000075399 001__ 75399
000075399 005__ 20210520140802.0
000075399 037__ $$aTESIS-2018-066
000075399 041__ $$aeng
000075399 080__ $$a626
000075399 1001_ $$aReder, Maik Dennis
000075399 24500 $$aReliability Models and Failure Detection Algorithms for Wind Turbines
000075399 260__ $$aZaragoza$$bUniversidad de Zaragoza, Prensas de la Universidad$$c2018
000075399 300__ $$a263
000075399 4900_ $$aTesis de la Universidad de Zaragoza$$v2018-66$$x2254-7606
000075399 500__ $$aPresentado: 03 07 2018
000075399 502__ $$aTesis-Univ. Zaragoza, , 2018$$bZaragoza, Universidad de Zaragoza$$c2018
000075399 506__ $$aall-rights-reserved
000075399 520__ $$aDurante las pasadas décadas, la industria eólica ha sufrido un crecimiento muy<br />significativo en Europa llevando a la generación eólica al puesto más relevante<br />en cuanto a producción energética mediante fuentes renovables. Sin embargo, si<br />consideramos los aspectos económicos, el sector eólico todavía no ha alcanzado<br />el nivel competitivo necesario para batir a los sistemas de generación de energía<br />convencionales.<br />Los costes principales en la explotación de parques eólicos se asignan a las<br />actividades relacionadas con la Operación y Mantenimiento (O&M). Esto se debe<br />al hecho de que, en la actualidad, la Operación y Mantenimiento está basada<br />principalmente en acciones correctivas o preventivas. Por tanto, el uso de técnicas<br />predictivas podría reducir de forma significativa los costes relacionados con las<br />actividades de mantenimiento mejorando así los beneficios globales de la explotación<br />de los parques eólicos.<br />Aunque los beneficios del mantenimiento predictivo se consideran cada día<br />más importantes, existen todavía la necesidad de investigar y explorar dichas<br />técnicas. Modelos de fiabilidad avanzados y algoritmos de predicción de fallos<br />pueden facilitar a los operadores la detección anticipada de fallos de componentes<br />en los aerogeneradores y, en base a ello, adaptar sus estrategias de mantenimiento.<br />Hasta la fecha, los modelos de fiabilidad de turbinas eólicas se basan, casi<br />exclusivamente, en la edad de la turbina. Esto es así porque fueron desarrollados<br />originalmente para máquinas que trabajan en entornos ‘amigables’, por ejemplo, en<br />el interior de naves industriales. Los aerogeneradores, al contrario, están expuestos<br />a condiciones ambientales altamente variables y, por tanto, los modelos clásicos<br />de fiabilidad no reflejan la realidad con suficiente precisión. Es necesario, por<br />tanto, desarrollar nuevos modelos de fiabilidad que sean capaces de reproducir el comportamiento de los fallos de las turbinas eólicas y sus componentes, teniendo<br />en cuenta las condiciones meteorológicas y operacionales en su emplazamiento.<br />La predicción de fallos se realiza habitualmente utilizando datos que se obtienen<br />del sistema de Supervisión Control y Adquisición de Datos (SCADA) o de Sistemas<br />de Monitorización de Condición (CMS). Cabe destacar que en turbinas eólicas<br />modernas conviven ambos tipos de sistemas y la fusión de ambas fuentes de datos<br />puede mejorar significativamente la detección de fallos. Esta tesis pretende mejorar<br />las prácticas actuales de Operación y Mantenimiento mediante: (1) el desarrollo de<br />modelos avanzados de fiabilidad y detección de fallos basados en datos que incluyan<br />las condiciones ambientales y operacionales existentes en los parques eólicos y (2)<br />la aplicación de nuevos algoritmos de detección de fallos que usen las condiciones<br />ambientales y operacionales del emplazamiento, así como datos procedentes tanto<br />de sistemas SCADA como CMS. Estos dos objetivos se han dividido en cuatro<br />tareas.<br />En la primera tarea se ha realizado un análisis exhaustivo tanto de los fallos<br />producidos en un amplio conjunto de aerogeneradores (amplio en número de turbinas<br />y en longitud de los registros) como de sus tiempos de parada asociados. De esta<br />forma, se han visualizado los componentes que más fallan en función de la tecnología<br />del aerogenerador, así como sus modos de fallo. Esta información es vital para el<br />desarrollo posterior de modelos de fiabilidad y mantenimiento.