Mantemento preditivo e centrado en fiabilidade para previr averías en plantas de enerxía renovable | Entrevista a Timo Lichtenstein

Este mes de agosto no noso blog, tratamos o tema do mantemento preditivo e mantemento Centrado en Fiabilidade (RCM) para previr averías en plantas de enerxía renovable. Entrevistamos a Timo Lichtenstein, Investigador Asociado no Instituto Fraunhofer para os Sistemas de Enerxía Eólica, que profundizou nesta temática.

Como pode a detección temperá de averías axudar a mellorar a eficiencia e reducir os custos das plantas de enerxía renovable?

Hoxe en día, aínda que os aeroxeradores xa teñen unha dispoñibilidade de, polo menos, o 97%, este 3% de tempo de inactividade pode ser responsable dunha perda de enerxía de ata un 11%. En canto á capacidade instalada de 220 xigavatios (GW), en Europa, e asumindo un factor de capacidade medio do 33%, isto equivale a unha perda de 70 teravatios-hora (TWh) de enerxía por ano. Cun consumo económico per cápita de 1500 kilovatios-hora por ano (kWh / a), isto equivale ao consumo enerxético anual de máis de 45 millóns de persoas.

Ademais, os custos de operación e mantemento aínda poden representar ata o 25% dos custos do ciclo de vida completo dunha turbina en terra: unha gran parte constitúena os custos de servizo e reparación. É posible que as pezas pequenas non teñan tanto peso, pero as pezas máis grandes como o multiplicador, o xerador ou o convertidor (aínda que as súas tasas de averías poden ser bastante baixas) deben comprarse, transportarse e instalarse, o que require unha gran capacidade do persoal e custos. Ademais, inevitablemente asociado con isto, está o tempo de inactividade que conduce a unha perda de ingresos: custos adicionais. Todos estes custos aumentan aínda máis nos parques eólicos mariños, onde os desafíos loxísticos son maiores debido ao clima, a marea ou simplemente a falta de dispoñibilidade dun buque de servizo.

Isto conduce a dúas posibilidades claves de mellora. Primeiro: aumentar a fiabilidade das turbinas eólicas aumentará significativamente o rendemento enerxético obtido do vento. En segundo lugar: coñecer o estado dun compoñente de antemán, ou o momento en que probablemente fallará axuda a planificar mellor as asignacións de servizos. En conxunto, isto significa unha redución dos tempos de inactividade, así como os custos operativos, ambos aumentando directamente os Custos Nivelados da Enerxía (LCOE). Seguramente, esta última, é unha medida directa para a aceptación e competitividade da enerxía eólica en comparación con outras fontes de enerxía (renovables).

No noso equipo de “Fiabilidade Técnica” no Instituto Fraunhofer para Sistemas de Enerxía Eólica, en Hannover, buscamos as causas fundamentais das averías das turbinas eólicas e intentamos comprender os mecanismos do erro detrás delas. Polo tanto, investigamos os desafíos mencionados anteriormente. Antes de desenvolver métodos orientados a solución que informen sobre o estado dos componentes dunha turbina eólica, comezamos por identificar aqueles componentes que a miúdo están defectuosos e fan que a turbina se estrague e, en consecuencia, deixe de xerar enerxía. Un segundo aspecto importante é responder á pregunta de por qué falla un compoñente en particular. Estas respostas pódense usar despois como base para comprender e eventualmente preparar partes dunha turbina eólica, que se poden usar posteriormente para a detección de averías.

Hoxe en día, un dos enfoques máis comúns para a detección temperá de averías, é monitorizar compoñentes, como o tren de potencia, mediante datos ricos en alta frecuencia. Desempeñan un papel clave na dispoñibilidade técnica dos aeroxeradores, aínda que normalmente, estos sensores non forman parte do equipo estándar das turbinas e deben instalarse explicitamente. Ademais, os usuarios quéixanse dunha fiabilidade e un rendemento de detección de averías que ás veces son insuficientes. No Instituto Fraunhofer axudamos aos operadores para que seleccionen os sistemas que teñan sentido dende o punto de vista económico e técnico. Utilizando datos de campo, pódense realizar avaliacións sistemáticas do rendemento da detección ou análise probabilísticos de custo-beneficio.

