El objetivo general de este proyecto es investigar y diseñar nuevas técnicas basadas en Edge Computing y Deep Learning para el mantenimiento predictivo de los parques de aerogeneradores y la optimización de la planificación de las intervenciones de mantenimiento a nivel preventivo, correctivo y predictivo. Como resultado principal de este proyecto de investigación, se construirá una plataforma Deep Learning y Edge Computing para el mantenimiento predictivo de instalaciones renovables mediante algoritmos neurodifusos profundos (Deep NeuroFuzzy), así como algoritmos de optimización multicriterio para la recomendación de los momentos idóneos para llevar a cabo las distintas intervenciones de mantenimiento en los aerogeneradores.

Para alcanzar el objetivo principal se han definido un conjunto de objetivos y subobjetivos técnicos específicos:

• O1 – Investigar en nuevas tecnologías IIoT (Industrial Internet of Things) y Big Data para la telemonitorización y el almacenamiento del estado de los aerogeneradores

  • O1.1 – Investigar en tecnologías Linked Open Data para el almacenamiento masivo de datos de telemetría, predicciones meteorológicas y parámetros para la caracterización del entorno
  • O1.2 – Investigar en tecnologías de radiocomunicaciones para la recogida de datos a partir de dispositivos IIoT de largo alcance
  • O1.3 – Investigar y diseño de dispositivos IIoT para la monitorización de plantas eólicas

• O2 - Investigar y diseñar nuevas técnicas Edge Computing que permitan aplicar técnicas Deep Learning en el mismo extremo

  • O2.1 – Investigar las herramientas hardware y software más adecuadas para la ejecución de técnicas Deep Learning en el Edge
  • O2.2 – Investigar y diseñar técnicas Edge Computing para el preprocesado/filtrado de información desde el Edge hasta el Cloud
  • O2.3 – Investigar y diseñar nuevos modelos Deep Learning para el reconocimiento de patrones anómalos, fatiga y mantenimiento predictivo de aerogeneradores en el Edge

• O3 – Investigar y diseñar nuevos modelos para la caracterización del entorno de los aerogeneradores, así como su impacto en la generación y en su lógica de control

  • O3.1 - Modelar las condiciones ambientales, orográficas y climáticas en el entorno de instalaciones renovables
  • O3.2 – Diseñar una capa de abstracción para el modelado de la lógica de control independientemente de los fabricantes
  • O3.3 – Diseñar un mecanismo que permita transferir hasta el Edge los modelos generados mediante el entrenamiento de redes neuronales en el Cloud

• O4 – Construir un motor cognitivo para la optimización mantenimiento predictivo de instalaciones eólicas basado en técnicas Deep NeuroFuzzy Learning en el Cloud y en el Edge

  • O4.1 - Investigar y diseñar nuevos modelos predictivos basados Deep Reinforcement Learning
  • O4.2 – Investigar y diseñar nuevos modelos de clustering no-jerárquico para la detección de anomalías en la lógica de control
  • O4.3 – Investigar y diseñar nuevos algoritmos de optimización multicriterio para la recomendación y planificación de las intervenciones de mantenimiento en aerogeneradores

• O5 – Validar los nuevos modelos y la plataforma en un entorno operativo controlado

  • O5.1 – Diseñar y desarrollar un conjunto de interfaces responsivas para el acceso a la información proporcionada por la plataforma
  • O5.2 – Desplegar los diferentes componentes de la plataforma y el motor cognitivo utilizando técnicas Cloud Computing
  • O5.3 – Validar, corregir y mejorar los diferentes componentes de la plataforma