Las herramientas de análisis de datos disponibles de hoy día no están a la altura de las necesidades del mercado. Estas herramientas se centran únicamente en algunos componentes del tren de potencia, sin tener en cuenta el envejecimiento de los principales componentes estructurales que determinan la esperanza de vida financiera del activo (palas, buje, estructura principal, eje principal, yaw, torre, cimientos). Además, basan el proceso de aprendizaje en datos de viento de alta incertidumbre obtenidos en anemómetros de góndola y/o sensores que no representan fielmente el comportamiento completo del aerogenerador, proporcionando un sistema de datos de aprendizaje reactivo, que espera a ser enseñado basándose en la experiencia; por tanto, incapaces de predecir fallos que no se hayan producido antes, ni de identificar los modos de fallo o rastrear las causas raíz.
Las flotas multitecnología de eólica deben estar cubiertas por herramientas avanzadas, capaces de proporcionar visibilidad directa e independiente, así como transparencia a los propietarios de los activos. En muchos casos, las herramientas clásicas de análisis de datos no permiten comprender el rendimiento de cada emplazamiento, debido a que normalmente los datos que poseen los operadores constituyen una base de trabajo muy pobre (limitada en frecuencia: muestras de 10 minutos, y limitada en canales y variables: especialmente en modelos de aerogeneradores maduros).
Los aerogeneradores son en un 95% física, y el análisis de datos debe vincularse con los criterios de diseño de los mismos. Gracias a los modelos físicos podemos predecir patrones de modos de fallo y rastrear las causas raíz, pero para ir más allá de las limitaciones existentes es necesario utilizar SCADA de la forma más inteligente, no sólo para el aprendizaje automático.
Los datos disponibles pueden convertirse en fiables midiendo adecuadamente el viento; mediante sensores estratégicamente colocados podemos crear un muy buen conjunto de entradas para la monitorización completa del aerogenerador, respondiendo a la necesidad de aportar una herramienta independiente, fácil de entender, transparente y multitecnológica para la gestión activa de activos, que monitorice en detalle el rendimiento de éstos, los riesgos estructurales, el consumo de vida y los flujos de caja.
Se trata de un elemento clave para las estrategias de mantenimiento predictivo basadas en el estado de todos los componentes del aerogenerador, con un enfoque flexible que puede integrarse en las herramientas de los propios clientes.
Crea puntos de referencia y KPIs para la vigilancia de la salud de cada turbina a partir de modelos físicos.
Basados en condiciones específicas individuales.
Basados en factores genéticos y congénitos.
Realiza mediciones periódicas, pruebas y análisis comparativos con los puntos de referencia.
Comparación del rendimiento real con los puntos de referencia para una correcta vigilancia de la salud y la puesta en marcha de acciones.
Crea puntos de referencia y KPIs para el rendimiento y la salud estructural basados en modelos físicos.
Basados en las condiciones específicas del emplazamiento.
Basados en las características de diseño del aerogenerador.
Mide de forma independiente y más precisa el viento y las condiciones de funcionamiento.
Comparación de las mediciones de viento, vibraciones con SCADA.
Comparación del rendimiento real con los puntos de referencia para una vigilancia adecuada de la salud y la puesta en marcha de acciones.