Vés al contingut (premeu Retorn)

Investigadors de l’EEBE desenvolupen una metodologia basada en intel·ligència artificial per aplicar-la al manteniment de parcs eòlics offshore

El projecte, dirigit per Francesc Pozo i Yolanda Vidal, permetrà reduir els costos d’operacions i manteniment, que actualment suposen un 30% del cost anivellat de l’energia eòlica.
Investigadors de l’EEBE desenvolupen una metodologia basada en intel·ligència artificial per aplicar-la al manteniment de parcs eòlics offshore

Els investigadors de l’Escola d’Enginyeria de Barcelona Est (EEBE) Francesc Pozo i Yolanda Vidal, ambdós del departament de Matemàtiques i membres del grup de recerca Control, Data and Artificial Intelligence (CoDAlab), dirigiran el projecte Artificial Intelligence for Wind Turbine Condition Monitoring and Structural Health Monitoring (AIWinTurCoM), que té com a objectiu aconseguir de manera optimitzada, a partir de metodologies aplicades d’intel·ligència artificial, la reducció de costos d’operació i manteniment (O&M) de l’energia eòlica, que actualment suposen entre un 20 i un 30% dels costos anivellats de l’energia (LCOE).

El projecte ha aconseguit finançament dels ajuts “Proyectos Generación del Conocimiento 2021” del Ministerio de Ciencia e Innovación, amb un import de 103.697€ i la possibilitat de contractar una persona a la “Convocatoria 2021 de ayudas para contratos predoctorales para la formación de personal investigador”. AIWinTurCoM està dirigit pels dos investigadors de CoDAlab, però a l’equip de treball també hi participaran altres estudiants de doctorat, i investigadors col·laboradors, com ara Christian Tutivén, de la Escuela Superior Politécnica del Litoral (a Equador), i Diego Tibaduiza, de la Universidad Nacional de Colombia, ambdós doctorats per la UPC.

Tècniques predictives vs accions correctives i preventives

Amb l’AIWinTurCoM es desenvoluparan metodologies que es puguin aplicar a la indústria vinculada al manteniment dels parcs eòlics offshore, situats a alta mar. Actualment, per una banda, es fa una acció correctiva, és a dir, en el moment que hi ha un element que s’ha fet malbé es canvia. I d’altra banda, també es fa una acció preventiva, fent revisions cada cert temps i canviant les peces per sistema, però sense haver analitzat si realment és necessari aquest canvi i si se li ha tret tot el profit a les peces.

Aquesta forma de treballar té un cost molt alt i per això es volen establir unes tècniques predictives que el disminueixi, abordant la situació per evitar arribar a una fallada greu des de dues vessants. Per una banda, en el manteniment de l’estructura submergida de l’aerogenerador, especialment de les barres que la conformen, perquè aquesta és la de més difícil accés, i que suposa uns costos més grans de manteniment (s’han de donar unes condicions temporals adequades, que es pugui donar una finestra temporal per poder enviar un vaixell i personal qualificat, o robots submarins, etc.).

Al projecte es treballarà la instal·lació de sensors (fibra òptica, acceleròmetres, o d’altres opcions) que puguin treure metodologies per avisar quan un dany s’està desenvolupant, i que això sigui el més aviat possible.  A partir de l’estudi de les dades recollides pels sensors s’analitzarà amb intel·ligència artificial com tractar-les i processar-les per treure el màxim profit d’aquestes metodologies i fer la detecció del possible dany.

L’altra vessant del projecte és utilitzar aquestes metodologies d’intel·ligència artificial per extreure algoritmes per aplicar-los a la part mecànica de l’interior de la gòndola de l’aerogenerador (rodament, la multiplicadora, el generador, etc), per predir també possibles fallades de tipus condition monitoring (monitorització de la condició) en aquests elements del drive train que són els encarregats de passar l’energia cinètica a energia elèctrica. Si es poden detectar petits danys en alguns elements concrets i es canvien, es podria evitar una despesa més gran que si aquesta fallada fa que s’hagi de canviar la peça completa.

En lloc de fer la detecció amb uns sensors específics, que és com s’està fent en els parcs eòlics més moderns, el projecte ho planteja a partir de les dades Supervisory Control And Data Acquisition (SCADA), donat que es poden aconseguir de qualsevol aerogenerador, fins i tot dels més antics, ja que són les que s’utilitzen per a què puguin operar i funcionar.

Tot i que un principi no estiguin pensades en el seu origen per aquesta finalitat, el repte del projecte és aconseguir, a partir de les dades SCADA, predir futurs danys, especialment per aquells parcs eòlics que estan ja propers al temps estimat de vida, sense haver d’invertir en nous sensors específics que tenen un cost econòmic elevat. Amb el tractament de les dades, fins i tot, es podria estendre aquest temps de vida del parc, o preveure amb molt de temps, fins i tot a mesos vista, fallades greus per poder-ne planificar les actuacions a realitzar en el moment més adequat.

El tractament predictiu que planteja el projecte permetria arribar al punt òptim d’aprofitament al màxim possible de les peces, evitant també el tractament correctiu abans d’arribar a la fallada total de la peça. A més, es planteja també al projecte la combinació de les dades condition monitoring i les dades SCADA per treure’n més profit.

L’equip format per Yolanda Vidal i Francesc Pozo ja havia fet un treball previ d’extracció de dades reals, a partir d’un projecte del Centre per al Desenvolupament Tecnològic Industrial (CDTI) amb l’empresa SMARTIVE S.L., de parcs eòlics onshore (a terra) d’ACCIONA o Naturgy que estan a Espanya, Polònia o Mèxic, i que els hi ha servit d’inici per a l’aplicació d’intel·ligència artificial en parcs offshore.
D’altra banda, al laboratori del grup CoDAlab han treballat a nivell experimental amb un prototip d’estructura d’aerogenerador offshore on han anat fent proves inicials.

A més, tot i que a nivell general es pretén publicar en obert la recerca, s’està treballant també amb el centre tecnològic Ikerlan de manera coordinada, donat que està en contacte amb les empreses, amb l’objectiu que aquelles metodologies que es puguin considerar més interessants per a la indústria es desenvolupin per a aconseguir una patent de dispositius que facin la tasca predictiva que ara s’investigarà al laboratori.