Mantenimiento predictivo y centrado en fiabilidad para prevenir averías en plantas de energía renovable | Entrevista a Timo Lichtenstein

Este mes de agosto en nuestro blog, tratamos el tema del mantenimiento predictivo y mantenimiento Centrado en Fiabilidad (RCM) para prevenir averías en plantas de energía renovable. Hemos entrevistado a Timo Lichtenstein, Investigador Asociado en el Instituto Fraunhofer para los Sistemas de Energía Eólica, que ha profundizado en esta temática.

¿Cómo puede la detección temprana de averías ayudar a mejorar la eficiencia y reducir los costes de las plantas de energía renovable?

Hoy en día, aunque los aerogeneradores ya tienen una disponibilidad de, al menos, el 97%, este 3% de tiempo de inactividad puede ser responsable de una pérdida de energía de hasta un 11%. En cuanto a la capacidad instalada de 220 gigavatios (GW), en Europa, y asumiendo un factor de capacidad medio del 33%, esto equivale a una pérdida de 70 teravatios-hora (TWh) de energía por año. Con un consumo económico per cápita de 1500 kilovatios-hora por año (kWh / a), esto equivale al consumo energético anual de más de 45 millones de personas.

Además, los costes de operación y mantenimiento aún pueden representar hasta el 25% de los costes del ciclo de vida completo de una turbina en tierra: una gran parte la constituyen los costes de servicio y reparación. Es posible que las piezas pequeñas no tengan tanto peso, pero las piezas más grandes como el multiplicador, el generador o el convertidor (aunque sus tasas de averías pueden ser bastante bajas) deben comprarse, transportarse e instalarse, lo que requiere una gran capacidad de personal y costes. Además, inevitablemente asociado con esto, está el tiempo de inactividad que conduce a una pérdida de ingresos: costes adicionales. Todos estos costes aumentan aún más en los parques eólicos marinos, donde los desafíos logísticos son mayores debido al clima, la marea o simplemente la falta de disponibilidad de un buque de servicio.

Esto conduce a dos posibilidades claves de mejora. Primero: aumentar la fiabilidad de las turbinas eólicas aumentará significativamente el rendimiento energético obtenido del viento. En segundo lugar: conocer el estado de un componente de antemano, o el momento en que probablemente fallará ayuda a planificar mejor las asignaciones de servicios. En conjunto, esto significa una reducción de los tiempos de inactividad, así como los costes operativos, ambos aumentando directamente los Costes Nivelados de la Energía (LCOE). Seguramente, esta última, es una medida directa para la aceptación y competitividad de la energía eólica en comparación con otras fuentes de energía (renovables).

En nuestro equipo de “Fiabilidad Técnica” en el Instituto Fraunhofer para Sistemas de Energía Eólica, en Hannover, buscamos las causas fundamentales de las averías de las turbinas eólicas e intentamos comprender los mecanismos del error detrás de ellas. Por lo tanto, investigamos los desafíos mencionados anteriormente. Antes de desarrollar métodos orientados a soluciones que informen sobre el estado de los componentes de una turbina eólica, comenzamos por identificar aquellos componentes que a menudo están defectuosos y hacen que la turbina se estropee y, en consecuencia, deje de generar energía. Un segundo aspecto importante es responder a la pregunta de por qué falla un componente en particular. Estas respuestas se pueden usar luego como base para comprender y eventualmente preparar partes de una turbina eólica, que se pueden usar posteriormente para la detección de averías.

Hoy en día, uno de los enfoques más comunes para la detección temprana de averías, es monitorizar componentes, como el tren de potencia, mediante datos ricos en alta frecuencia. Desempeñan un papel clave en la disponibilidad técnica de los aerogeneradores, aunque normalmente, estos sensores no forman parte del equipo estándar de las turbinas y deben instalarse explícitamente. Además, los usuarios se quejan de una fiabilidad y un rendimiento de detección de averías que a veces son insuficientes. En el Instituto Fraunhofer ayudamos a los operadores para que seleccionen los sistemas que tengan sentido desde el punto de vista económico y técnico. Utilizando datos de campo, se pueden realizar evaluaciones sistemáticas del rendimiento de la detección o análisis probabilísticos de costo-beneficio.

