Detección de grietas en palas de aerogeneradores usando señales de vibración

Abstract

Los sistemas de monitoreo de condición en aerogeneradores enfrentan desafíos significativos al diagnosticar anomalías estructurales en las palas debido a la variabilidad operativa, particularmente por el “efecto enmascarador” provocado por las fluctuaciones en la velocidad del viento. Esta investigación propone una metodología robusta que combina la extracción de características estadísticas y fractales, el Análisis de Componentes Principales (PCA) para la reducción de dimensionalidad, y una novedosa arquitectura de Red Neuronal de Doble Cabeza orientada a multitarea. El paradigma de doble cabeza resuelve simultáneamente el contexto operativo de la velocidad del viento en la primera rama e inyecta esta información en la segunda rama para aislar la severidad del daño estructural. Evaluado exhaustivamente sobre un conjunto de datos maestro y validado rigurosamente en 8 grupos de prueba independientes y disjuntos que suman 16, 000 muestras ciegas, el modelo propuesto alcanza una precisión de clasificación global excepcional del 99.92 % para la condición estructural y del 100.00 % para la velocidad operativa. Asimismo, con una huella de modelo compacta de tan solo 56.53 KB y un tiempo de inferencia inferior a 1.2 milisegundos por muestra, la arquitectura demuestra una viabilidad óptima para su despliegue en tiempo real mediante Edge Computing en entornos industriales eólicos.