El mantenimiento predictivo basado en IA mejora el rendimiento de los aerogeneradores

Introducción

En una era en la que las fuentes de energía renovables son cada vez más vitales, los aerogeneradores desempeñan un papel fundamental en el futuro sostenible de nuestro planeta. Garantizar el rendimiento óptimo y la longevidad de estas imponentes estructuras supone un reto importante. La Inteligencia Artificial (IA) ofrece soluciones innovadoras que están reconfigurando el panorama de las prácticas de mantenimiento. A medida que la industria de la energía eólica explora el uso de la IA, empresas como Suzlon están a la vanguardia de esta revolución, invirtiendo estratégicamente en tecnologías de IA para abordar de forma proactiva los retos de mantenimiento y mantener sus turbinas eólicas funcionando de manera eficiente y sostenible. Desde su creación en 1995, Suzlon ha expandido rápidamente su huella por todo el mundo y se ha hecho un hueco gracias a la innovación tecnológica y de productos. Suzlon es pionera en el campo de la energía eólica y actualmente está presente en 17 países. 

Desafíos

Enmarcar el problema y orquestar los datos

Suzlon se centró en la predicción del tiempo hasta el fallo de diferentes subsistemas de un aerogenerador: las palas, el motor, los rodamientos y los sistemas de control/eléctricos. Para cada uno de ellos, los datos de los sensores eran diferentes y se necesitaba un mínimo de un año de datos de eventos para entrenar el modelo ML, donde un evento se define como una anomalía que potencialmente conduce a un tiempo de inactividad de la turbina.

Solución aplicada

Extracción y preparación de datos

En el primer paso, las diferentes fuentes de datos, incluidos los datos de sensores en tiempo real y los registros de eventos históricos de los sistemas SCADA, se orquestaron utilizando RapidCanvas. A continuación, se limpiaron los conjuntos de datos sin procesar y se prepararon para el proceso de aprendizaje automático. Esto garantizó un conjunto de datos rico y relevante para realizar predicciones precisas y oportunas.

Modelización automatizada 

Utilizando la plataforma RapidCanvas, se llevó a cabo un modelado automatizado, aprovechando los algoritmos de aprendizaje automático de regresión para analizar los vastos conjuntos de datos. Gracias al entrenamiento y perfeccionamiento iterativo del modelo, se logró un alto nivel de precisión en la predicción del tiempo que tardaría en fallar un subsistema de la turbina. 

Cuadros de mando y alertas 

Para empoderar a los operadores y equipos de mantenimiento de Suzlon, la información obtenida mediante el proceso de aprendizaje automático se compartió a través de paneles fáciles de usar y alertas en tiempo real. Estos paneles proporcionan información instantánea sobre el estado y la vida útil restante (RUL) de cada turbina. Gracias a este enfoque basado en la RUL, se determina el estado de los componentes críticos de la turbina, como el cojinete principal y la caja de engranajes, y se activan alertas automáticas cuando el sistema detecta anomalías o necesidades de mantenimiento inminentes. Esto permite a los operadores programar el mantenimiento de forma eficiente, minimizando el tiempo de inactividad y maximizando la productividad de la turbina.

Resultados y ventajas

Fallos previstos de antemano

El mantenimiento proactivo y la reducción del tiempo de inactividad han ayudado a la empresa a evitar costosas reparaciones e interrupciones imprevistas, lo que ha supuesto un ahorro potencial de más de 1 millón de dólares en pérdidas de ingresos y gastos de mantenimiento.

Ahorro por turbina

Con el modelo implantado en más de 700 turbinas, el ahorro por turbina para la empresa asciende a más de 35 millones de dólares.

Información basada en datos sobre operaciones y mantenimiento

Con la solución RapidCanvas, el equipo de Suzlon pudo acceder a completos paneles que detallaban el rendimiento y los requisitos de mantenimiento de los subsistemas de sus aerogeneradores. Esto permitió a los equipos tomar las medidas necesarias para evitar un tiempo de inactividad imprevisto y gestionar sus programas de mantenimiento basándose en datos precisos en tiempo real. 

Mejora de la gestión de los recursos

La implantación del mantenimiento predictivo en aerogeneradores optimizó la asignación de recursos, la programación y las cargas de trabajo, al tiempo que mejoró la gestión de piezas y personal de las turbinas, lo que se tradujo en una mayor eficacia operativa y ahorro de costes.

Prolongación de la vida útil de los aerogeneradores 

Al identificar y resolver los problemas de los aerogeneradores antes de que se agraven, Suzlon es capaz de reducir eficazmente el desgaste, garantizando que las turbinas sigan generando energía limpia durante años más allá de su vida útil prevista.