MONITOREO DE CONDICIÓN EN LAS TURBINAS

DE VIENTO DEL PARQUE EÓLICO GIBARA II.

Yorley Arbella Feliciano1, Carlos A. Trinchet Varela1, Javier A. Vargas Guativa2,

Fernando Riveros2, Lauren Isaza3
1 Universidad de Holguín, Departamento Ingeniería Mecánica. Cuba
2 Universidad de los Llanos. Colombia

3 Universidad Santo Tomas

yorley.arbella@gmail.com

Resumen. Las tecnologías de las turbinas de viento (WT) en su gran mayoría

son diseñadas y fabricadas por países ubicados en el hemisferio norte, bajo nor-
mas climáticas típicas de los países productores. Actualmente la Universidad de
Holguín investiga la tropicalización de las (WT) instaladas en el Parque Eólico
(PE) Gibara II. Para ello se ha realizado monitoreo de condición (MC) basado en
las Big Datas adquiridas con el sistema de control y adquisición de datos
(SCADA), aplicando modelos de regresión lineal múltiples, los cuales han per-
mitido dar pequeños pasos en el mantenimiento basado en condición (MBC), y
definir modelos para prevenir fallas funcionales. Es eminente la necesidad que
impone el tema producto del comportamiento técnico histórico que han presen-
tado los equipos en estudio. La investigación dispuso de un MC de parámetros
como temperaturas de rodamientos, aceite y devanado; generación eléctrica y
condiciones climáticas que se registran en el PE.

Palabras clave: Energía Eólica, Energías Renovable, Trubinas de Viento,

SCADA, Monitoreo de Condición, Gestión de Mantenimiento.

1. INTRODUCCIÓN

“El monitoreo de la condición (MC) se puede definir como un medio para evaluar el
estado de las máquinas y prevenir que ocurran fallas, recomendando acciones de man-
tenimiento cuando sea necesario. El MC es un medio para la implementación del man-
tenimiento basado en la condición (MBC) [1, 2]”. “El MBC es una estrategia de man-
tenimiento avanzado que se basa en los datos de seguimiento del estado del equipo. Las
mediciones de MC se pueden obtener a partir de componentes de aerogeneradores, in-
cluyendo datos de vibración, datos de emisión acústica, datos de análisis de aceite, etc.
El objetivo del MBC es optimizar las actividades de mantenimiento y reducir gastos
[3]”. “El MBC corresponde a un tipo de mantenimiento preventivo, con la diferencia
que es basado en el rendimiento y monitoreo de parámetros del sistema; por lo que el
mantenimiento iniciará cuando una variable de condición alcance o traspase un valor
umbral [4, 5]”.
2

“La observación de la temperatura operativa puede considerarse como un subcon-

junto de los factores operativos para la supervisión del rendimiento. Se ha encontrado
que el monitoreo de la temperatura de los componentes se identifica con el desgaste
que ocurre en los componentes de la máquina, especialmente en el cojinete del muñón,
donde la lubricación es deficiente o falta [6]”. “Aunque el número de fallas en las
turbinas eólicas debido a las temperaturas excesivas del generador ha aumentado, el
desarrollo de la energía eólica sigue siendo una tendencia muy significativa en los pró-
ximos años, ya que es uno de los tipos más eficaces de energía renovable [7]”. En Cuba
se apuesta por la energía eólica para sustituir la matriz energética convencional, por las
favorables condiciones que presenta la isla en cuanto a la velocidad de los vientos en la
región oriental del país. Ejemplo de ello es el PE de Gibara y el plan perspectivo de
desarrollo que ejecuta el Ministerio de Energías y Minas (MINEM), para la ejecución
de nuevas instalaciones. Razón por la cual se le confiere a la Universidad de Holguín
la responsabilidad de realizar estudios e investigaciones en este campo de investigación
asociado con las FER. Tras varios años de explotación de la instalación, los especialis-
tas del PE manifestaron inquietudes, por la aparición prematura de alarmas técnicas
registradas por el SCADA, relacionadas con anomalías en las temperaturas por agrega-
dos y la generación eléctrica. Para ello se disponía de mediciones de parámetros como
los relacionados en la siguiente tabla, pero no se conocía la correlación existente entre
ellos, lo que limitaba los posibles modelos de predicción.

