Supervisión, Control y Adquisición de Datos (SCADA)
Tendencias en automatización
Esta sección presenta diversos estudios de aplicación de sistemas SCADA para la adquisición y gestión de datos en procesos industriales.
- Video:¿Qué es SCADA?
- Fuente:Youtube
Latencies in Power Systems: A Database-Based Time-Delay Compensation for Memory Controllers
Latencias en sistemas de energía: compensación de atraso de tiempo basada en bases de datos para controladores de memoria
Este documento presenta un enfoque de compensación mejorado de tiempo de atraso (EDTC) para la gestión de la variación de los tiempos de atraso desde la perspectiva de red de latencia en lugar de tiempo muerto. Este enfoque aprovecha el procedimiento de transmisión de señales y mediciones reales en WAMS (Sistemas de medición de amplia cobertura), construyendo un control de memoria de circuito cerrado para sistemas de energía. Aunque las pruebas del enfoque propuesto fueron satisfactorias, es necesario realizar estudios adicionales para examinar el desempeño de la herramienta en sistemas de energía más grandes con canales diversos, al igual que el tiempo de atraso en las señales de control durante el periodo de transmisión desde el centro de control a los generadores.
Este trabajo fue realizado por Alexander Molina-Cabrera (Universidad de los Andes, Bogotá D.C., Colombia; Universidad Tecnológica de Pereira, Pereira, Colombia), Mario A. Ríos (Universidad de los Andes, Bogotá D.C., Colombia), Yvon Besanger, Nouredine Hadjsaid (Universite Grenoble Alpes, Grenoble, France) y Oscar Danilo Montoya (Universidad Distrital Francisco José de Caldas, Bogotá D.C., Colombia; Universidad Tecnológica de Bolívar, Cartagena, Colombia) para Electronics (Vol. 10, núm. 2, p. 208, 2021), una revista con un enfoque en estudios sobre electrónica y sus aplicaciones. Esta es una publicación de MDPI, una plataforma de revistas científicas de acceso abierto operada por MDPI Verein (Basilea, Suiza). Correo de contacto: [email protected]
Deep Learning Method for Fault Detection of Wind Turbine Converter
Método deep learning para detección de fallas en convertidor de turbinas de viento
El convertidor es un componente importante en los sistemas de transmisión de potencia de turbinas eólicas por lo que la detección y predicción de fallas potenciales es esencial para el mantenimiento y operación de las turbinas eólicas. En este sentido, el artículo propone un enfoque para la detección de fallas en estos sistemas por medio de modelos de redes neuronales convolucionales desarrollados a partir del sistema de datos SCADA de turbinas eólicas. Fue posible comprobar la efectividad del modelo de redes AOC–ResNet50 en la detección de fallas al realizar una comparación con otros modelos de redes neuronales convolucionales para deep learning.
Este estudio fue desarrollado por Cheng Xiao (Hebei University of Technology, Tianjin, China; North China Institute of Aerospace Engineering, Langfang, China), Zuojun Liu (Hebei University of Technology, Tianjin, China), Tieling Zhang (University of Wollongong, NSW, Australia) y Xu Zhang (AT&M Environmental Engineering Technology Co., Ltd., Beijing, China) para Applied Sciences (Vol. 10, núm. 4, p. 1443, 2020), una revista que abarca estudios en todas las áreas de las ciencias naturales aplicadas. Esta es una publicación de MDPI, una plataforma de revistas científicas de acceso abierto operada por MDPI Verein (Basilea, Suiza). Correo de contacto: [email protected]