O Instituto Fraunhofer de Sistemas de Enerxía Eólica está involucrado nun proxecto chamado Big Data WiSA. Podería explicarnos de que se trata?

As turbinas eólicas modernas xa teñen unha gran cantidade de sensores con altas frecuencias de mostraxe. Pero xeralmente só se almacenan unha selección destes datos e, ademais, desafortunadamente, a maioría deles só se rexistra como valores promedios de 10 minutos. Esta agregación temporal do sinal aforra moito espazo nun computador. Sen embargo, dado que estes datos adoitan estar dispoñibles nunha resolución temporal máis alta, poden conter información relevante, aínda que incluso se require unha investigación considerable para aproveitala aínda máis.

O uso desta información é o obxetivo do proxecto de investigación “Wind farm virtual Site Assistant big data” (Big Data de WiSA). Aquí, utilizamos os datos operativos de alta resolución do sistema de control de supervisión e adquisición de datos (SCADA), o equipo estándar dunha turbina. Despois, combinamos estes conxuntos de datos con códigos de estado, informes de servizo e outra información de mantemento para distinguir entre un estado bo e un malo das turbinas. Sobre estes denominados “datos etiquetados” aplicamos en parte métodos xa existentes, en parte novos non só do sector da enerxía eólica, senón tamén de outras disciplinas.  Investigámolos co fin dunha detección temperá de averías. Todos estes métodos serán mellorados para beneficiarse dos ricos conxuntos de datos e, se é posible, enlazaranse entre si para optimizar o rendemento de detección. Dentro do proxecto en Fraunhofer IWES, somos responsables do desenvolvemento, aplicación e avaliación de métodos para a detección temperá de averías e de derivar o apoio ás decisións para optimizar a operación e o mantemento. Tamén investigaremos as posibilidades de ampliar os métodos para estimar as vidas útiles residuais que permitirían unha programación de servizos aínda máis detallada.

O produto final do proxecto será unha plataforma de software e hardware como sistema central para o noso asistente virtual no sitio do parque eólico. Chamámolo “demostrador”, porque esta plataforma conterá un taboleiro gráfico que aloxa os métodos exitosos que utilizan datos en vivo para análise e para probar o caso de uso industrial.

Como axuda o big data a detectar averías temperás?

O noso enfoque ten en conta todos os sinais dispoñibles dunha turbina nas frecuencias de mostraxe máis altas dispoñibles, que van desde 1 hercio (Hz), é dicir, na escala de segundos, ata varios kilohercios (kHz). Utilizar este máximo de información nos datos aumentará a detección de anomalías e comportamentos atípicos. Na actualidade, estas deteccións realízanse a miúdo mediante valores de sinal, como temperaturas fóra dun certo rango permitido. As temperaturas cambian os seus valores con bastante lentitude. De feito, descubrimos que a súa perda de información é insignificante para certos compoñentes ao comparar datos cunha resolución de 1 s a 10 min valores medios. Xa demos unha conversa na Wind Energy Science Conference 2021 discutindo a perda de información ao agregar datos temporalmente. Desafortunadamente, un aumento de temperatura nun compoñente pode ser só un síntoma de segunda orde cando, por exemplo, un rodamento comeza a deteriorarse. A anomalía de primeira orde debería ser visible nun sensor máis intrínseco dun compoñente: para un rodamento, os datos de vibración darán unha idea do desenvolvemento de erros e para os compoñentes eléctricos, as desviacións na oscilación das voltaxes poderían indicar un defecto. Sen embargo, tamén outros valores de sensor que non están directamente asociados cun compoñente, senón que teñen unha ligazón directa, ou mesmo oculto, poden axudar a detectar erros futuros. Estas desviacións poden ocorrer mesmo antes de que aparezan outros signos dunha avería inminente. En consecuencia, a operación e o mantemento poden mellorar as súas asignacións de servizo e pedir repostos con suficiente anticipación, ou mesmo solucionar pequenos problemas que, doutro xeito, poderían converterse en problemas maiores e custosos. Todo isto tamén reducirá os posibles tempos de inactividade ao mínimo, reducindo a perda de ingresos.

