Un método basado en la IA ayuda a mejorar el control de calidad de las palas de los aerogeneradores

Las palas de aerogeneradores defectuosas pueden suponer enormes costes para las empresas que las comercializan o emplean en sus trabajos, sobre todo si los defectos pasan desapercibidos hasta que es demasiado tarde. Por eso la garantía de calidad es una cuestión tan estratégica para los fabricantes mundiales de aerogeneradores.

En la actualidad, las inspecciones de calidad se limitan a la inspección de zonas superficiales limitadas a medida que estas estructuras de materiales compuestos salen de la cadena de producción. Pero con un nuevo método creado conjuntamente por investigadores de la Escuela Politécnica Federal de Lausana (EPFL) y de la Universidad de Glasgow, los ingenieros de inspección pueden utilizar una nueva tecnología de radar patentada, combinada con un asistente de inteligencia artificial, para detectar posibles anomalías bajo la superficie antes de que entren en operación.

Fusión

En investigaciones anteriores, se han desarrollado métodos para detectar anomalías procesando los sonidos producidos por máquinas defectuosas, para suprimir el ruido de fondo en grabaciones de audio y para clasificar cantos de pájaros infundiendo capacidades de aprendizaje en enfoques de procesamiento de señales bien conocidos y fundamentados.

"Los fabricantes construyen aerogeneradores cada vez más grandes y con diseños más complicados. Todo ello aumenta las posibilidades de que se produzca un defecto durante la fase de fabricación", explica Olga Fink, jefa del Laboratorio de Sistemas Inteligentes de Mantenimiento y Operaciones (IMOS).

Hoy en día, el equipo de Olga Fink busca nuevas aplicaciones para sus sistemas basados en IA. "Los aerogeneradores se fabrican con distintos materiales compuestos, como fibra de vidrio y fibra de carbono", añade Fink. "Además, los fabricantes los construyen cada vez más grandes y con diseños más complicados. Todo eso aumenta las posibilidades de que se produzca un defecto durante la fase de fabricación" añade la jefa del laboratorio.

Medición

El equipo de la Universidad de Glasgow, dirigido por el profesor David Flynn, de la Escuela de Ingeniería James Watt y Jefe de la División de Investigación de Sistemas Autónomos y Conectividad, ha sido pionero en métodos de pronóstico y gestión de la salud. Han explorado cómo la Robótica y la Inteligencia Artificial (RAI) pueden servir de apoyo a las infraestructuras de red cero.

Los investigadores de Glasgow utilizaron un radar patentado de onda continua de frecuencia modulada con un brazo robótico para inspeccionar muestras de palas de aerogeneradores industriales a distancias de 5, 10 y 15 centímetros de la muestra. Gracias a métodos de procesamiento de señales, pudieron aislar características y precursores de futuros fallos en estas complejas muestras compuestas.

Representación de los datos

Al proporcionar estos datos experimentales al equipo de IMOS, el reto consistía en mejorar el contenido informativo de las características integradas en estos datos brutos. Resultó que las señales obtenidas por el radar variaban en función de la distancia de inspección y del material de la superficie y el núcleo de la pala.

Gaëtan Frusque, postdoctorando en IMOS y autor principal del estudio, señaló que "en IMOS utilizamos una representación de valor complejo de las señales para separar mejor la información que contienen y adaptar el modelo de IA en consecuencia". Como resultado, el algoritmo que desarrollaron puede distinguir las anomalías de las partes uniformes de la turbina.

Los investigadores de Glasgow planean ahora recopilar más datos para seguir validando los resultados de IMOS. Los investigadores planean probar su método en turbinas ya existentes, lo que pueden hacer instalando el sensor en un brazo robótico o en un dron. Así podrán detectar defectos de fabricación en las turbinas antes de ponerlas en servicio o inspeccionarlas durante su funcionamiento. Una vez instaladas, las turbinas sin defectos pueden funcionar durante unos 20 años.