<br />En segundo lugar, se han investigado las condiciones meteorológicas previas<br />a sucesos con fallos de los principales componentes de los aerogeneradores. Se<br />ha desarrollado un entorno de aprendizaje basado en datos utilizando técnicas de<br />agrupamiento ‘k-means clustering’ y reglas de asociación ‘a priori’. Este entorno es<br />capaz de manejar grandes cantidades de datos proporcionando resultados útiles y<br />fácilmente visualizables. Adicionalmente, se han aplicado algoritmos de detección<br />de anomalías y patrones para encontrar cambios abruptos y patrones recurrentes<br />en la serie temporal de la velocidad del viento en momentos previos a los fallos<br />de los componentes principales de los aerogeneradores. En la tercera tarea, se<br />propone un nuevo modelo de fiabilidad que incorpora directamente las condiciones<br />meteorológicas registradas durante los dos meses previos al fallo. El modelo usa<br />dos procesos estadísticos separados, uno genera los sucesos de fallos, así como<br />ceros ocasionales mientras que el otro genera los ceros estructurales necesarios para<br />los algoritmos de cálculo. Los posibles efectos no observados (heterogeneidad) en el parque eólico se tienen en cuenta de forma adicional. Para evitar problemas de<br />‘over-fitting’ y multicolinearidades, se utilizan sofisticadas técnicas de regularización.<br />Finalmente, la capacidad del modelo se verifica usando datos históricos de fallos<br />y lecturas meteorológicas obtenidas en los mástiles meteorológicos de los parques<br />eólicos.<br />En la última tarea se han desarrollado algoritmos de predicción basados en<br />condiciones meteorológicas y en datos operacionales y de vibraciones. Se ha<br />‘entrenado’ una red de Bayes, para predecir los fallos de componentes en un<br />parque eólico, basada fundamentalmente en las condiciones meteorológicas del<br />emplazamiento. Posteriormente, se introduce una metodología para fusionar datos<br />de vibraciones obtenidos del CMS con datos obtenidos del sistema SCADA, con<br />el objetivo de analizar las relaciones entre ambas fuentes. Estos datos se han<br />utilizado para la predicción de fallos en el eje principal utilizando varios algoritmos<br />de inteligencia artificial, ‘random forests’, ‘gradient boosting machines’, modelos<br />generalizados lineales y redes neuronales artificiales. Además, se ha desarrollado<br />una herramienta para la evaluación on-line de los datos de vibraciones (CMS)<br />denominada DAVE (‘Distance Based Automated Vibration Evaluation’).<br />Los resultados de esta tesis demuestran que el comportamiento de los fallos de<br />los componentes de aerogeneradores está altamente influenciado por las condiciones<br />meteorológicas del emplazamiento. El entorno de aprendizaje basado en datos es<br />capaz de identificar las condiciones generales y temporales específicas previas a<br />los fallos de componentes. Además, se ha demostrado que, con los modelos de<br />fiabilidad y algoritmos de detección propuestos, la Operación y Mantenimiento de<br />las turbinas eólicas puede mejorarse significativamente. Estos modelos de fiabilidad<br />y de detección de fallos son los primeros que proporcionan una representación<br />realística y específica del emplazamiento, al considerar combinaciones complejas<br />de las condiciones ambientales, así como indicadores operacionales y de estado<br />de operación obtenidos a partir de la fusión de datos de vibraciones CMS y datos<br />del SCADA. Por tanto, este trabajo proporciona entornos prácticos, modelos y<br />algoritmos que se podrán aplicar en el campo del mantenimiento predictivo de<br />turbinas eólicas.<br />
000075399 520__ $$a<br />
000075399 521__ $$97097$$aPrograma de Doctorado en Energías renovables y Eficiencia energética
000075399 6531_ $$ainteligencia artificial
000075399 6531_ $$aenergia ica
000075399 6531_ $$afiabilidad de sistemas
000075399 700__ $$aMELERO ESTELA, JULIO JAVIER $$edir.
000075399 7102_ $$aUniversidad de Zaragoza$$b
000075399 830__ $$9509
000075399 8560_ $$ftdr@unizar.es
000075399 8564_ $$uhttps://zaguan.unizar.es/record/75399/files/TESIS-2018-066.pdf$$zTexto completo (eng)
000075399 909CO $$ooai:zaguan.unizar.es:75399$$pdriver
000075399 909co $$ptesis
000075399 9102_ $$a$$b
000075399 980__ $$aTESIS