algoritmos de K-nearest neighbour más cercanos (K-NN) para la detección de falsas alarmas en aerogeneradores. La metodología se centra en comparar diferentes valores de validación cruzada K-fold para optimizar la precisión del modelo. El estudio presenta un escenario de caso real utilizando datos de tres aerogeneradores del proyecto europeo OPTIMUS. Los datos de señales y alarmas son tomados por el sistema SCADA, y se utiliza un registro de alarmas como variable de respuesta. El estudio analiza también las causas subyacentes de las falsas alarmas detectadas por el modelo K-NN. Se identifican diversos escenarios, como la falta de sincronización entre el registro de alarmas y los sistemas de clasificación, la dificultad del modelo para detectar alarmas causadas por turbulencias y la generación de falsas alarmas debido a breves activaciones que no representan fallos reales en el aerogenerador. RESULTADOS Los resultados obtenidos demuestran la eficacia de la metodología propuesta. La precisión del modelo alcanza un impresionante 98%, y se logra detectar más del 22% de falsas alarmas en el estudio de caso. El análisis detallado de los tres aerogeneradores muestra que el rendimiento es análogo entre ellos, y las variaciones en los valores de validación cruzada no conducen a mejoras significativas en la precisión. CONCLUSIONES Tras este trabajo, los investigadores concluyen que reducir el número de falsas alarmas no solo disminuye los costos operativos y de mantenimiento, sino que también optimiza la eficiencia general de la infraestructura eólica. “La combinación de técnicas analíticas avanzadas y algoritmos de aprendizaje automático, como el K-NN, se presenta como una estrategia efectiva para mejorar la confiabilidad de los sistemas de monitoreo”, argumentan. No obstante, ven necesario seguir investigando en el área de detección de falsas alarmas. Aunque la metodología propuesta muestra resultados prometedores, sugieren en su trabajo seguir explorando más tipos de alarmas y la aplicación de otros algoritmos de inteligencia artificial para mejorar aún más la precisión y la capacidad de detección. La combinación de enfoques estadísticos y de aprendizaje automático puede abrir nuevas posibilidades para optimizar la gestión de mantenimiento en la industria eólica. n La combinación de técnicas analíticas avanzadas y algoritmos de aprendizaje automático se presenta como una estrategia efectiva para mejorar la confiabilidad de los sistemas de monitoreo DOSIER EÓLICA 14
RkJQdWJsaXNoZXIy Njg1MjYx