Inspección de daños en aerogeneradores utilizando Modelos de Aprendizaje Automático.

Abstract

La detección temprana de fallas en palas de aerogeneradores es un desafío técnico de creciente importancia, directamente vinculado a la eficiencia en la generación de energía eólica y, por ende, a la calidad del suministro eléctrico nacional. En este contexto, ha cobrado fuerza el uso de técnicas de aprendizaje automático aplicadas al análisis de imágenes capturadas por drones como alternativa a las inspecciones manuales, que suelen ser costosas, lentas y riesgosas. Este trabajo se enmarca en el proyecto de investigación aplicada SUperAVISPAS (2025), desarrollado en la Facultad de Ingeniería y financiado por la Agencia Nacional de Investigación e Innovación (ANII) (Agencia Nacional de Investigación e Innovación (ANII) (2024)), con el objetivo de diseñar soluciones tecnológicas adaptadas al entorno nacional. Para ello, se construyó un dataset propio a partir de miles de imágenes reales de aerogeneradores, que fueron anotadas para identificar distintos tipos de fallas. Sobre este dataset se entrenaron y evaluaron modelos de aprendizaje profundo basados en la arquitectura YOLOv8, explorando distintas variantes del modelo y técnicas de aumentación, mejora progresiva de los datos y análisis a nivel de imagen. El modelo final alcanzó un desempeño destacado sobre el conjunto de test, con un mAP@50 (bounding boxes) de 0.8348, lo que demuestra la efectividad del enfoque propuesto para la detección de fallas. Además, se evaluaron otras métricas a nivel de imagen, las cuales también respaldaron la capacidad del modelo para identificar correctamente las im´agenes con fallas. Finalmente, se diseñaron trayectorias de vuelo simuladas para UAVs con el objetivo de capturar imágenes con características visuales similares a las del dataset, asegurando así la compatibilidad con el modelo entrenado. Los resultados indican que el sistema propuesto representa una alternativa precisa, eficiente y viable para asistir en tareas de mantenimiento en parques eólicos del contexto nacional.