Mantenimiento 4.0 en parques eólicos.

La logística de la cadena de suministro puede ser un desafío para los parques eólicos debido al costo y la complejidad del transporte de repuestos a ubicaciones remotas. El análisis industrial impulsado por IA ayuda a los parques eólicos a reducir el gasto en piezas de repuesto al extender la vida útil de los activos, al tiempo que ofrece nuevas oportunidades para aumentar los ingresos.

¿Por qué IIoT para el mantenimiento predictivo es tan atractivo para los parques eólicos?

Hasta el 30% del costo nivelado por kWh producido durante la vida útil de una turbina se puede atribuir a Operación y Mantenimiento.

El tiempo de inactividad no programado de la turbina eólica puede durar una semana o más por año y, en algunos casos, mucho más tiempo. Debido a que las turbinas eólicas generalmente se instalan en ubicaciones remotas, a menudo es costoso transportar reemplazos pesados. En el caso de un generador, el transporte puede llevar más tiempo que la propia reparación. Se estima que más del 70 % del tiempo de inactividad de los aerogeneradores se debe a reparaciones importantes.

Para los operadores, el alto costo de operación y mantenimiento es una oportunidad para generar ingresos incrementales, lo que está impulsando el interés en el mantenimiento predictivo de IIoT.

Las limitaciones de las técnicas de mantenimiento actuales

El mantenimiento predictivo (PdM) que utiliza datos SCADA es el sistema predeterminado que se utiliza actualmente en los parques eólicos. ¿Como funciona? Los datos de los sensores de las turbinas se basan en el monitor. Si se infringen los límites de control establecidos manualmente, se alerta a los operadores.

Sin embargo, existen dos limitaciones importantes. Primero, solo se puede monitorear una cantidad limitada de datos del sensor. En muchos casos, la causa raíz de la falla de la máquina proviene de fuentes desconocidas. Con el PdM tradicional, a menos que la causa principal haya sido provocada por uno de los sensores seleccionados, no se detectará.

La segunda limitación se basa en cómo se monitorean los datos SCADA. Si se superan los umbrales de control, se generan alertas. Sin embargo, en muchos casos, una vez superado el umbral de control, ya es demasiado tarde para evitar el fallo de la máquina.

La falta de visibilidad del tiempo de inactividad en evolución reduce la eficacia de PdM.

PdM 4.0: aprendizaje automático no supervisado para la gestión de activos

Existen diferentes metodologías utilizadas para el mantenimiento predictivo de IIoT. Comencemos con el término "aprendizaje automático supervisado". Con el aprendizaje automático supervisado, el algoritmo de aprendizaje se "entrena" utilizando la guía humana y las etiquetas de condiciones anormales y normales de la turbina eólica.

En el caso de una turbina eólica, el algoritmo de aprendizaje debe comprender el diseño físico de la maquinaria en función de sus planos. Adicionalmente, necesita capacitación en procesos mecánicos. Una vez que se analizan los nuevos datos, se puede reconocer la falla de la máquina en función del entrenamiento del algoritmo.

Este nivel de capacitación no es necesario para el aprendizaje automático no supervisado. Por ejemplo, no es necesario entrenar el algoritmo utilizando el conocimiento de los procesos mecánicos de la turbina eólica o sus planos.

¿Cuál es el beneficio económico del mantenimiento predictivo de IIoT?

El objetivo del mantenimiento predictivo de IIoT es proporcionar alertas de degradación de activos y fallas en evolución lo suficientemente temprano como para evitar el tiempo de inactividad no programado. Si se alerta a los operadores de una falla, pueden reducir las cargas de trabajo mientras se piden las piezas. Por el contrario, el mantenimiento reactivo es costoso y consume más tiempo.

El objetivo general del mantenimiento predictivo de IIoT es reducir los costos de operación y mantenimiento y aumentar las tasas de rendimiento.

Veamos algunos ejemplos específicos. Los costes estimados de O&M para Alemania, Reino Unido y Dinamarca oscilan entre 1,2 c€ y 1,5 c€ por kWh de energía eólica producida. Se estima que aproximadamente el 50% de esto se destina a seguros, costos administrativos y otros gastos generales. Con el mantenimiento predictivo de IIoT, se puede esperar una reducción en los costos de reemplazo y mano de obra.

Suponiendo una reducción del 20 % en la parte de reparación y mantenimiento de los costos de operación y mantenimiento, esto se traduciría en ahorros de costos anuales de $11 383 para una turbina de 2,5 MW y $34 148 para una turbina de 7,5 MW.

El análisis industrial impulsado por IA puede impulsar los ahorros en parques eólicos

El modelo SKF Enlight AI combina lo último en aprendizaje automático con nuestras décadas de conocimiento y experiencia en mantenimiento de activos. El resultado es un producto de mantenimiento predictivo que no solo detecta fallas de activos emergentes con mucha anticipación, sino que también ayuda a reparar y prevenir que vuelvan a ocurrir estas fallas en el futuro.

En este sistema en constante adaptación, los conocimientos basados en IA prolongan el estado de la máquina para el activo específico afectado, así como para los activos en todas las plantas.

Al aplicar productos de Machine Learning como Enlight AI a su Big Data, los parques eólicos pueden hacer que sus operaciones, que ya son respetuosas con el medio ambiente, sean más eficientes, reduzcan costos innecesarios y aumenten los ahorros.