Examinando por Materia "Acelerometría"

Mostrando 1 - 2 de 2
  • Miniatura
    PublicaciónAcceso abierto
    Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine Learning
    (Universidad EIA, 2025) Velasquez Betancurt, Alexey David; Blandón Uribe, Carlos Andrés; Sierra Pérez, Julián
    RESUMEN: Este trabajo de investigación presenta el desarrollo e implementación de una metodología para el diagnóstico de deterioros estructurales en aerogeneradores, mediante el uso de algoritmos de aprendizaje automático aplicados a datos de acelerometría adquiridos por un sistema de monitoreo estructural de diseño y fabricación nacional. La investigación se llevó a cabo durante un periodo de 1.5 años sobre un aerogenerador prototipo de 14 metros de altura, instrumentado con sensores distribuidos a lo largo de su mástil e instalado en la región del Oriente antioqueño. El enfoque metodológico se fundamenta en la teoría de los cambios en las frecuencias naturales causados por pérdidas de rigidez estructural. A partir de esta base, se ejecutó un plan experimental que incluyó la simulación de deterioros inducidos mediante la manipulación de cables tensores, la creación de una base de datos de deterioro, el análisis de vibraciones en condiciones operacionales, y la posterior aplicación de técnicas de aprendizaje automático para detectar y localizar dichos deterioros. El procesamiento de las señales permitió identificar modos de vibración sensibles al daño, destacando el primer modo de vibración, que presentó alrededor de 0.68 Hz en condición operacional sana a 0.39 Hz en condición de daño máximo. Como parte de la metodología, se evaluaron cinco algoritmos de aprendizaje automático, seleccionando Light Gradient Boosting Machine (LightGBM) como el modelo con mejor desempeño, alcanzando una exactitud del 99.1% en la detección general de deterioros y 98.6% en la predicción de su localización. Además, se desarrolló una interfaz de usuario integrada directamente al sistema de adquisición, permitiendo la visualización y monitorización contino del estado estructural del aerogenerador. Inicialmente, se adquirieron 28,336 datos para conformar una base de datos, los cuales fueron utilizados para valorar las características sensibles al deterioro en los registros de acelerometría, seguidamente se pudo entrenar y seleccionar el algoritmo de Machine Learning (ML) óptimo para detectar automáticamente la presencia y ubicación de deterioros en aerogeneradores. Con esta información, se propone un sistema nacional de monitoreo estructural continuo, económico y eficaz, diseñado para optimizar los costos de mantenimiento y reducir el riesgo de fallos estructurales.
  • Miniatura
    PublicaciónAcceso abierto
    Sistema de monitoreo estructural para aerogeneradores
    (2024-09) Blandón Uribe, Carlos Andrés; Velásquez, A.; Rodríguez, S.; Sierra, J.; Ramírez, M.
    La demanda de energía limpia ha impulsado la adopción de aerogeneradores eólicos, pero estos dispositivos enfrentan desafíos como fatiga por vibraciones e intensas fuerzas del viento no previstas debido al cambio climático. La implementación de sistemas de monitoreo es una alternativa que cada vez se implementa con más frecuencia para evaluar el estado de la salud estructural de las torres durante su vida útil, pero la alta tecnología de monitoreo y la necesidad de personal especializado hacen que sea costoso e impráctico, especialmente en países en desarrollo como Colombia. La aplicación de técnicas de Machine Learning (ML) en sistemas de monitoreo local de aerogeneradores se está estudiando como un enfoque prometedor para prevenir fallos estructurales catastróficos. El principal reto es lograr el despliegue de sistemas de monitoreo de bajo costo que puedan ser instalados en los aerogeneradores y permitan una respuesta oportuna ante el deterioro de elementos estructurales, lo que minimiza costos de mantenimiento. Actualmente se está ejecutando un plan experimental de instrumentación de un aerogenerador prototipo ubicado en la zona del oriente antioqueño. Se ha instalado un sistema basado en acelerometría y galgas a lo largo del mástil de dicho prototipo de 15 metros de altura. A partir de los sensores de este prototipo se busca utilizar metodologías basadas en ML para detectar, y en lo posible, clasificar anomalías en el aerogenerador. Las actividades de investigación se desarrollarán en cuatro etapas: Primero, se definirán requerimientos del sistema de monitoreo como número de sensores y ubicación con respecto a análisis numérico y simulaciones con softwares de elementos finitos; luego, se ajustará el sistema para utilizar sensores MEMS que son de bajo costo, esto incluye calibraciones y pruebas; la tercera etapa se desplegará el sistema de monitoreo en un aerogenerador construido en el municipio de Rionegro para realizar una prueba piloto de instalación y funcionamiento del sistema en campo, finalmente, mediante los sensores instalados en el aerogenerador, se obtienen datos de condición prístina y deterioro simulado para el para el desarrollo de una metodología de detección de daños basada en diferentes técnicas de ML. El producto final será un sistema nacional de monitoreo continuo que optimice costos y prediga automáticamente el estado estructural de los aerogeneradores identificando estados de deterioro para atención oportuna de la salud estructural.