Aplicación de técnicas de Inteligencia Artificial al diagnóstico de centrales eléctricas

Abstract

El mantenimiento de los activos es de vital importancia para la viabilidad económica de las empresas industriales, especialmente en el contexto de las centrales eléctricas de ciclo combinado. Este trabajo fin de máster, titulado «Aplicación de técnicas de IA al diagnóstico y mantenimiento de centrales eléctricas», investiga la aplicación del aprendizaje automático y la inteligencia artificial al diagnóstico y mantenimiento de una bomba de agua de alimentación de una turbina de vapor de ciclo combinado. El estudio abarca tres procesos clave: la caracterización y modelización del comportamiento operativo normal de la bomba, la detección temprana de irregularidades y la identificación de posibles modos de fallo. En la investigación se empleó un conjunto de datos que abarca tres años, y se utilizaron Python y PyTorch Lightning para el desarrollo de modelos. Centrándose en una bomba de agua de alimentación, el estudio ha demostrado cómo puede modelarse el comportamiento operativo normal y cómo pueden detectarse preventivamente anomalías y fallos potenciales. La aplicación de metodologías de IA facilita la transición de un enfoque de mantenimiento reactivo a otro proactivo, reduciendo así notablemente el tiempo de inactividad y mejorando la eficiencia operativa. La investigación aborda varios retos fundamentales, como el ruido de datos, la falta de generalización y la recopilación eficaz de datos. El modelo desarrollado demostró una gran precisión en la predicción del comportamiento normal del flujo de descarga de la bomba de agua de alimentación y en la identificación de desviaciones que indican fallos potenciales. El modelo desarrollado demostró una alta precisión en la predicción del comportamiento normal del flujo de descarga de la bomba de agua de alimentación y en la identificación de desviaciones que indican fallos potenciales. El enfoque utilizado en este estudio es adaptable a otros activos industriales, siempre que se disponga de datos de funcionamiento normal, lo que lo convierte en una herramienta versátil para mejorar las estrategias de mantenimiento en diversos sectores.

The maintenance of assets is of critical importance for the economic viability of industrial enterprises, particularly in the context of combined-cycle power plants. This Master's Thesis, entitled "Application of AI Techniques to the Diagnosis and Maintenance of Power Plants," investigates the application of machine learning and artificial intelligence for diagnosing and maintaining a feedwater pump in a combined cycle steam turbine. The study encompasses three key processes: the characterization and modeling of the pump's typical operational behavior, the early detection of irregularities, and the identification of potential failure modes. A data set spanning three years was employed in the research, which utilized Python and PyTorch Lightning for model development. By focusing on a feedwater pump, the study has demonstrated how normal operational behavior can be modeled and how anomalies and potential failures can be preemptively detected. The implementation of AI methodologies facilitates a transition from a reactive to a proactive maintenance approach, thereby markedly reducing downtime and enhancing operational efficiency. The research addresses several pivotal challenges, including data noise, lack of generalization, and effective data collection. The developed model demonstrated high accuracy in predicting the normal behavior of the discharge flow of the feedwater pump and identifying deviations that indicate potential failures. The methodology employed in this study is adaptable to other industrial assets, provided that the requisite normal operating data is available. As a result, it constitutes a versatile tool for improving maintenance strategies across a range of sectors.