Documentos de Académico
Documentos de Profesional
Documentos de Cultura
yorley.arbella@gmail.com
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
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
2. MATERIALES Y MÉTODOS
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.
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
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.
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.
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
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
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
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.