Tabla 1. Parámetros monitoreados por el SCADA escogidos para estudios de MC en WT

Parámetros UM Corre-
lación
o
1 Temperatura del rodamiento 1 del generador (T1) C
o
2 Temperatura del rodamiento 2 del generador (T2) C
o
3 Temperatura de Devanado (T3) C
o
4 Temperatura del aceite de la multiplicadora (T4) C
o
5 Temperatura del rodamiento del eje de alta de la multipli- C ¿?
cadora (T5)
6 Potencia (G) kW
7 Velocidad del viento (Vv) m/s
o
8 Temperatura ambiente (T6) C
9 Mes (Mes)
10 Hora

“La temperatura se controla ampliamente en WT; por ejemplo, se utiliza para mo-
nitorear áreas específicas del núcleo del estator y los fluidos de enfriamiento de máqui-
nas eléctricas grandes como WTG. Tales mediciones solo pueden dar indicaciones de
cambios generales que tienen lugar dentro de la máquina, pero son extremadamente
efectivas si se montan y monitorean en sitios cuidadosamente seleccionados. Las tem-
peraturas del generador tienen una relación directa con las cargas eléctricas y las con-
diciones ambientales; en consecuencia, cuando la medición de temperatura se combina
con información de las condiciones del sistema, se puede lograr un monitoreo efectivo
de la condición [8]. “Se utilizan muchos métodos matemáticos para construir el modelo
 3

de operación normal para la temperatura del generador de turbina eólica y luego, en

cada paso de tiempo, el modelo se usa para predecir la temperatura del generador [9]”.

2. MATERIALES Y MÉTODOS

En la etapa de la investigación presentada al igual que en [26], “consideran el análisis

de regresión lineal múltiple como una de las técnicas estadísticas más utilizadas para
analizar datos multifactoriales y se utiliza para investigar y modelar la relación entre
variables. Las variables deben ser lógicas y seleccionadas cuidadosamente para lograr
resultados confiables. Por lo tanto, el modelo de regresión lineal múltiple (MLRM)
puede ser la base de un nuevo enfoque para predecir y monitorear las temperaturas
dentro de los WT de manera eficiente y confiable, calculando la correlación entre los
valores observados y los valores pronosticados de la variable de criterio en función de
las temperaturas históricas del generador”. Con el empleo de softwares profesionales
como el Office 2013 con el complemento Excel y el IBM SPSS Statistics 21, se proce-
saron las Big Data colectadas, permitiendo llegar a los siguientes resultados.

RESULTADOS
Por la importancia para la investigación y establecer los modelos acertados para MC,
lo primero que se realizó fue la correlación entre parámetros, mediante la cual se iden-
tifican dependencia entre variables. De ello se establecen modelos estrechamente rela-
cionados, que deducen posibles puntos donde inician las fallas, se detectan fallas po-
tenciales y establecen condiciones de ocurrencia de las fallas funcionales.

Tabla 2. Correlación entre variables

T1 T2 T3 T4 T5 G Vv T6 Mes Hora
T1 1,00 0,82 0,84 0,86 0,86 0,77 0,77 0,10 -0,20 0,15

T2 0,82 1,00 0,70 0,68 0,72 0,64 0,64 0,16 -0,10 0,11

T3 0,84 0,70 1,00 0,90 0,83 0,85 0,83 -0,26 -0,30 0,08
T4 0,86 0,68 0,90 1,00 0,95 0,82 0,81 -0,09 -0,22 0,12
T5 0,86 0,72 0,83 0,95 1,00 0,85 0,84 0,04 -0,23 0,08
G 0,77 0,64 0,85 0,82 0,85 1,00 0,99 -0,01 -0,28 -0,03

Vv 0,77 0,64 0,83 0,81 0,84 0,99 1,00 0,00 -0,26 -0,02

T6 0,10 0,16 -0,26 -0,09 0,04 -0,01 0,00 1,00 0,13 -0,12
Mes -0,20 -0,10 -0,30 -0,22 -0,23 -0,28 -0,26 0,13 1,00 0,00
Hora 0,15 0,11 0,08 0,12 0,08 -0,03 -0,02 -0,12 0,00 1,00

Como en cualquier entidad dedicada a la producción de energía la primera interro-

gante que se pudo responder con el MC, fue el comportamiento de la generación en
función de la velocidad del viento, del cual se muestra un análisis en los siguientes
gráficos.
4

Comportamientos anómalos

Dado que para cada velocidad del viento existe un rango de generación, la investi-
gación concibe que de no cumplirse la condición hay una manifestación de anomalía
en el estado funcional de la WT. Los gráficos de dispersión anteriores muestran el com-
portamiento anómalo que ha manifestado la generación durante el período monito-
reado, evidenciando que el horario de mayores frecuencias de anomalías ocurre durante
la tarde. Se evidencia que el comportamiento de la generación eléctrica frente a la ve-
locidad del viento, se puede predecir con una función polinómica, por la tendencia del
comportamiento normal. Es claramente visible que la línea de tendencia en la genera-
ción prevista por el fabricante discrepa del comportamiento real, razón por la cual se
determinó aprovechando las bondades del Excel, el siguiente modelo matemático, me-
diante el cual se puede establecer MC en la generación y realizar predicciones del com-
portamiento.

