía y aumento de la disponibilidad

La aplicación práctica de este sistema se llevó a cabo durante la segunda mitad de 2023 y se comparó con el mismo período del año anterior.

Los resultados fueron claros:

Además, había un Reducción del 11% en la duración y del 28% en el impacto energético del mantenimiento, aunque parte de este beneficio no puede atribuirse directamente a la nueva estrategia.

¿Por qué es importante para la industria?

Esta iniciativa muestra cómo monitoreo inteligente de datos operativos, cuando se combinan con modelos de aprendizaje automático, puede transformar la forma en que funcionan los parques eólicos.

Más que tratar los síntomas, la estrategia aborda la causa principal de las fallas, reduce los costos y mejora la eficiencia de toda la flota.

Dónde encontrar el estudio completo

El estudio completo, »Identificación de fallos de refrigeración en turbinas eólicas mediante aprendizaje automático» se puede descargar rellenando el siguiente formulario:

‍

Autores

• Nathianne Andrade (Delfos Energy)
• Leticia Xavier (Delfos Energy)
• Giovanni Aguiar (Delfos Energy)
• Brendo Usandizaga (Delfos Energy)
• Rennan Oliveira (V2i Energia)
  
  

¿Te ha gustado este contenido?

Sigue a Delfos en LinkedIn para mantenerse al día con las próximas publicaciones del proyecto Delfos Research y estar al tanto de las innovaciones en mantenimiento predictivo y energía renovable.

‍