El proyecto titulado Modelos predictivos de fallos en aerogeneradores a través de técnicas de aprendizaje basado en inteligencia artificial (WinDIAG) con código C005/21-ED es un proyecto de I+D en colaboración con ISOTROL y el grupo MINERVA.
El objetivo del proyecto WinDIAG es proporcionar a los gestores de parques eólicos de gran tamaño, una nueva generación de herramientas que permiten anticiparse y evitar fallos en los aerogeneradores, reduciendo el tiempo de parada por mantenimiento y alargando la vida útil de los mismos, sin realizarse inversiones adicionales para la detección y predicción de dichos fallos.
Para ello, se incorporan funciones basadas en Deep Learning que permiten el aprendizaje y el feedback del operador en la toma de decisiones. La línea de investigación planteada es la de Reinforcement Learning, en la que, en forma de “recompensas” o “castigos” con el feedback del usuario del sistema (“operador”), permite un entrenamiento para un diagnóstico preciso. El uso de Machine Learning es crítico para la generación de datos de entrenamiento, dada la dificultad de disponer de los mismos para un mismo parque eólico; la idea es usar técnicas avanzadas de Redes Neuronales Generativas Adversarias (GANs), para esta generación.
El resultado esperado es una infraestructura de análisis y un conjunto de algoritmos que, partiendo de los datos de los sistemas SCADAs de monitorización y control de los aerogeneradores, y tras un proceso de configuración, limpieza de datos y entrenamiento, sean capaces de detectar situaciones fuera de lo normal, realizando un diagnóstico en base a los posibles modos de fallo de los componentes críticos de los aerogeneradores, y proporcionando una recomendación de actuación por los equipos de O&M basada en el aprendizaje.
El presupuesto para la US es de 535.948 €, con una duración de dos años, de 2022 a 2024, financiadas por la entidad pública empresarial Red.es.
Fuente: Prof. José C. Riquelme, coordinador del proyecto.