Descripción de la innovación

El mantenimiento predictivo es importante en la operación y mantenimiento de los parques eólicos porque reduce el tiempo de inactividad inesperado minimizando así tanto las pérdidas económicas como el coste de la energía a la ciudadanía. Se han dedicado muchos esfuerzos en los últimos años al desarrollo de métodos de inteligencia artificial para predecir o detectar fallos, prestando poca atención a la determinación de la causa raíz de dichos fallos. Sin embargo, es vital analizar qué ha causado estos fallos para que se puedan tomar las medidas necesarias para que la turbina eólica vuelva a producir energía en el menor tiempo posible. En este proyecto proponemos descubrir patrones que puedan ayudar a diagnosticar la causa raíz de un fallo en uno o varios aerogeneradores. Para ello, se propone una definición específica de lo que se considera una incidencia, así como una selección de variables que caracterizan dichos incidentes. A continuación, se lleva a cabo una metodología basada en machine learning a dos niveles: un primer nivel, para descubrir grupos de incidentes con comportamiento similar, y un segundo nivel para obtener subgrupos dentro de estos grupos de incidentes que activan las mismas alarmas. Además, proporcionamos una regla para resumir los patrones de cada uno de estos subgrupos que identifican cada causa raíz.