Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)AGUIRRE, JAIROVILLADA AGUIRRE, JUAN CAMILOESPINOSA MARIN, WILMER FABIAN2024-02-282024-02-282023-11-24http://repositorio.uan.edu.co/handle/123456789/9478Este trabajo presenta una propuesta innovadora para enfrentar los retos de mantenimiento en la energía eólica. Se pretende instaurar un sistema de monitoreo avanzado diseñado para identificar anomalías y sobrecalentamientos en las cajas de cambios de las turbinas eólicas mediante el uso de Raspberry Pi y tecnología IoT. El objetivo primordial consiste en potenciar la eficiencia y confiabilidad de las turbinas mediante un enfoque proactivo en el mantenimiento. El sistema recopilará datos en tiempo real sobre la temperatura de las cajas de cambios, posibilitando una evaluación constante de su estado operativo. La identificación temprana de fluctuaciones térmicas permitirá la toma de decisiones informadas y la reducción de costos asociados con reparaciones imprevistas, transformando la gestión de activos en la industria eólicaspaAcceso abiertoMonitoreoTurbinas EólicasCaja de CambiosRaspberry PiTecnología IOTSensor de TemperaturaMantenimiento PredictivoTrabajo de grado (Pregrado y/o Especialización)MonitoringWind turbineGearboxRaspberry PiIoT technologyTemperature sensorPredictive Maintenanceinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf21.Huang, M., Liu, Z., & Tao, Y. (2020). Mechanical fault diagnosis and prediction in IoT based on multi-source sensing data fusion. Simulation Modelling Practice and Theory, 102, 101981. 2. Sequeira, C., Pacheco, A., Galego, P., & Gorbeña, E. (2019). Analysis of the efficiency of wind turbine gearboxes using the temperature variable. Renewable Energy, 135, 465-472. 3. Xia, T., Dong, Y., Pan, E., Zheng, M., Wang, H., & Xi, L. (2021). Fleet-level opportunistic maintenance for large-scale wind farms integrating real-time prognostic updating. Renewable Energy, 163. 4. Smith, J. K., & Johnson, A. B. (2018). Renewable Energy: Physics, Engineering, Environmental Impacts, Economics and Planning. Elsevier. 5. Wiser, R., & Bolinger, M. (2015). 2014 Wind Technologies Market Report. Lawrence Berkeley National Laboratory. 6. Hameed, Z., Awan, A. S., & Ali, A. (2019). Gearbox failure analysis in wind turbines: A review. Renewable and Sustainable Energy Reviews, 103, 135-149. 7. Gao, X., & Dai, H. (2017). Condition Monitoring and Fault Diagnosis of Wind Turbine Gearboxes: A Review. Renewable and Sustainable Energy Reviews, 70, 1202- 1213. 8. García-Miquel, H., Roselló, J., & Guzmán, J. L. (2018, October). Wind turbine gearbox fault detection using statistical analysis of vibration signals. In 2018 IEEE Energy Conversion Congress and Exposition(ECCE) (pp. 5374-5381). IEEE. 9. Chen, X., Chen, Z., & Yang, Y. (2017, July). Research on Wind Turbine Gearbox Fault Diagnosis Based on Machine Learning. In 2017 4th International Conference on Electrical and Electronics Engineering (ICEEE) (pp. 99-104). IEEE. 10. Basu, S., Nazario, C., & Fish, G. (2021, August 16). Choosing the right lubricant for today’s wind turbines. WIND POWER ENGINEERING.instname:Universidad Antonio Nariñoreponame:Repositorio Institucional UANrepourl:https://repositorio.uan.edu.co/