El Instituto Fraunhofer de Sistemas de Energía Eólica está involucrado en un proyecto llamado Big Data WiSA. ¿Podría explicarnos de qué se trata?

Las turbinas eólicas modernas ya tienen una gran cantidad de sensores con altas frecuencias de muestreo. Pero generalmente solo se almacena una selección de estos datos y, además, desafortunadamente, la mayoría de ellos sólo se registra como valores promedios de 10 minutos. Esta agregación temporal de la señal ahorra mucho espacio en un ordenador. Sin embargo, dado que estos datos suelen estar disponibles en una resolución temporal más alta, pueden contener información relevante, aunque todavía se requiere una investigación considerable para aprovecharla aún más.

El uso de esta información es el objetivo del proyecto de investigación “Wind farm virtual Site Assistant big data” (Big Data de WiSA). Aquí, utilizamos los datos operativos de alta resolución del sistema de control de supervisión y adquisición de datos (SCADA), el equipo estándar de una turbina. Luego, combinamos estos conjuntos de datos con códigos de estado, informes de servicio y otra información de mantenimiento para distinguir entre un estado bueno y uno malo de las turbinas. Sobre estos denominados “datos etiquetados” aplicamos en parte métodos ya existentes, en parte nuevos no sólo del sector de la energía eólica, sino también de otras disciplinas. Los investigamos con el fin de una detección temprana de averías. Todos estos métodos serán mejorados para beneficiarse de los ricos conjuntos de datos y, si es posible, se enlazarán entre sí para optimizar el rendimiento de detección. Dentro del proyecto en Fraunhofer IWES, somos responsables del desarrollo, aplicación y evaluación de métodos para la detección temprana de averías y de derivar el apoyo a las decisiones para optimizar la operación y el mantenimiento. También investigaremos las posibilidades de ampliar los métodos para estimar las vidas útiles residuales que permitirían una programación de servicios aún más detallada.

El producto final del proyecto será una plataforma de software y hardware como sistema central para nuestro asistente virtual en el sitio del parque eólico. Lo llamamos «demostrador», porque esta plataforma contendrá un tablero gráfico que aloja los métodos exitosos que utilizan datos en vivo para análisis y para probar el caso de uso industrial.

¿Cómo ayuda el big data a detectar averías tempranas?

Nuestro enfoque tiene en cuenta todas las señales disponibles de una turbina en las frecuencias de muestreo más altas disponibles, que van desde 1 hercio (Hz), es decir, en la escala de segundos, hasta varios kilohercios (kHz). Utilizar este máximo de información en los datos aumentará la detección de anomalías y comportamientos atípicos. En la actualidad, estas detecciones se realizan a menudo mediante valores de señal, como temperaturas fuera de un cierto rango permitido. Las temperaturas cambian sus valores con bastante lentitud. De hecho, descubrimos que su pérdida de información es insignificante para ciertos componentes al comparar datos con una resolución de 1 s a 10 min valores promedios. Ya dimos una charla en la Wind Energy Science Conference 2021 discutiendo la pérdida de información al agregar datos temporalmente. Desafortunadamente, un aumento de temperatura en un componente puede ser sólo un síntoma de segundo orden cuando, por ejemplo, un rodamiento comienza a deteriorarse. La anomalía de primer orden debería ser visible en un sensor más intrínseco de un componente: para un rodamiento, los datos de vibración darán una idea del desarrollo de errores y para los componentes eléctricos, las desviaciones en la oscilación de los voltajes podrían indicar un defecto. Sin embargo, también otros valores de sensor que no están directamente asociados con un componente, sino que tienen un enlace directo, o incluso oculto, pueden ayudar a detectar errores futuros. Estas desviaciones pueden ocurrir incluso antes de que aparezcan otros signos de una avería inminente. En consecuencia, la operación y el mantenimiento pueden mejorar sus asignaciones de servicio y pedir repuestos con suficiente anticipación, o incluso solucionar pequeños problemas que, de otro modo, podrían convertirse en problemas mayores y costosos. Todo esto también reducirá los posibles tiempos de inactividad al mínimo, reduciendo la pérdida de ingresos.

