SOLUTE es una consultora de ingeniería con más de 15 años de experiencia en el sector de las energías renovables, principalmente centrada en el sector eólico, cubriendo toda la cadena de valor de un proyecto de ingeniería eólica.
Uno de los pilares fundamentales de la empresa es la apuesta por el I+D+i, para estar a la vanguardia del sector y asegurar que los servicios que ofrece están en línea con las soluciones más recientes y avanzadas. Fruto de ello, el año pasado, SOLUTE adquirió la participación mayoritaria de TSR Wind, empresa española de ingeniería y robótica aplicadas a la operación y mantenimiento en el sector eólico, como una decisión estratégica para invertir y lanzar nuevos desarrollos en este campo y así poder ofrecer soluciones lo más completas posibles a sus clientes.
En el marco de esta integración de TSR en SOLUTE, surge el desarrollo de algoritmos de inteligencia artificial para la detección automática de daños en palas:
TSRInspector es la solución end-to-end para la gestión de inspecciones de palas desarrollada por TSRWind. Esta herramienta permite, entre otros, la visualización de daños en alta resolución, la generación automática de informes de daños, la reconstrucción digital de la pala completa, así como la inspección integral de daños por nuestros expertos. Esta solución juega un papel muy importante en la planificación de actividades de operación y mantenimiento (O&M) de parques eólicos, cuyo coste puede representar en torno a un 20-25% del coste nivelado de energía (LCOE) durante el período de vida útil de una turbina eólica.
Con el fin de reducir los costes de O&M relacionados con la reparación de daños encontrados, TSRWind, en colaboración con el equipo de inteligencia artificial de SOLUTE, ha estado desarrollando una solución basada en inteligencia artificial para agilizar el proceso de inspección de daños y reducir los tiempos de entrega de informes a clientes.
Uno de los puntos claves para el desarrollo de estrategias basadas en inteligencia artificial es la obtención y preparación de una base de datos completa. Para ofertar esta solución, es necesario que esta base de datos esté correctamente etiquetada y contextualizada. También es necesario un procesamiento adecuado de las imágenes originales tomadas con el robot de inspección Eolos, pues dichas imágenes deben adaptarse a un formato adecuado para un modelo de inteligencia artificial.
Otro punto clave es la mejora continua de nuestro modelo de detección de daños mediante un proceso iterativo. Para tener un marco de referencia, se desarrolló inicialmente un modelo únicamente capaz de identificar potenciales daños en la superficie de la pala. El objetivo de esta versión preliminar tenía como objeto la generación de un preetiquetado para nuestros inspectores, de modo que solo tuvieran que clasificar el daño al realizar la inspección. Esta versión ha mostrado un desempeño bastante alto, si bien se detectó la presencia de falsos positivos (por ejemplo, detecciones de símbolos con forma de flecha en la pala como si fueran daños).
Nuestra solución se ha ido mejorando mediante el ajuste de hiperparámetros del modelo, un procesamiento más avanzado de las imágenes y la revisión exhaustiva de la base de datos para subsanar las limitaciones encontradas en dicha versión inicial. Gracias a ello, versiones más avanzadas de nuestra metodología permiten también la clasificación de agrupaciones de daños más comunes como grietas, erosiones y desconches. El postproceso de la inspección se ha refinado para agrupar etiquetas pertenecientes a la misma categoría, con el fin de simplificar el proceso de inspección.
El desarrollo de esta herramienta se encuentra actualmente en un estado avanzado de desarrollo, y se proyecta que esté operativa en TSRInspector en los primeros meses de 2024.
