Predecir el futuro para ahorrar energía
Madrid / 19 de noviembre de 2020
Parece ciencia ficción pero no lo es. En Siemens Gamesa somos capaces de predecir el comportamiento de los aerogeneradores y prevenir los fallos antes de que se produzcan. ¿Cómo? Gracias a modelos matemáticos que, en los últimos nueve años, han sido capaces de detectar 50.000 anomalías en aerogeneradores. ¿El resultado? Un ahorro de más de un millón de horas de energía.
Imagina que los aerogeneradores fueran personas, equipadas con sensores que van enviando información cada diez minutos sobre múltiples variables como temperatura, tensión, etc. Y que los médicos pudiesen analizar esos síntomas y compararlos con patologías previas en miles de otros pacientes. ¿Se podrían evitar ataques al corazón e incluso salvar vidas? La respuesta es sí. Esto es exactamente lo que Siemens Gamesa está consiguiendo en los aerogeneradores a través de su diagnóstico basado en modelos matemáticos.
¿Cómo funciona?
Se trata de un sistema de diagnóstico remoto (MDB) basado en más de 500 modelos matemáticos que controlan cómo debe comportarse cada componente, circuito o proceso específico dentro un aerogenerador, en casi cualquier condición ambiental.
"Monitorizamos más de 17.000 aerogeneradores en 44 países, cada uno de ellos equipado con 400 sensores. Cuando los datos que recibimos no se ajustan al modelo, es síntoma de que puede haber un problema; si este es el caso, creamos un ticket para que los técnicos de servicio responsables investiguen y corrijan el problema", explica Henrik Pedersen, responsable del equipo de diagnóstico remoto de Siemens Gamesa.
"Monitorizamos más de 17.000 aerogeneradores en 44 países, cada uno de ellos equipado con 400 sensores. Cuando los datos que recibimos no se ajustan al modelo, es síntoma de que puede haber un problema; si este es el caso, creamos un ticket para que los técnicos de servicio responsables investiguen y corrijan el problema", explica Henrik Pedersen, responsable del equipo de diagnóstico remoto de Siemens Gamesa.
Cada anomalía que detectamos es una oportunidad
El parque Highland en Iowa (USA) generó el pasado agosto el aviso número 50.000, todo un récord para un proyecto que echó a andar hace diez años cuando muy pocos hablaban de big data o machine learning. Desde entonces, el equipo de Henrik ha ido incorporando unos 60 modelos matemáticos cada año, cada vez más avanzados, que cubren tanto a los últimos modelos de Siemens Gamesa lanzados al mercado como tecnologías legacy Siemens Wind, legacy Gamesa, Adwen, Senvion, e incluso Vestas y General Electric.
Las ventajas de este sistema son inmensas. En primer lugar, se detectan los problemas en fases muy tempranas, por lo que su reparación es más sencilla, rápida, segura y barata, y se evitan complicaciones mayores. Se reduce el tiempo en el que la máquina está parada y se pueden programar para épocas con menos viento, lo cual es especialmente beneficioso para los parques offshore. Con un mantenimiento exhaustivo, evitamos el desgaste de componentes electrónicos, válvulas o motores. Finalmente, se facilita el trabajo al equipo de mantenimiento, porque al generar el aviso se acompaña ya de una guía detallada con el procedimiento de actuación y las repuestas necesarias para la reparación.
Como subraya Henrik, cada anomalía que el sistema detecta es una oportunidad. Los 50.000 tickets generados en este tiempo han ahorrado más de un millón de horas de energía que, de otra manera, se hubiesen perdido.
Como subraya Henrik, cada anomalía que el sistema detecta es una oportunidad. Los 50.000 tickets generados en este tiempo han ahorrado más de un millón de horas de energía que, de otra manera, se hubiesen perdido.
Pongamos ahora un ejemplo concreto
La placa de circuito, que es parte del sistema de control, se degrada con el tiempo. No se puede predecir el problema si solo se analizan los fallos que ocurren en un aerogenerador determinado, sino que hay que buscar patrones a través de los datos. Pueden ser variables de temperatura, presión, posición o una combinación de todas ellas. Se trata de un patrón muy específico que el sistema MBD es capaz de detectar en una etapa muy temprana, comparándolo con otros que previamente afectaron a otras turbinas que sufrieron después complicaciones más graves y que incluso dejaron de funcionar.
El sistema de control no te avisa del problema; se necesita una extensa historia de datos -uno, dos o tres meses- para detectarlo semanas antes de que el aerogenerador se pare. Gracias a MDB, podemos descifrarlo, avisar al equipo de mantenimiento para que consigan el repuesto necesario y planifiquen una visita cuando sea más conveniente.
“El resultado es que la reparación se convierte en una visita programada, invertimos unos 10 minutos en repararlo y el aerogenerador se queda como nuevo”, explica Henrik. “Nuestra solución se ha vuelto tan sofisticada que podemos identificar futuros problemas que nadie había detectado y arreglarlos antes de que se produzca ningún síntoma”, explica.
“El resultado es que la reparación se convierte en una visita programada, invertimos unos 10 minutos en repararlo y el aerogenerador se queda como nuevo”, explica Henrik. “Nuestra solución se ha vuelto tan sofisticada que podemos identificar futuros problemas que nadie había detectado y arreglarlos antes de que se produzca ningún síntoma”, explica.
Este sistema todavía tiene mucho camino por recorrer. El siguiente objetivo es instalar sensores más avanzados, en más turbinas, y usar este sistema para realizar inspecciones y pruebas que hoy en día se realizan manualmente. “Las oportunidades que nos brinda la digitalización son inmensas y en Siemens Gamesa estamos aprovechando su potencial al máximo”, concluye Henrik.
