Publicación: Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine Learning
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
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.
Resumen en inglés
ABSTRACT: This research presents the development and implementation of a methodology for diagnosing structural damage in wind turbines using machine learning algorithms applied to accelerometry data acquired by a domestically designed and manufactured structural health monitoring system. The study was conducted over a 1.5-year period on a 14-meter-tall prototype wind turbine, instrumented with sensors distributed along its mast and installed in the Oriente region of Antioquia, Colombia. The methodological approach is based on the theory that changes in natural frequencies reflect losses in structural stiffness. Building on this principle, an experimental plan was executed that involved the simulation of induced damage through the manipulation of guy wires, the creation of a damage database, vibration analysis under operational conditions, and the application of machine learning techniques to detect and locate the damage. Signal processing enabled the identification of vibration modes sensitive to structural deterioration, highlighting the first vibration mode, which shifted from approximately 0.68 Hz under healthy conditions to 0.39 Hz under maximum damage. As part of the methodology, five machine learning algorithms were evaluated, with Light Gradient Boosting Machine (LightGBM) selected as the best-performing model. It achieved an accuracy of 99.1% in general damage detection and 98.6% in damage localization. Furthermore, a user interface was developed and integrated directly into the data acquisition system, enabling continuous visualization and monitoring of the wind turbine's structural condition. A total of 28,336 data samples were initially collected to build the dataset. These were used to assess damage-sensitive features in the accelerometry records, enabling the training and selection of the optimal machine learning model for automatically detecting the presence and location of structural damage in wind turbines. Based on these results, the study proposes a national, cost-effective, and efficient continuous structural health monitoring system aimed at optimizing maintenance costs and reducing the risk of structural failure.