Sistema de detección de alarmas de fallos en el tren mecánico de un aerogenerador

• David López de la Cruz ^[1] ; Luis Pantoja Álvarez ^[2] ; Eloy Irigoyen Gordo ^[1]
  1. [1] Universidad del País Vasco/Euskal Herriko Unibertsitatea

     Universidad del País Vasco/Euskal Herriko Unibertsitatea

     Leioa, España

     
  2. [2] Ingeteam
• Localización: XL Jornadas de Automática: libro de actas. Ferrol, 4-6 de septiembre de 2019 / coord. por José Luis Calvo-Rolle , José-Luis Casteleiro-Roca , Isabel Fernández-Ibáñez , Óscar Fontenla-Romero , Esteban Jove Pérez , Alberto J. Leira-Rejas, José Antonio López Vázquez, Vanesa Loureiro-Vázquez, María-Carmen Meizoso-López , Francisco Javier Pérez Castelo, Andrés José Piñón Pazos, Héctor Quintián Pardo , Juan Manuel Rivas Rodríguez, Benigno Antonio Rodríguez Gómez, Rafael A. Vega-Vega, 2019, ISBN 978-84-9749-716-9, págs. 192-199
• Idioma: español
• Títulos paralelos:
  • Detection system of failure alarms in the mechanical train of a wind turbine
• Enlaces
  • Texto completo
• Resumen
  • español

    Este trabajo presenta un sistema automático de detección de alarmas en el tren mecánico de un aerogenerador. Este sistema se basa en un gemelo digital, como un modelo físico simulado del conjunto de estudio (sistema de transmisión), para entrenar con datos simulados al sistema. A esto se une un modelo de detección entrenado basado en técnicas de clasificación, que, a partir de datos reales, devuelve las alarmas de fallos del dispositivo. De esta forma, se maximiza la cobertura ante fallos, minimizando falsos positivos y negativos del sistema. El trabajo abarca fallos en un rodamiento, con un procedimiento extrapolable al tren mecánico.

  • English

    This project develops an automatic system for detecting alarms in the mechanical train of a wind turbine. This system is based on a digital twin, that is, a simulated physical model of the study set (system), to train with simulated data to the system. To this is added a trained detection model based on classification techniques, which, based on real data, returns the possible failure alarms of the study element. In this way, coverage is maximized against failures, minimizing false positives and negatives of the system. The project covers faults in a bearing, with a procedure that can be extrapolated to the entire mechanical train.