Si prefieres ver la web siempre en español, haz click aquí.
El proceso de mantenimiento de aerogeneradores que estamos utilizando en nuestros parques eólicos es un buen ejemplo de un sistema innovador basado en la digitalización. Se trata de un sistema de análisis predictivo basado en el estudio de las vibraciones de los equipos que permite detectar fallos hasta con meses de antelación. Gracias a este modelo es posible planificar las reparaciones y evitar las indisponibilidades de las máquinas, mejorando así la eficiencia y reduciendo costes.
¿Cómo funciona este sistema de detección de fallos? Hace apenas unos años, la supervisión de aerogeneradores dependía de campañas de endoscopias e inspecciones visuales que suponían un coste muy elevado. El nuevo sistema, que ya hemos incorporado en 1.400 equipos, se basa en el machine learning, es decir, en el aprendizaje de los sistemas sobre el comportamiento de las máquinas, que permite detectar y activar alarmas cuando ese comportamiento se sale de lo habitual.
Por otro lado, gracias al Internet of things (IoT) es posible transmitir información desde dispositivos de datos ubicados en los aerogeneradores hasta servidores alojados en la nube. El último elemento que compone el sistema es la generación sistemática del conocimiento a partir de la experiencia de los analistas.
Análisis predictivo para detectar los problemas a tiempo
Uno de los responsables de este proyecto, Miguel Colomo, Predictive Maintenance y Technical Support de Enel Green Power, destaca que la principal ventaja de este modelo es el conocimiento continuo de la condición de los equipos, que permite gestionar el momento óptimo para las reparaciones y realizarlas en épocas de bajo viento. “En el mejor de los casos detectamos un síntoma que típicamente causa daño en la máquina e intervenimos antes de que sea siquiera necesario reparar. En ocasiones, el tipo de fallo solo es detectable cuando ya existe daño, pero al ser este incipiente puede hacerse una pequeña reparación que evita que se extienda el problema, lo cual reduce en gran medida el coste de la reparación. Por último, incluso en el caso de aquellos fallos que solo pueden detectarse cuando están relativamente avanzados, podemos seguir la evolución y extender su vida lo máximo posible sin que se produzca una parada forzosa antes”, explica Colomo.
“En ocasiones, el tipo de fallo solo es detectable cuando ya existe daño, pero al ser este incipiente puede hacerse una pequeña reparación que evita que se extiendan los daños, lo cual reduce en gran medida el importe de la reparación.”
Miguel Colomo, Predictive Maintenance y Technical Support de Enel Green Power
Este modelo que hemos desarrollado en Endesa ya cuenta con información de 1.400 aerogeneradores, 600 de ellos del parque de generación renovable de Endesa en España y el resto de instalaciones de Enel Green Power en México, Chile, Italia, Grecia y Rumanía, entre otros países. El proyecto se puso en marcha en 2014, cuando los expertos comenzaron a estudiar el potencial de este tipo de sistemas, pero no fue hasta 2016 cuando el análisis predictivo de aerogeneradores comenzó a aplicarse de manera efectiva.
Ahorro en las reparaciones y menor tiempo de indisponibilidad
Este sistema de análisis, que es extrapolable a cualquier modelo de aerogenerador, permite ahorros que oscilan entre un 15% y un 95% del coste de las reparaciones de los principales componentes a lo largo de la vida de la turbina. El ahorro que se puede obtener en una sola detección puede llegar a superar los 100.000 euros por máquina.
“Antes de poner en marcha el mantenimiento predictivo por vibraciones, las reparaciones tenían un alcance mayor y los aerogeneradores quedaban indisponibles más tiempo. Un seguimiento similar al que permiten las vibraciones habría supuesto un coste ocho veces superior con el sistema anterio.”
Miguel Colomo, Predictive Maintenance y Technical Support de Enel Green Power
Los expertos que gestionan este sistema se encargan de monitorizar el estado de los equipos y de realizar diagnósticos expertos mediante el análisis de los datos de las vibraciones. Pero no solo eso, sino que también buscan continuamente nuevas oportunidades para mejorar las capacidades de detección del sistema y para encontrar nuevas soluciones que puedan aplicarse en la industria eólica o incluso en otros ámbitos.
Las nuevas tecnologías que vamos conociendo e incorporando suponen una oportunidad para crecer en nuestro proceso de digitalización. El conocimiento y la innovación deben ir de la mano para que las técnicas relacionadas con el machine learning y la automatización también puedan ser útiles en otras áreas. Su estudio es la clave para futuras aplicaciones que continuarán mejorando nuestros servicios.