Mantenimiento Preventivo de Aerogeneradores basado en Técnicas de Aprendizaje Profundo en el Fog

En Andalucía hay un total de 147 parques eólicos que pueden abastecer a más 1.5M de viviendas. Este proyecto pretende la implementación de técnicas de mantenimiento preventivas para sus aerogeneradores.

Investigador principal

Manuel Díaz Rodríguez

Sede:

UMA

Tecnología

Machine Learning, IoT, Big Data

Agentes agregados

Software for Critical Systems (SoftCrits)

Resumen de la propuesta

En Andalucía hay un total de 147 parques eólicos que pueden abastecer a más 1.5M de viviendas. Este proyecto pretende la implementación de técnicas de mantenimiento preventivas para sus aerogeneradores con el fin de aumentar su disponibilidad y optimizar su ciclo de vida a la vez de reducir sus costes operativos. Los requisitos de fiabilidad y tiempo real para su monitorización requieren de la combinación de áreas multidisciplinares como inteligencia artificial, fog computing, IoT y big data.

Objetivo del proyecto

El principal objetivo de este proyecto es el desarrollo de un sistema para el mantenimiento preventivo de aerogeneradores en parques eólicos. Para ello se desarrollará 1) una solución embebida e inalámbrica de bajo coste para mejorar la monitorización en los aerogeneradores; 2) técnicas de inteligencia artificial distribuidas, en concreto de aprendizaje profundo, que permitan modelar y predecir los comportamientos y posibles averías de los componentes involucrados; 3) un sistema fog computing que permita aumentar la fiabilidad, precisión y la respuesta en tiempo real de técnicas de análisis basadas en aprendizaje automático; y 4) un sistema de adquisición masiva que permita distribuir la gran cantidad de información que pueden generar tales componentes. Por último, el sistema propuesto se pretende validar en un parque eólico andaluz. Para la validación de las pruebas de concepto iniciales se utilizaran datos abiertos, como los proporcionados por EDP (https://opendata.edp.com/).

Resultados esperados e indicadores

Indicadores (esperados hasta el 31/12/2021)

  • Nuevo personal investigador (equivalente anual): 1
  • Nº contratos transferencia: 1
  • Congresos: 2
  • Publicaciones indexadas: 2
  • Tesis doctorales: 1 1 (se iniciará una tesis doctoral, aunque la defensa quede fuera del plazo de ejecución del proyecto)

Justificación potencial impacto tecnológico del proyecto TRL

El sistema de mantenimiento preventivo mejorará la vida útil de los aerogeneradores, y, por tanto, permitirá que ofrezcan energía sostenible de forma continuada a la población. Este proyecto tiene como resultado un prototipo pre-industrializado que será incorporado en aerogeneradores, por tanto, el TRL alcanzado es 7. Los modelos de aprendizaje de los aerogeneradores se pondrán a disposición de forma pública para su posterior reutilización y optimización en el sector eólico.

Avances

Manuel Díaz Rodríguez y su equipo de investigación ERTIS (http://ertis.uma.es/), pertenecientes a la Universidad de Málaga, junto con SoftCrits SL como entidad colaboradora, tienen como objetivo el desarrollo de un sistema para el mantenimiento preventivo de aerogeneradores en parques eólicos.

Durante el desarrollo del proyecto, aún en activo, se ha diseñado una solución innovadora basada en un telescopio motorizado terrestre para la inspección y el mantenimiento predictivo de aerogeneradores. Esta solución reduce los tiempos de inspección manuales que deben ser realizados de forma periódica, y la complejidad de otras soluciones autónomas como son el uso de drones, las cuales requieren de experiencia en el manejo y vuelo de drones, presentan una duración de batería muy limitada y pueden requerir de licencias de vuelo. La solución propuesta basada en telescopio terrestre ha sido diseñada para que sea lo más autónoma posible, de tal forma que pueda inspeccionar la torre y las palas de los aerogeneradores en la misma inspección sin la intervención del ser humano. Tanto para la detección de las partes de los aerogeneradores como para la detección de anomalías se han definido diversos datasets que serán puestos a disposición de la comunidad. Actualmente la solución propuesta se encuentra en una fase intermedia de desarrollo.

Por otro lado, gracias a la colaboración con el instituto de investigación Innovations for High Performance Microelectronics (IHP) de Alemania, se ha investigado otro enfoque para el mantenimiento predictivo de aerogeneradores utilizando chips neuromórficos. Los chips neuromórficos producidos por IHP son chips que permiten el procesamiento de redes neuronales artificiales como las utilizadas en técnicas de aprendizaje profundo de una manera rápida, ya que el procesamiento y la adquisición de información se realiza en el mismo chip, y con un bajo consumo. Este enfoque ha sido validado y se han obtenido resultados con una precisión superior a 80%, un consumo aproximado de 2 μJoule y un tiempo total de 1,5 segundos para cada detección.

noticia_uma-ceiatech_19