Ademais, este enfoque de big data non só necesita operar, senón que tamén son necesarios os datos de servizo e de sucesos. Estes datos son cruciais para a aprendizaxe na maioría dos algoritmos do noso método, pero normalmente existen en todo tipo de formatos, algúns deles ocasionalmente son documentos escritos a man. Pero mesmo cos textos en formato dixital, a información debe procesarse nunha estrutura estandarizada para o seu uso posterior. En WiSAbigdata, optamos por traballar co sistema de designación de referencia RDS-PP para aeroxeradores en combinación co código estado-evento-causa ZEUS. Recoméndolles encarecidamente que utilicen estes estándares, xa que apoian enormemente o primeiro paso na análise de datos. Aínda así, gran parte do tempo necesario para adquirir coñecementos dedícase ao preprocesamento destes datos de sucesos non estruturados. Sexa o home ou a máquina, a estandarización aumenta a calidade do diagnóstico que a cambio será moito máis económico, debido á independencia de plataformas pechadas.

En resumo, ca dispoñibilildade de máis datos de alta resolución dunha turbina, e especialmente para un compoñente, obtéñense respostas máis precisas e detalladas ao estado actual no que se encontran. Ademais, tamén son posibles predicións máis temperás dun suceso evitable, debido á diminución das incertezas. No futuro, a combinación dunha gran base de conxuntos de datos con múltiples modelos preditivos altamente precisos podería, ao final, conducir tamén ao desarroio de xemelos dixitais altamente fiables.

Respecto aos aeroxeradores, que magnitudes (vibracións, ruido, termografía, análise de aceite…) considera que son as máis importantes para a detección temperá de averías?

Para moitos compoñentes afectados, por altos custos de reparación, os sistemas para monitorización fiable do estado aínda non están dispoñibles no mercado. Ademais, o noso proxecto aínda se encontra nunha fase inicial. Debido á diversidade de posibles modelos de detección, non se dispón dunha lista cos nomes de señais máis importantes para a detección temperá de averías en xeral. Neste momento, centrámonos na combinación de todos os datos dispoñibles e investigamos qué información queremos obter. En calquera caso, os métodos finalizados para compoñentes particulares só se basarán nas súas señais validadas.

Para darlle unha visión das nosas consideracións: Para unha desviación da condición normal dunha turbina completa, a velocidade do vento e a saída de potencia activa nunha resolución de 10 minutos poderían ser suficientes. Pero entón aínda non se coñece o motivo da desviación. Se desexa identificar o compoñente afectado, as temperaturas medidas na localización do compoñente poden darlle unha pista. Sen embargo, isto non dará ningunha información sobre a raíz da desviación e tampouco se saberá se haberá unha avería. Agora, para unha mirada máis profunda, pódese obter información importante sobre o estado dun compoñente eléctrico a partir de voltaxes e correntes de alta resolución. Por outra banda, para obter información sobre un compoñente xiratorio, os datos vibratorios poderían ser a fonte de datos clave. Os sistemas de monitorización de condición dedicados a rodamentos, por exemplo, fan uso dos devanditos sensores vibratorios, pero a miúdo non vinculan o seu conxunto de datos cos datos do resto da turbina.

Aínda se está investigando qué calidade de datos será necesaria para un determinado análise. Este tamén será un dos resultados de WiSAbigdata en forma dunha avaliación da precisión do pronóstico dos métodos con resolución temporal variable como variable de entrada. Os estudos sobre a información adicional en datos de alta resolución servirán de base para iso.

Para posibles extensións da vida útil das turbinas eólicas ou despois da finalización dun contrato, poderían os datos operativos de alta resolución proporcionarnos a vida útil restante dos compoñentes principais dunha turbina eólica?

A información sobre a vida útil restante está certamente oculta nalgún lugar dos datos operativos das turbinas eólicas. Para acceder a un recurso tan valioso, é necesario aplicar unha variedade de modelos ben coñecidos cunha base de datos profunda: o ideal é que esté dispoñible un arquivo case completo de todos os datos operativos e unha documentación sobre o mantemento realizado dende a posta en marcha. Con estes datos históricos da turbina, as decisións económicas sobre a extensión da vida útil poden ser máis fiables.

Aínda que un dos obxectivos de WiSAbigdata é tamén ampliar os métodos do proxecto para dar tamén unha estimación da vida útil residual dun compoñente, en primeiro lugar, centraríamonos nas previsións de varios meses. Sen embargo, a combinación deste enfoque principal cos cálculos de carga para o dano equivalente podería brindar a información esencial para realizar boas estimacións con pouca incerteza.