Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine Learning
171 páginas
- Autores:
-
Velasquez Betancurt, Alexey David
- Tipo de recurso:
- Fecha de publicación:
- 2025
- Institución:
- Universidad EIA .
- Repositorio:
- Repositorio EIA .
- Idioma:
- spa
- OAI Identifier:
- oai:repository.eia.edu.co:11190/7191
- Acceso en línea:
- https://repository.eia.edu.co/handle/11190/7191
- Palabra clave:
- Aerogeneradores
Wind turbines
Acelerometría
Estructuras
OMA
Sensores
Machine Learning
Accelerometry
Structures
Sensors
- Rights
- openAccess
- License
- Derechos Reservados - Universidad EIA, 2025
| id |
REIA2_fff82d9a56b0eb49124e60ee317e1828 |
|---|---|
| oai_identifier_str |
oai:repository.eia.edu.co:11190/7191 |
| network_acronym_str |
REIA2 |
| network_name_str |
Repositorio EIA . |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine Learning |
| title |
Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine Learning |
| spellingShingle |
Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine Learning Aerogeneradores Wind turbines Acelerometría Estructuras OMA Sensores Machine Learning Accelerometry Structures Sensors |
| title_short |
Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine Learning |
| title_full |
Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine Learning |
| title_fullStr |
Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine Learning |
| title_full_unstemmed |
Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine Learning |
| title_sort |
Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine Learning |
| dc.creator.fl_str_mv |
Velasquez Betancurt, Alexey David |
| dc.contributor.advisor.none.fl_str_mv |
Blandón Uribe, Carlos Andrés Sierra Pérez, Julián |
| dc.contributor.author.none.fl_str_mv |
Velasquez Betancurt, Alexey David |
| dc.subject.proposal.spa.fl_str_mv |
Aerogeneradores Wind turbines Acelerometría Estructuras OMA |
| topic |
Aerogeneradores Wind turbines Acelerometría Estructuras OMA Sensores Machine Learning Accelerometry Structures Sensors |
| dc.subject.proposal.eng.fl_str_mv |
Sensores Machine Learning Accelerometry Structures Sensors |
| description |
171 páginas |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-08-06T19:14:45Z |
| dc.date.available.none.fl_str_mv |
2025-08-06T19:14:45Z |
| dc.date.issued.none.fl_str_mv |
2025 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| dc.type.coarversion.none.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| status_str |
publishedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repository.eia.edu.co/handle/11190/7191 |
| url |
https://repository.eia.edu.co/handle/11190/7191 |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.rights.none.fl_str_mv |
Derechos Reservados - Universidad EIA, 2025 |
| dc.rights.license.none.fl_str_mv |
Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Derechos Reservados - Universidad EIA, 2025 Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad EIA |
| dc.publisher.program.none.fl_str_mv |
Maestría en Ingeniería |
| dc.publisher.faculty.none.fl_str_mv |
Escuela de Ingeniería y Ciencias Básicas |
| dc.publisher.place.none.fl_str_mv |
Envigado (Antioquia, Colombia) |
| publisher.none.fl_str_mv |
Universidad EIA |
| institution |
Universidad EIA . |
| bitstream.url.fl_str_mv |
https://repository.eia.edu.co/bitstreams/3c258dbd-a3fb-492f-969c-89e33d6764db/download https://repository.eia.edu.co/bitstreams/6d73ec0d-749f-4d0e-b6c7-f136cd216b57/download https://repository.eia.edu.co/bitstreams/426f8758-cf75-4514-bc87-139ab7966041/download https://repository.eia.edu.co/bitstreams/232f656b-7fd0-437e-a73c-9922b212c688/download |
| bitstream.checksum.fl_str_mv |
2264fce645ac2952653ce3f3b8fa781e b6c3d37d58d7b1718a0b8bb651d597b0 71d0c6b8852faa1679751e82066b6b0c 9f2d0855c3fedf0ffa385ad5ed55e730 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad EIA |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1849968132643356672 |
| spelling |
Blandón Uribe, Carlos AndrésSierra Pérez, JuliánVelasquez Betancurt, Alexey David2025-08-06T19:14:45Z2025-08-06T19:14:45Z2025https://repository.eia.edu.co/handle/11190/7191171 páginasRESUMEN: Este trabajo de investigación presenta el desarrollo e implementación de una metodología para el diagnóstico de deterioros estructurales en aerogeneradores, mediante el uso de algoritmos de aprendizaje automático aplicados a datos de acelerometría adquiridos por un sistema de monitoreo estructural de diseño y fabricación nacional. La investigación se llevó a cabo durante un periodo de 1.5 años sobre un aerogenerador prototipo de 14 metros de altura, instrumentado con sensores distribuidos a lo largo de su mástil e instalado en la región del Oriente antioqueño. El enfoque metodológico se fundamenta en la teoría de los cambios en las frecuencias naturales causados por pérdidas de rigidez estructural. A partir de esta base, se ejecutó un plan experimental que incluyó la simulación de deterioros inducidos mediante la manipulación de cables tensores, la creación de una base de datos de deterioro, el análisis de vibraciones en condiciones operacionales, y la posterior aplicación de técnicas de aprendizaje automático para detectar y localizar dichos deterioros. El procesamiento de las señales