Introduzione
Negli ultimi anni il settore eolico ha riconosciuto l’importanza della manutenzione predittiva come strategia per ottimizzare i costi di manutenzione e massimizzare la disponibilità delle macchine e quindi la produzione energetica. La parte fondamentale del monitoraggio degli aerogeneratori si concentra sul “Power train”, ovvero sugli elementi meccanici che vanno dal rotore principale al generatore elettrico. Trattandosi di macchine rotanti, l’analisi vibrazionale è il parametro di gran lunga più idoneo per identificare i modi di guasto di tipo meccanico; va detto tuttavia che anche le analisi dell’olio lubrificante del moltiplicatore e dei dati SCADA (Supervisory Control And Data Acquisition, ovvero i parametri utilizzati dal sistema di control lo della turbina) sono molto importanti per comprendere lo stato meccanico dei componenti del treno di potenza e devono essere affiancate all’analisi vibrazionale. Il presente articolo è stato suddiviso in quattro parti per ragioni editoriali. Nelle prime due parti [vedi Manutenzione T&M dicembre 2019 e gennaio 2020, ndr] sono stati descritti i componenti principali del treno di potenza, e i loro modi di guasto più comuni, soprattutto dal punto di vista delle frequenze vibrazionali caratteristiche.
- Inoltre sono state esaminate le particolarità delle turbine eoliche dal punto di vista vibrazionale, ovvero: La coesistenza di alberi e ruote dentate rotanti a velocità molto basse con altri a velocità di rotazione più alta.
- Le fluttuazioni istantanee di velocità di rotazione e di potenza.
- La molteplicità di frequenze vibratorie caratteristiche, a causa dell’elevato numero di ruote dentate e cuscinetti montati nel trenodi potenza e delle varie frequenze di ingranamento.
Tali particolarità implicano la necessità di stabilire strategie ad-hoc di monitoraggio e diagnostica; è stata quindi menzionata l’esperienza della Monitoring & Diangostic Room (MDR) di Enel Green Power, che da anni realizza la manutenzione predittiva di parchi eolici in tutto il mondo, su una flotta eterogenea tanto dal punto di vista dei produttori delle turbine, quanto da quello dei sistemi di monitoraggio (CMS) utilizzati. Proprio l’esperienza della MDR ha permesso di stabilire un metodo ottimale per il monitoraggio. Tale metodo si basa su diverse tecniche di analisi vibrazionale: tra quelle classiche, descritte nelle prime due parti dell’articolo, abbiamo menzionato l’analisi nel dominio della frequenza, nel dominio del tempo, la Demodulazione d’ampiezza, lo studio dei trend di parametri vibratori come il valore efficcace, la kurtosis, etc. Nella terza parte [vedi Manutenzione T&M febbraio 2020, ndr] sono state approfondite alcune tecniche di trattamento più avanzate dei segnali vibratori, che si rendono necessarie proprio per massimizzare l’efficienza della diagnostica e del monitoraggio (parametri estratti dai pattern spettrali, Power Bins e campionamento sincrono). In questa parte conclusiva ci focalizzeremo quindi sull’ultima di queste tecniche per poi analizzare l’applicazione dell’intelligenza artificiale.
Tecniche avanzate per il monitoraggio e la diagnostica: filtri passa banda applicati alle forme d’onda
Abbiamo menzionato che nello stadio planetario, a causa delle basse velocità di rotazione, gli impulsi dovuti a un eventuale danneggiamento sono nella maggior parte dei casi mascherati dalle frequenze di ingranamento (soprattutto quelle dello stadio parallelo). Come conseguenza, in tali casi la stessa kurtosis rimane bassa e l’analisi della forma d’onda “originale” non è una tecnica particolarmente utile. Eppure, filtrando la forma d’onda in opportuni intervalli di frequenza (eliminando ad esempio le frequenze che contengono le varie GMF e le loro armoniche principali, e/o sintonizzando il filtro su frequenze naturali del sistema meccanico o del sensore) è possibile rivelare la presenza di tali colpi. È esemplificativa in tal senso il grafico riportato: la forma d’onda in alto non presenta un pattern impulsivo, ma quando viene filtrata in un intervallo specifico intorno ai 400 Hz, rivela chiari colpi (forma d’onda in basso - si tratta del caso del danneggiamento del dente del solare già visto in precedenza). Ma come stabilire in modo efficace i filtri passa banda più adeguati? È spesso l’esperienza dell’ingegnere di diagnostica a identificare tali intervalli, basandosi sul comportamento osservato nei modi di guasto più comuni dello stadio planetario, e/o approfondendo linee di analisi suggerite dai pattern spettrali. Inoltre più recentemente la MDR ha introdotto l’applicazione di metodi di elaborazione del segnale già descritti nella letteratura accademica, ma ancora non presenti nei software commerciali, per identificare in modo automatico la configurazione dei filtri passa banda. Una volta accertati gli intervalli di frequenza più rilevanti per l’identificazione dei modi di guasto, la forma d’onda viene appunto filtrata in tali intervalli e analizzata per misurare la frequenza di ripetizione degli impatti, in modo da individuare l’elemento meccanico danneggiato.
