Detección y diagnostico de fallas en turbinas de viento usando técnicas de minería de datos

Abstract

La energía eólica es una de las fuentes de energía alternas más importantes con las que cuenta el planeta. En la presente década se ha evidenciado un gran interés en este tipo de energía lo que ha conducido al desarrollo de turbinas de viento más sofisticadas y de mayor capacidad de generación. Un punto crítico en las turbinas de viento es la implementación de sistemas efectivos de detección de fallas que logren minimizar sus costos de mantenimiento. Según estudios recientes para una turbina con 20 años de vida útil, lo costos de mantenimiento y reemplazo de partes se estiman en al menos 10-15% de los ingresos totales de la generación, un costo muy alto si se compara con otros tipos de energía. El desarrollo de sistemas de detección y aislamiento de fallas (FDI) para turbinas de viento es un tema de investigación actual, fundamental para posicionar aún más este tipo de energía. La mayoría de los sistemas FDI se basan en modelos matemáticos construidos a partir del conocimiento a priori del sistema, estos realizan análisis de residuos para determinar la existencia o no de una falla. La efectividad de un sistema con este enfoque depende directamente de la capacidad del modelo matemático para interpretar la dinámica del sistema, en plantas complejas como las turbinas de viento actuales obtener modelos con la calidad suficiente como para ser empleados en detección de fallas es una tarea compleja. Como alternativa a este enfoque se encuentran los sistemas de detección de fallas basados en datos ’data-driven’, los cuales a partir de una colección de datos provenientes de un sistema de monitoreo identifican patrones que le permiten hacer inferencias sobre comportamientos anormales. En un enfoque ’data-driven’ disminuye en gran medida la cantidad de información analítica necesaria acerca de la planta, sin embargo son necesarios algoritmos y técnicas que sean capaces de identificar y extraer patrones sobre grandes set de datos (extracción de conocimiento). En ese sentido el área de minería de datos nos provee de grandes herramientas, algoritmos y metodologías para la construcción de sistemas FDI ’data-driven’. En este trabajo se implementaron diferentes sistemas FDI sobre modelos simulados de turbinas de viento, todos ellos construidos bajo un proceso KDD (Knowledge Discovery in Databases) y la aplicación de algoritmos de clasificación/regresión. Su evaluación se realizo en términos y métricas de desempeño industrial comúnmente usadas en la literatura del área. Los resultados obtenidos demuestran que el uso de técnicas de minería de datos en sistemas FDD para turbinas de viento es un camino prometedor alternativo a las técnicas tradicionales basadas en modelos.

Abstract. Wind energy is one of the alternative energy sources more important with the planet counts. In the present decade has increased the interest in this type of energy, which has led to the development of more sophisticated wind turbines and increased generation capacity. A critical point in wind turbines is the implementation of effective fault detection that manage to minimize maintenance costs. According to recent research for a turbine with 20 years of service life, maintenance costs and replacement parts are estimated at least 10-15% of total revenue generation, a high cost compared with other types of energy. The development of systems fault detection and isolation (FDI) for wind turbines is a current research topic, key to position this type of energy. Most FDI systems are based on mathematical models constructed from a priori knowledge of the system for residue analysis to determine the existence of a fault. The effectiveness of this approach depends directly on the ability of the mathematical model to ’interpret the dynamics of the system’, in complex plants like current wind turbines get models with sufficient quality for use in detection of failures is a complex task. As an alternative to this approach are ’data-driven’ fault detection systems, which from a collection of data from a monitoring system, identify patterns that allow you to make inferences about abnormal behavior. In a ’data-driven’ approach, it reduces the amount of necessary analytical information about the plant, however algorithms and techniques are needed to identify and extract patterns on large data set (extraction of knowledge). In that sense data mining area provides us with great tools, algorithms and methodologies for building FDI ’data-driven’ systems. In this work different systems were implemented FDI on simulated models of wind turbines, all based on KDD (Knowledge Discovery in Databases) process and the application of algorithms classification / regression. The evaluation was made in terms of industrial performance metrics commonly used in the literature of the area. The results show that the use of data mining techniques in FDI systems for wind turbines is a promising way, alternative to traditional techniques based on models.