HTW 2018: Detección de fallos en las turbinas eólicas
Competición finalizada
- Fecha tope: 10:00 (CET) del 27 de septiembre de 2018
- Primer premio: 5000 EUR para el equipo ganador del reto de EDP
- Mejor Solución Técnica: 2000 EUR para el equipo con los mejores resultados del algoritmo
Descripción
El tiempo es oro y anticipar fallos en las turbinas eólicas puede reducir el tiempo invertido en mantenimiento y las pérdidas de producción debidas a la falta de disponibilidad, allanando el camino para unos costes más bajos y homogéneos de energía limpia. ¿Cuántos fallos puede anticipar? Le retamos a desarrollar una solución global para este problema, centrándose en las capacidades de predicción para detectar fallos en sus primeras etapas y, en consecuencia, reducir los costes de mantenimiento. Los componentes que se supervisarán serán:
- Transmisión mecánica
- Generador
- Cojinete del generador
- Transformador
- Grupo hidráulico
Proporcionamos 2 años de registros del sistema SCADA de 5 turbinas eólicas y del mástil de medición para crear, entrenar y probar sus modelos. También incluimos 1 año de fallos ya detectados.
Normas
¡Aquí, le pedimos que ponga a prueba sus habilidades predictivas! El objetivo de este desafío de datos es fomentar nuevas estrategias de mantenimiento predictivo innovadoras y fiables que eviten la necesidad de grandes medidas correctoras, para prever y minimizar el tiempo de inactividad de los activos y recortar los costes correspondientes.
Normas principales:
- Plazo de presentación: 10:00 del 27 de septiembre de 2018.
- Premio:
- 5000 EUR para el equipo con la mejor solución global.
- 2000 EUR para el equipo con la mejor solución técnica.
El equipo que gane el Primer Premio quedará descalificado para ganar el Premio a la Mejor Solución Técnica.
Criterios de admisión:
- Estar inscrito en el Concurso.
- Ser mayor de edad según el Derecho de su país de residencia para participar en este Concurso.
- Ser titular de una cuenta bancaria en su país de residencia fiscal.
- Tener competencias informáticas, técnicas, de diseño o de mercadotecnia.
- Disponer de un equipo informático propio en buen estado durante toda la duración del Concurso.
Para ser elegibles para ganar el Reto, los participantes deben además estar presentes durante la presentación del prototipo de su equipo o, si es necesario, quedar eximidos de dicha obligación por los demás miembros de su equipo.
Conjuntos de datos externos: Para la solución solo deben ser necesarios los conjuntos de datos proporcionados.
Para obtener más información sobre las normas, consulte los Términos y Condiciones de la organización Hack the Wind 2018 (disponible en inglés).
Evaluación del reto
Este reto está integrado en Hack The Wind 2018, por lo que queremos desafiarle a desarrollar algo más que un simple algoritmo predictivo. Estamos buscando una solución global, no solo enfocada en sus habilidades predictivas, sino también en todo el caso de negocio y en cómo presenta su solución.
La evaluación se dividirá en dos etapas:
La primera fase es una evaluación de feria de ciencias, en la que el equipo de jueces de un mentor se reunirá individualmente con los equipos, escuchará sus presentaciones y designará a los finalistas. En esta fase, se le calificará de acuerdo con los siguientes criterios: 35 % por la opinión del juez; 65 % por los resultados del algoritmo.
En la segunda fase, cada equipo finalista presentará su prototipo al jurado. En esta fase, se le calificará de acuerdo con los siguientes criterios: 40 % por los resultados del algoritmo; 25 % por la presentación; 20 % por el diseño de la interfaz y la experiencia del usuario; 15 % por el caso de negocio.
Fondo de premios:
De acuerdo con los criterios antes mencionados, tendremos 2 equipos premiados de la siguiente manera:
- Primer Premio de 5000 EUR para el equipo con la mejor solución global, es decir, el equipo con mayor puntuación en todos los componentes de los criterios de evaluación de la Fase 2.
- Mejor Solución Técnica de 2000 EUR para el equipo con mayor puntuación en el componente «Resultados del Algoritmo» de los criterios de evaluación de la Fase 2
El equipo que gane el Primer Premio quedará descalificado para ganar el Premio a la Mejor Solución Técnica.
Para ver cómo se evalúa el algoritmo, consulte la pestaña «Evaluación del Algoritmo».