permitió identificar modos de vibración sensibles al daño, destacando el primer modo de vibración, que presentó alrededor de 0.68 Hz en condición operacional sana a 0.39 Hz en condición de daño máximo. Como parte de la metodología, se evaluaron cinco algoritmos de aprendizaje automático, seleccionando Light Gradient Boosting Machine (LightGBM) como el modelo con mejor desempeño, alcanzando una exactitud del 99.1% en la detección general de deterioros y 98.6% en la predicción de su localización. Además, se desarrolló una interfaz de usuario integrada directamente al sistema de adquisición, permitiendo la visualización y monitorización contino del estado estructural del aerogenerador. Inicialmente, se adquirieron 28,336 datos para conformar una base de datos, los cuales fueron utilizados para valorar las características sensibles al deterioro en los registros de acelerometría, seguidamente se pudo entrenar y seleccionar el algoritmo de Machine Learning (ML) óptimo para detectar automáticamente la presencia y ubicación de deterioros en aerogeneradores. Con esta información, se propone un sistema nacional de monitoreo estructural continuo, económico y eficaz, diseñado para optimizar los costos de mantenimiento y reducir el riesgo de fallos estructurales.ABSTRACT: This research presents the development and implementation of a methodology for diagnosing structural damage in wind turbines using machine learning algorithms applied to accelerometry data acquired by a domestically designed and manufactured structural health monitoring system. The study was conducted over a 1.5-year period on a 14-meter-tall prototype wind turbine, instrumented with sensors distributed along its mast and installed in the Oriente region of Antioquia, Colombia. The methodological approach is based on the theory that changes in natural frequencies reflect losses in structural stiffness. Building on this principle, an experimental plan was executed that involved the simulation of induced damage through the manipulation of guy wires, the creation of a damage database, vibration analysis under operational conditions, and the application of machine learning techniques to detect and locate the damage. Signal processing enabled the identification of vibration modes sensitive to structural deterioration, highlighting the first vibration mode, which shifted from approximately 0.68 Hz under healthy conditions to 0.39 Hz under maximum damage. As part of the methodology, five machine learning algorithms were evaluated, with Light Gradient Boosting Machine (LightGBM) selected as the best-performing model. It achieved an accuracy of 99.1% in general damage detection and 98.6% in damage localization. Furthermore, a user interface was developed and integrated directly into the data acquisition system, enabling continuous visualization and monitoring of the wind turbine's structural condition. A total of 28,336 data samples were initially collected to build the dataset. These were used to assess damage-sensitive features in the accelerometry records, enabling the training and selection of the optimal machine learning model for automatically detecting the presence and location of structural damage in wind turbines. Based on these results, the study proposes a national, cost-effective, and efficient continuous structural health monitoring system aimed at optimizing maintenance costs and reducing the risk of structural failure.MaestríaMagíster en Ingenieríaapplication/pdfspaUniversidad EIAMaestría en IngenieríaEscuela de Ingeniería y Ciencias BásicasEnvigado (Antioquia, Colombia)Derechos Reservados - Universidad EIA, 2025Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine LearningTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionTexthttp://purl.org/redcol/resource_type/TMhttp://purl.org/coar/version/c_970fb48d4fbd8a85AerogeneradoresWind turbinesAcelerometríaEstructurasOMASensoresMachine LearningAccelerometryStructuresSensorsPublicationLICENSElicense.txtlicense.txttext/plain; charset=utf-82553https://repository.eia.edu.co/bitstreams/3c258dbd-a3fb-492f-969c-89e33d6764db/download2264fce645ac2952653ce3f3b8fa781eMD56ORIGINALVelasquezAlexey_2025_ImplementacionMetodologiaDiagnostico.pdfVelasquezAlexey_2025_ImplementacionMetodologiaDiagnostico.pdfTrabajo de gradoapplication/pdf7400808https://repository.eia.edu.co/bitstreams/6d73ec0d-749f-4d0e-b6c7-f136cd216b57/downloadb6c3d37d58d7b1718a0b8bb651d597b0MD57TEXTVelasquezAlexey_2025_ImplementacionMetodologiaDiagnostico.pdf.txtVelasquezAlexey_2025_ImplementacionMetodologiaDiagnostico.pdf.txtExtracted texttext/plain101706https://repository.eia.edu.co/bitstreams/426f8758-cf75-4514-bc87-139ab7966041/download71d0c6b8852faa1679751e82066b6b0cMD58THUMBNAILVelasquezAlexey_2025_ImplementacionMetodologiaDiagnostico.pdf.jpgVelasquezAlexey_2025_ImplementacionMetodologiaDiagnostico.pdf.jpgGenerated Thumbnailimage/jpeg7215https://repository.eia.edu.co/bitstreams/232f656b-7fd0-437e-a73c-9922b212c688/download9f2d0855c3fedf0ffa385ad5ed55e730MD5911190/7191oai:repository.eia.edu.co:11190/71912025-08-06 14:19:02.895open.accesshttps://repository.eia.edu.coRepositorio Institucional Universidad EIAbdigital@metabiblioteca.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 |