Exploración de técnicas de redes neuronales de convolución en la detección de anomalías de un aerogenerador

Abstract

En un parque eólico encontramos un aerogenerador, una máquina de 2 MW de potencia, para la cual se llevará a cabo un estudio de análisis del funcionamiento para detectar posibles anomalías. Esta máquina dispone de múltiples sensores distribuidos en su estructura que han ido tomando medidas de distintas variables a lo largo de un periodo de tiempo. Este periodo de tiempo es un total de 6 años. El presente proyecto pretende realizar un modelo de análisis de un gran volumen de datos que permita detectar anomalías en el aerogenerador, trabajando con el histórico de medidas recogidas a lo largo de los años y con la técnica de predicción de red neuronal de convolución. Esta técnica se ha usado habitualmente para el reconocimiento de patrones en imágenes. Se desarrollaran los modelos de comportamiento que permitirán, tras un trabajo de optimización y demostración de robustez, prever los valores que debería tener una variable clave, indicador del estado de uno de los elementos del aerogenerador. A partir de las desviaciones entre el valor predicho y el valor real medido de esa variable clave, se podrán identificar anomalías en el elemento del que se ha tomado la variable. Una vez detectadas las anomalías presentes, se podrán cuantificar para indicar si existe un fallo en el elemento en concreto. Se realizará un estudio de los fallos encontrados y las líneas de tendencia de fallo identificadas en la máquina en el periodo total de los 6 años.

In a wind farm we find a wind turbine, a machine of 2 MW of power, for which a study of its operation will be carried out to detect possible anomalies. This machine has multiple sensors distributed in its structure that have been taking measurements of different variables over a period of time. This time period is a total of 6 years. This project aims to develop an analitical model for a large volume of data that allows to detect anomalies in the wind turbine, working with the history of measures collected over the years and with the technique of prediction that uses a convolutional neural network. This technique has been commonly used for pattern recognition in images. Behavioural models will be developed that will allow, after the optimization and robustness demonstration work has been completed, to predict the values that a key variable should take, indicator of the status of one of the wind turbine elements. From the deviations between the predicted value and the measured actual value of that key variable, anomalies can be identified in the element from which the variable was taken. Once the anomalies present have been detected, they can be quantified to indicate whether there is a fault in the particular element. A study of the identified faults and fault trend lines in the machine will be carried out for the total period of 6 years.