𝑁∗𝑚 𝑁∗𝑠 4 𝑚5 𝑁∗𝑠 3 𝑚4 𝑁∗𝑠 2 𝑚3 𝑁∗𝑠 𝑚2 𝑚 𝑁∗𝑚

(103 𝑆
) =0,0107 ( 𝑚4 ) ( 𝑠5 )- 0,5917 ( 𝑚3 ) ( 𝑠4 )+11,732 ( 𝑚2 ) ( 𝑠3 )- 103,01 ( 𝑚 ) ( 𝑠2 )+465,77(N)( 𝑠 )- 825,94( 𝑠
) (1)

La ecuación polinómica de quinto orden determinada, permite realizar predicciones

con un R² = 0,99 , garantizando un alto nivel de precisión. Investigaciones prece-
dentes [37], establecieron la relación que tenía la temperatura T1, con las fallas
 5

potenciales y los puntos de falla en las WT del PE Gibara II, pero no se expusieron las
relaciones existentes con el resto de los parámetro monitoreados por el sistema
SCADA. El MC en T3 y T4, variables claves en el comportamiento de calor en el inte-
rior de la góndola, altamente dependientes de la velocidad del viento y la generación,
con una alta incidencia en las variaciones de T1. Garantizan a especialistas contrastar
comportamientos reales con los modelados a partir de modelos matemáticos basados
en MLRM. De forma que tras varios meses de colección y procesamiento de datos, se
presentan a continuación los coeficientes y modelos para prever comportamiento de
parámetros críticos en el estado funcional de las WT estudiadas.

Con los coeficientes se obtiene el siguiente modelo, se pueden realizar MC de T1 en

las cuatro estaciones del año en Cuba para el horario más desfavorable.

y(T1)= B+(B *X )+(B *X )+(B *X )+(B *X )+(B *X )+(B *X )+(B *X )+(B *X )+(B *X ) (2)
1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9

El MC de T3 basado en el modelo matemático obtenido, posibilitó identificas fallas

potenciales en el devanado de dos generadores, los cuales durante un mantenimiento
capital evidenciaron el desarrollo de algunos puntos de fallas.

y(T3)= B+(B *X )+(B *X ) +(B *X ) +(B *X ) +(B *X ) +(B *X ) +(B *X ) +(B *X ) (3)
1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8

A continuación se muestran los coeficientes correspondientes al modelo para el

cálculo de T4.

y(T4)= B+(B *X )+(B *X )+(B *X )+(B *X )+(B *X )+(B *X )+(B *X )+(B *X )+(B *X ) (4)
1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9

CONCLUSIONES
Una vez obtenidos los modelos matemáticos basados en MLRM, mediante el proce-
samiento de datos adquiridos por el SCADA, se puede diagnosticar y pronosticar com-
portamientos técnicos, que dan pasó a tomar decisiones en el mantenimiento, no pre-
vistas en las cartas tecnológicas del mantenimiento preventivo propuestas por el fabri-
cante. Constituyendo el inicio en el PE de Gibara, de nuevas tareas de MBC, respalda-
das por la combinación entre el MC y los SDF, para el sistema de enfriamiento de las
WT Goldwind modelo S 50/750. Garantizando de ése modo una evaluación más con-
fiable del estado de las WT y una prevención de fallos.

BIBLIOGRAFIA

1. R. Bogue, "Sensors for condition monitoring: a review of technologies and

applications," Sensor Review, 2013.
2. A. K. Jardine, D. Lin, and D. Banjevic, "A review on machinery diagnostics
and prognostics implementing condition-based maintenance," Mechanical
systems and signal processing, vol. 20, pp. 1483-1510, 2006.
6

3. J. Maldonado and O. Álvarez, "A Review of Concepts and Methods for Wind
Turbines Condition Monitoring," 2014.
4. J. Ribrant and L. Bertling, "Survey of failures in wind power systems with
focus on Swedish wind power plants during 1997-2005," in 2007 IEEE power
engineering society general meeting, 2007, pp. 1-8.
5. K. Gutiérrez-Robles, "Implementación de un sistema de diagnóstico por
monitoreo de vibraciones en la caja multiplicadora y el generador para un
procedimiento de toma de decisiones por redes neuronales para el
aerogenerador g52/850 número 5 del Parque Eólico Los Santos," Instituto
Tecnológico de Costa Rica, escuela de Ingeniería Electromecánica, 2017.
6. P. Jayaswal, A. Wadhwani, and K. Mulchandani, "Machine fault signature
analysis," International Journal of Rotating Machinery, vol. 2008, 2008.
7. B. Niu, H. Hwangbo, L. Zeng, and Y. Ding, "Evaluation of alternative power
production efficiency metrics for offshore wind turbines and farms,"
Renewable Energy, vol. 128, pp. 81-90, 2018.
8. P. Guo, D. Infield, and X. Yang, "Wind turbine generator condition-
monitoring using temperature trend analysis," IEEE Transactions on
sustainable energy, vol. 3, pp. 124-133, 2011.
9. K. B. Abdusamad, D. W. Gao, and E. Muljadi, "A condition monitoring
system for wind turbine generator temperature by applying multiple linear
regression model," in 2013 North American Power Symposium (NAPS),
2013, pp. 1-8.