Desarrollo de indicadores para prognosis de la condición de componentes de un aerogenerador.

Abstract

Con el desarrollo de este proyecto, se pretende realizar un estudio que permita realizar un pronóstico sobre la evolución de un aerogenerador a corto plazo. El método de realización de este estudio consiste en crear modelos de comportamiento normal a partir del año 2010, el cual se ha tomado como referencia. Para la creación de estos modelos, se utilizó el programa Matlab, con diferentes algoritmos de aprendizaje automatizado. Los algoritmos usados para el desarrollo del proyecto son redes neuronales, tanto el perceptrón multicapa como las de base radial (RBF); y las máquinas de soporte vectorial (SVM). Los datos que son utilizados para la creación de estos modelos se llaman conjunto de entrenamiento. A partir de estos modelos, se estudió el comportamiento del aerogenerador en los años posteriores, usando los datos de monitorización. Tanto el conjunto de entrenamiento como los datos de monitorización se obtienen a tiempo real a partir de unos sensores acoplados al generador. Una vez analizadas las anomalías que detecta cada algoritmo, se analizarán las alarmas detectadas en su conjunto y se justificará cuales serían alarmas reales y cuales serían falsas alarmas. De esta manera, se podría detectar ciertas anomalías en alguno de sus componentes con el fin de proponer indicadores en su estado de salud y poder evitar la indisponibilidad del propio aerogenerador.With the development of this project, we intend to carry out a study that allows us to make a forecast about the evolution of a wind turbine in the short term. The method of conducting this study consists of creating models of normal behavior from the year 2010, which has been taken as a reference. For the creation of these models, the Matlab program was used, with different automated learning algorithms. The algorithms used for the development of the project are neural networks, both the multilayer perceptron and the radial based (RBF); and vector support machines (SVM). The data that is used for the creation of these models is called the training set. From these models, the behavior of the wind turbine in the following years was studied, using the monitoring data. Both the training set and the monitoring data are obtained in real time from sensors coupled to the generator. Once the anomalies detected by each algorithm have been analyzed, the alarms detected as a whole will be analyzed and what real alarms and what would be false alarms will be justified. In this way, certain anomalies could be detected in some of its components in order to propose indicators in their health status and to avoid the unavailability of the wind turbine itself.