L’applicazione dell’Intelligenza artificiale
L’uso degli algoritmi di Machine Learning per la diagnostica automatica delle macchine è ancora agli albori. La letteratura tecnica di tipo accademico su questo argomento è già abbastanza vasta, tuttavia l’applicazione di tali tecniche nei software di produzione (ovvero software che possano essere utilizzati quotidianamente dagli ingegneri del team di monitoraggio) non è ancora una realtà consolidata. L’Intelligenza Artificiale può essere uno strumento particolarmente utile nel monitoraggio degli aerogeneratori, in quanto le flotte di turbine eoliche presentano molte macchine identiche fra loro e quindi in teoria vi sono dati sufficienti sulla maggior parte dei modi di guasto per applicare gli algoritmi di classificazione. In realtà, essendo le vibrazioni meccaniche rappresentate come dati dinamici (ovvero costituiti da un gran numero di punti), sorgono delle difficoltà legate alla complessità degli algoritmi di machine learning, in quanto è necessario disporre di una gran quantità di casi diversi per ognuno dei modi di guasto. Tali dati a volte non sono disponibili a causa del fatto che in realtà le flotte di turbine eoliche sono suddivise in un gran numero di modelli diversi di turbine e moltiplicatori, oltre ovviamente ai diversi brand di CMS installati, e ciò diminuisce la quantità di casi davvero confrontabili. Questa linea, ovvero l’uso dei dati vibratori per allenare algoritmi in modo supervisionato e classificare in modo automatico lo stato meccanico delle turbine, è una delle linee di ricerca che la MDR sta seguendo insieme al team di una università spagnola. Un’altra osservazione è legata all’uso dei dati di SCADA per l’applicazione dell’Intelligenza artificiale; tali dati possono aiutare a identificare modi di guasto non collegati al treno di potenza (per il quale sono invece le vibrazioni il principale parametro predittivo) e quindi è consigliabile integrarli negli algoritmi. L’obiettivo finale del team della MDR è quello di creare, insieme a partner tecnologici specializzati in Intelligenza Artificiale, una piattaforma di produzione che possa integrare i dati di vibrazione e di Scada; che sia inoltre capace di riallenare gli algoritmi in modo facile e continuo, basandosi sui nuovi dati che ogni giorno si aggiungono a quelli esistenti, e sui nuovi casi di guasto classificati. Tale strumento, che è attualmente in studio mediante una seconda linea di investigazione insieme a un partner danese, sarebbe senza dubbio fondamentale per raggiungere le alte efficienze di monitoraggio menzionate in precedenza.
Conclusioni
Il monitoraggio e la diagnostica di grandi flotte di turbine eoliche possono essere realizzati con successo solo a patto di applicare correttamente un gran numero di metodi di elaborazione dei segnali di vibrazione, oltre ovviamente alle informazioni fornite dai dati Scada e dalle analisi periodiche dei lubrificanti. Inoltre è opportuno che i centri di monitoraggio approfondiscano i metodi di elaborazione dei segnali vibratori, in quanto vi è ancora un gap significativo tra i software commerciali e la letteratura tecnica (prevalentemente accademica). Ancora, è consigliabile studiare la possibilità di applicare tecniche di intelligenza artificiale per automatizzare parte del lavoro di monitoraggio. Infine, è fondamentale possedere un know-how specifico delle macchine eoliche e dei guasti che si sono sviluppati durante gli anni, e confrontare i risultati della diagnostica con l’evoluzione di tali guasti, in un processo di miglioramento continuo dell’efficienza del monitoraggio e della manutenzione. Come dimostra l’esperienza della MDR di Enel Green Power, tutto ciò permette di migliorare le prestazioni del monitoraggio, aumentare il proprio know-how e rendere il lavoro di diagnostica ancora più appassionante.
Francesco Miniello
Esperto di manutenzione predittiva – Monitoring and diagnostic room (MDR), Enel Green Power
