Computación inteligente aplicada al mantenimiento del sector de la generación eléctrica insular

Abstract

La metodología de mantenimiento basado en datos se ha aplicado de forma progresiva en este trabajo, de forma que su estudio y desarrollo sirve para definir un procedimiento de aplicación computacional dentro de una línea de mantenimiento en el sector industrial.

Se parte de un enfoque dirigido hacia el análisis y la predicción de la concentración de polvo en el aire, vital para la actividad económica y la salud de la población. En este apartado del estudio, utilizamos un conjunto de redes neuronales artificiales que estructuramos mediante el aprendizaje de ensemble para obtener una variable compleja, como la concentración de polvo, basada en datos reales como la temperatura del aire, la humedad relativa, la presión atmosférica y la velocidad del viento. Los índices de rendimiento estadístico obtenidos muestran la eficacia del comité de validación cruzada propuesto. Por lo tanto, es fundamental disponer de un método de cálculo fiable para determinar las importancias relativas que pueden aplicarse a este tipo de arquitectura de ensemble mediante redes neuronales artificiales. A diferencia de otros métodos de importancia relativa, en los que los cálculos se realizan basándose directamente en los pesos de la red neuronal artificial y cuyos resultados en configuración de ensemble muestran una alta dispersión, se propone un procedimiento original, que elige selectivamente la variación de las entradas para reajustar la arquitectura de la red neuronal. Esto nos permite medir aquellas variables con mayor efecto sobre la variable objetivo, obteniendo así la influencia multivariante sobre la concentración de polvo en la superficie a través de un modelo computacional. Este método proporciona así una alternativa real para calcular y estimar la importancia relativa que puede generalizarse a cualquier tipo de problema para los sistemas multivariantes modelados mediante redes neuronales artificiales tanto para una configuración simple como para una arquitectura de ensemble.

Por otro lado, la planificación del mantenimiento industrial asociado a la producción de electricidad es vital, ya que permite obtener una foto actual y futura de un componente industrial para optimizar los recursos humanos, técnicos y económicos de la instalación.En un segundo bloque nos centramos en la degradación debida al ensuciamiento de una turbina de gas en las Islas Canarias, donde se analizan los niveles de ensuciamiento a lo largo del tiempo, en función del régimen de operación y de las variables meteorológicas locales. En particular, se estudia la relación entre la degradación de la máquina, las intervenciones históricas de mantenimiento realizadas y el polvo en suspensión de origen sahariano. Para ello, utilizamos de nuevo el procedimiento computacional inicial basado en el ensemble promedio de redes neuronales artificiales, con un enfoque que utiliza comités de validación cruzada, para estimar la eficiencia isentrópica del compresor. El uso de estos modelos entrenados permite conocer de antemano cómo evolucionará el ensuciamiento local de un componente rotativo industrial, lo cual es útil para realizar simulaciones de predicción del estado de la máquina en el tiempo como ayuda a la planificación del mantenimiento y para calcular el impacto de las variables térmicas sobre la salida del sistema modelado.

El cierre de esta metodología basada en datos se realiza con un caso para el desarrollo de dos algoritmos que permiten transformar la información general de un conjunto de intervenciones históricas de mantenimiento, en diferentes variables de un modelo de aprendizaje de máquina, las cuales son utilizadas para el modelado de las emisiones ambientales de un motor diesel de generación eléctrica con métodos basados en árboles de decisión y manteniendo la misma arquitectura de ensemble planteada inicialmente, cuyo resultado final pone de manifiesto la capacidad del procedimiento creado para adaptarse a cualquier caso de estudio y supervisión de mantenimiento industrial, por medio de diferentes algoritmos de computación inteligente.