Evaluación del Algoritmo
Con respecto al algoritmo predictivo, las propuestas se clasificarán en función del Ahorro Total de Predicción, es decir, la capacidad de reducir los costes de mantenimiento (incluidos los preventivos y correctivos).
Sus predicciones se pueden clasificar como:
- Los verdaderos positivos (TP) son fallos de la turbina eólica y del subsistema correctos, detectados entre 2 y 60 días antes de la fecha de la avería. Si se detecta un fallo en el período correcto, pero en la turbina eólica o el subsistema incorrectos, cuenta como un falso positivo. Los verdaderos positivos se traducen en ahorros, que son la diferencia entre los costes de reemplazo y reparación.
- Los falsos negativos (FN) son fallos reales en una turbina eólica y un subsistema no detectados en los 2 a 60 días anteriores. Los falsos negativos se traducen en costes de reemplazo.
- Los falsos positivos (FP) son detecciones en una turbina eólica y un subsistema en los que no se producen fallos en los siguientes 2 a 60 días. Los falsos positivos se traducen en costes de inspección.
De acuerdo con la clasificación anterior, sus predicciones implicarán Costes de Reemplazo (RP), Costes de Reparación (RC) o Costes de Inspección (IC). Para cada componente, en la tabla siguiente se indican los RP, RC e IC:
Según sus predicciones y los costes correspondientes, el Ahorros Total de Predicción se calcula teniendo en cuenta los 5 componentes y las 5 turbinas eólicas, según el siguiente parámetro:
Sistema de calificación:
Según el ahorro de costes que permite el algoritmo de mantenimiento predictivo, sus resultados se calificarán entre 0 y 20, utilizando una función de activación sigmoide no revelada, de la siguiente manera:
- El Ahorro de Predicción Positivo (parte verde de la curva) significa que su modelo redundó en un ahorro y tiene una calificación positiva (>10).
- El Ahorro de Predicción Negativo (parte azul de la curva) significa que su modelo generó gastos adicionales y tiene una calificación negativa (< 10).
- El Ahorro de Predicción Nulo significa que el gasto adicional debido a predicciones defectuosas se ve compensado con el ahorro adicional logrado por predicciones precisas y su calificación es de 10.
Ganadores primer premio
Testimonio y enfoque de Alpha-I
"Para Alpha-I, HTW 2018 fue una gran experiencia de aprendizaje tanto en términos de tecnología como de conocimiento de la materia. Además, fueron 48 horas de análisis de datos sin parar y una oportunidad para interactuar con gente nueva del sector. El equipo de EDP Renewables supuso un gran apoyo y nos ayudó mucho a comprender los datos. Durante el hackathon, Alpha-I evaluó un enfoque doble. En primer lugar, se analizaron las propiedades estadísticas de los datos del sistema SCADA, a fin de formalizar reglas para detectar anomalías. Sin embargo, la falta de suficientes datos de fallos dificultó el entrenamiento de nuestros modelos de aprendizaje automático. En segundo lugar, utilizando nuestra plataforma de visualización, buscamos señales visuales aparentes antes de un fallo (según la lista de fallos en 2016). Usando el conocimiento en la materia, algunos de los fallos podían detectarse fácilmente con mucha anticipación usando solo sus señales visuales características. En conclusión, descubrimos que la visualización de datos y el conocimiento de la materia pueden ayudar a etiquetar los datos de la turbina para que el aprendizaje automático sea más eficaz."
Ganadores mejor solución técnica
Testimonio y enfoque de ODS-AI
"Durante el hackaton, el equipo ODS-AI tuvo la gran oportunidad de explorar los detalles del trabajo con datos en el campo de la energía eólica. En combinación con la interesante tarea en el área de aprendizaje automático, resultó una gran experiencia. El primer paso fue el preprocesamiento del conjunto de datos. Los valores que faltaban se completaron mediante la interpolación de vecinos y cada característica se normalizó dentro de la turbina en cuestión. Durante la investigación inicial quedó claro que las soluciones de última generación suelen basarse en redes de memoria de corto-largo plazo. Sin embargo, para las condiciones dadas, este enfoque no fue eficaz debido al tiempo limitado para el entrenamiento y al tamaño del conjunto de datos. Como alternativa, se utilizó la red neuronal convolucional unidimensional con una ventana móvil de 10 días. Para superar el problema del conjunto de datos limitado, se utilizó el aumento de datos. Este enfoque demostró ser eficiente, pero también arrojó muchos resultados falsos positivos y no pudo predecir fallos en el cojinete del generador."
