El estudio aborda uno de los desafíos asociados a la operación de parques eólicos marinos: supervisar de manera continua el estado estructural de las turbinas en condiciones ambientales exigentes. La exposición permanente a la humedad, la corrosión, las corrientes marinas y las condiciones propias del entorno offshore puede dificultar el mantenimiento de los sistemas de monitoreo y elevar los costos asociados a su operación.
Frente a esta problemática, la investigación propone utilizar un sensor virtual basado en PatchTST, un modelo de aprendizaje profundo (deep learning) especializado en el análisis y predicción de series temporales. En lugar de depender exclusivamente de sensores físicos instalados en las estructuras, esta metodología utiliza datos existentes para estimar variables relevantes sobre el comportamiento de la turbina.
En particular, el sensor virtual fue desarrollado para predecir la deformación en los soportes de las turbinas eólicas, un parámetro importante para evaluar su comportamiento estructural y detectar posibles variaciones durante la operación.
Para validar la propuesta, el modelo fue entrenado utilizando datos reales provenientes del parque eólico marino Alpha Ventus, ubicado en Alemania. El uso de información obtenida de un entorno real permitió evaluar el desempeño del sistema bajo condiciones representativas de la operación de turbinas eólicas offshore.
La investigación empleó diferentes métricas estadísticas y mecánicas para analizar la precisión de las predicciones y comparar el comportamiento del sensor virtual frente a métodos tradicionales. Los resultados mostraron un desempeño favorable de la propuesta en términos de precisión, confiabilidad y eficiencia computacional.
Una de las principales ventajas de este enfoque es la posibilidad de reducir la dependencia de sensores físicos para determinadas variables. En ambientes marinos, donde el mantenimiento y reemplazo de equipos puede resultar complejo y costoso, disponer de herramientas digitales capaces de estimar el comportamiento estructural puede representar una alternativa de interés para la gestión de los sistemas eólicos.
El desarrollo de sensores virtuales también abre posibilidades para implementar estrategias de monitoreo estructural más inteligentes y predictivas. La información generada por estos sistemas puede contribuir a identificar cambios en el comportamiento de una estructura y apoyar la planificación de actividades de mantenimiento.
Este enfoque se relaciona directamente con el concepto de mantenimiento predictivo, que busca anticipar posibles necesidades de intervención a partir del análisis de datos. En lugar de depender únicamente de revisiones programadas, los operadores pueden utilizar información sobre el comportamiento de los equipos para tomar decisiones más oportunas.
