Detección de anomalías en señales de operación para turbinas de generación eléctrica

Abstract

En la industria petrolera, la generación eléctrica desempeña un papel crítico para mantener las operaciones en funcionamiento de manera continua y segura. Las turbinas de generación eléctrica, como el modelo GE LM2500 de combustión dual Diesel Gas en las plantas petroleras son esenciales, pero están sujetas a un alto desgaste y variabilidad en la demanda. El mantenimiento tradicional basado en intervalos de tiempo no optimiza recursos ni previene interrupciones costosas. Por lo tanto, se plantea desarrollar un sistema de detección de anomalías basado en tecnología avanzada de adquisición y análisis de datos, utilizando el aprendizaje automático con Isolation Forest. Este análisis se estima como de carácter no supervisado, considerando que no se dispone de datos diferenciadores previos que pudieran hacer sido etiquetados como una condición habitual y un atípico. Los objetivos incluyen el uso de un sistema de adquisición de datos y entrenar un modelo de aprendizaje automático para identificar patrones anómalos, anticipando fallas, reduciendo los costos de mantenimiento, maximizando así la disponibilidad de energía en un entorno crítico. Este proyecto busca revolucionar la gestión de la energía en la industria petrolera y mejorar la eficiencia operativa.