Maintenance decision making model based on useful life prediction for wind power generation systems components installed in Costa Rica

Este estudio presenta un modelo de toma de decisiones de mantenimiento, donde se aplica el monitoreo de condición a componentes rotativos de aerogeneradores de eje horizontal instalados en Costa Rica, reduciendo la incidencia de fallas inesperadas, lo cual es consecuencia de la política de dejar fallar o apegarse a las recomendaciones del fabricante sin tomar en cuenta el entorno operativo, prácticas comunes en la industria eólica del país.Se ofrece un modelo donde se definen dos valores umbrales de probabilidad de falla, los cuales se utilizan en la toma de decisiones de reemplazo de componentes, con el fin de optimizar los costos de operación y mantenimiento. Además, se brindan las pautas iniciales para ejecutar esta estrategia de mantenimiento en un proyecto eólico.Las predicciones de los porcentajes de vida requeridas por el modelo ofrecido, se obtienen utilizando redes neuronales artificiales, las cuales tienen como entradas variables de condición representativas para cada componente en estudio (rotor, rodamiento principal, caja multiplicadora y generador eléctrico).This study covers a maintenance decision making model, where condition monitoring is applied to rotating components of horizontal axis wind power generation systems installed in Costa Rica, in order to reduce the incidence of unexpected failures, which are consequences of the run-to-failure policy or following strictly the manufacturers’ suggestions without considering the operational environment, very common practices in the national wind industry.Aiming the optimization of operation and maintenance costs, a model where two failure probability threshold values are defined is presented. These threshold values allow the component replacement decision making. Moreover, the initial guidelines for executing this strategy in a wind farm are offered in this paper.The life percentage predictions required by the offered model, are obtained using artificial neural networks for each component (rotor, main bearing, gearbox and electric generator), which use representative condition monitoring variables as inputs