Además, este enfoque de big data no solo necesita operar, sino que también son necesarios los datos de servicio y de sucesos. Estos datos son cruciales para el aprendizaje en la mayoría de los algoritmos de nuestro método, pero normalmente existen en todo tipo de formatos, algunos de ellos ocasionalmente son documentos escritos a mano. Pero incluso con los textos en formato digital, la información debe procesarse en una estructura estandarizada para su uso posterior. En WiSAbigdata, optamos por trabajar con el sistema de designación de referencia RDS-PP para aerogeneradores en combinación con el código estado-evento-causa ZEUS. Les recomiendo encarecidamente que utilicen estos estándares, ya que respaldan enormemente el primer paso en el análisis de datos. Aún así, gran parte del tiempo necesario para adquirir conocimientos se dedica al preprocesamiento de estos datos de sucesos no estructurados. Sea el hombre o la máquina, la estandarización aumenta la calidad del diagnóstico que a cambio será mucho más económico, debido a la independencia de plataformas cerradas.

En resumen, con la disponibilidad de más datos de alta resolución de una turbina, y especialmente para un componente, se obtienen respuestas más precisas y detalladas al estado actual en el que se encuentran. Además, también son posibles predicciones más tempranas de un suceso evitable, debido a la disminución de las incertidumbres. En el futuro, la combinación de una gran base de conjuntos de datos con múltiples modelos predictivos altamente precisos podría, al final, conducir también al desarrollo de gemelos digitales altamente confiables.

Respecto a los aerogeneradores, ¿qué magnitudes (vibraciones, ruido, termografía, análisis de aceite…) considera que son las más importantes para la detección temprana de averías?

Para muchos componentes afectados por altos costes de reparación, los sistemas para monitorización fiable del estado aún no están disponibles en el mercado. Además, nuestro proyecto aún se encuentra en una fase inicial. Debido a la diversidad de posibles modelos de detección, no se dispone de una lista con los nombres de señales más importantes para la detección temprana de averías en general. En este momento, nos centramos en la combinación de todos los datos disponibles e investigamos qué información queremos obtener. En cualquier caso, los métodos finalizados para componentes particulares solo se basarán en sus señales validadas.

Para darle una visión de nuestras consideraciones: Para una desviación de la condición normal de una turbina completa, la velocidad del viento y la salida de potencia activa en una resolución de 10 minutos podrían ser suficientes. Pero entonces aún no se conoce el motivo de la desviación. Si desea identificar el componente afectado, las temperaturas medidas en la ubicación del componente pueden darle una pista. Sin embargo, esto no dará ninguna información sobre la raíz de la desviación y no tampoco se sabrá si habrá una avería. Ahora, para una mirada más profunda, se puede obtener información importante sobre el estado de un componente eléctrico a partir de voltajes y corrientes de alta resolución. Por otra parte, para obtener información sobre un componente giratorio, los datos vibratorios podrían ser la fuente de datos clave. Los sistemas de monitorización de condición dedicados a rodamientos, por ejemplo, hacen uso de dichos sensores vibratorios, pero a menudo no vinculan su conjunto de datos con los datos del resto de la turbina.

Aún se está investigando qué calidad de datos será necesaria para un determinado análisis. Éste también será uno de los resultados de WiSAbigdata en forma de una evaluación de la precisión del pronóstico de los métodos con resolución temporal variable como variable de entrada. Los estudios sobre la información adicional en datos de alta resolución servirán de base para ello.

Para posibles extensiones de la vida útil de las turbinas eólicas o después de la finalización de un contrato, ¿podrían los datos operativos de alta resolución proporcionarnos la vida útil restante de los componentes principales de una turbina eólica?

La información sobre la vida útil restante está ciertamente oculta en algún lugar de los datos operativos de las turbinas eólicas. Para acceder a un recurso tan valioso, es necesario aplicar una variedad de modelos bien conocidos con una base de datos profunda: lo ideal es que esté disponible un archivo casi completo de todos los datos operativos y una documentación sobre el mantenimiento realizado desde la puesta en marcha. Con estos datos históricos de la turbina, las decisiones económicas sobre la extensión de la vida útil pueden ser más fiables.

Aunque uno de los objetivos de WiSAbigdata es también ampliar los métodos del proyecto para dar también una estimación de la vida útil residual de un componente, en primer lugar, nos centraríamos en las previsiones de varios meses. Sin embargo, la combinación de este enfoque principal con los cálculos de carga para el daño equivalente podría brindar la información esencial para realizar buenas estimaciones con poca incertidumbre.