Wind Turbine Maintenance Log Labelling Framework: LLM-Driven Data Correction and Enrichment via Semantic Extraction of Reliability Intelligence

Resumen Técnico: Corrección y Enriquecimiento de Datos Impulsado por LLM para Registros de Mantenimiento de Aerogeneradores

Declaración del Problema
A medida que las flotas de aerogeneradores envejecen, la optimización de la operación y el mantenimiento (O&M) es crítica para extender la vida útil del servicio y reducir el costo nivelado de la energía. Sin embargo, existe un cuello de botella significativo en el sector de la ingeniería de confiabilidad: la valiosa inteligencia de fallas está atrapada en entradas de lenguaje natural no estructuradas en los registros históricos de mantenimiento. Estos registros, almacenados en Sistemas de Gestión de Mantenimiento Computarizado (CMMS), sufren problemas sistémicos de calidad de datos, incluyendo códigos de sistemas jerárquicos faltantes o incorrectos, ambigüedad semántica y etiquetas de tipo de mantenimiento genéricas o inexactas.

Las metodologías de confiabilidad tradicionales, como el Análisis de Modos de Falla y Efectos (FMEA), dependen en gran medida del juicio subjetivo de expertos para curar los modos de falla y asignar parámetros de riesgo porque la verdad empírica permanece bloqueada en el texto no estructurado. Además, los enfoques automatizados existentes que utilizan Procesamiento de Lenguaje Natural (NLP) y Aprendizaje Automático (ML) tradicional requieren conjuntos de datos de entrenamiento masivos y etiquetados manualmente, y a menudo introducen clasificaciones algorítmicas erróneas que sesgan los cálculos de confiabilidad posteriores. La industria carece de un flujo de trabajo escalable y automatizado capaz de transformar estas observaciones cualitativas de campo en métricas de confiabilidad cuantitativas y legibles por máquina.

Metodología
El artículo presenta un marco novedoso y agnóstico al modelo que aprovecha los Modelos de Lenguaje de Gran Tamaño (LLMs) para corregir, estructurar y enriquecer autónomamente los registros de mantenimiento. La metodología opera sobre un conjunto de datos de 16,316 registros de mantenimiento de 280 aerogeneradores en 32 parques terrestres, monitoreados durante nueve años (2017–2026).

El flujo de trabajo automatizado ejecuta un proceso secuencial de múltiples fases:

1. Integración de Base de Datos y Preprocesamiento: El sistema fusiona datos de las tablas WORKORDER, WORKLOG y FAILURECODE para crear una descripción cronológica unificada para cada intervención, eliminando ruido sintáctico e identificadores sensibles.
2. Alineación de Taxonomía y Corrección de Códigos de Sistema: Utilizando el Sistema de Designación de Referencia para Plantas de Energía (RDS-PP) como base, el LLM realiza una auditoría de tres pasos: corrigiendo las clasificaciones erróneas del sistema de pitch (frecuentemente clasificadas incorrectamente bajo las palas del rotor), recuperando códigos de sistema faltantes y auditando las discrepancias semánticas entre los códigos asignados y las descripciones de texto.
3. Extracción Semántica de Taxonomías Empíricas: Los registros se agrupan por códigos de sistema corregidos y topologías de componentes específicos (por ejemplo, sistemas de pitch eléctricos frente a hidráulicos). El LLM analiza estos lotes para construir diccionarios basados en evidencia de acciones de mantenimiento y modos de falla, definiendo los modos de falla mediante un nombre, un mecanismo dominante, un síntoma observado y una causa candidata.
4. Etiquetado Granular: El LLM procesa los registros individuales para aplicar las taxonomías derivadas. Reclasifica los tipos de mantenimiento (por ejemplo, distinguiendo entre reparaciones correctivas, inspecciones y reinicios) y asigna etiquetas de acción específicas. Crucialmente, el sistema emplea un marco de razonamiento de Cadena de Pensamiento (CoT), requiriendo que el modelo genere una justificación y una puntuación de confianza autoasignada antes de finalizar una etiqueta.
5. Salvaguardas y Validación: El flujo de trabajo incorpora reglas deterministas para manejar eventos que no son fallas (por ejemplo, inspecciones de rutina) y "categorías de escape" para datos no informativos. Una muestra aleatoria de 300 registros fue revisada manualmente, mostrando una tasa de acuerdo del 80–90% entre los resultados del LLM y el juicio experto.

Contribuciones Clave

• Estructuración Autónoma de Datos: El marco logró estructurar más del 70% del conjunto de datos, corrigiendo autónomamente los códigos de sistema jerárquicos y extrayendo perfiles granulares de modos de falla sin la necesidad de datos de entrenamiento previamente etiquetados manualmente.
• Corrección de Clasificaciones Sistémicas: El estudio identificó y resolvió errores generalizados, como la clasificación errónea de fallas del sistema de pitch bajo categorías más amplias de palas del rotor y el etiquetado erróneo de inspecciones como reparaciones correctivas.
• Generación de Taxonomía Basada en Evidencia: A diferencia del FMEA tradicional que depende de paneles de expertos subjetivos, este método deriva diccionarios de modos de falla directamente de la evidencia histórica agregada, capturando mecanismos de degradación dominantes y causas candidatas específicas para diferentes topologías de hardware.
• Flujo de Trabajo Escalable y Rentable: El enfoque demuestra que los LLMs pueden procesar datos industriales complejos en una fracción del tiempo y costo de una revisión experta manual, con un costo total de procesamiento de aproximadamente $370 para todo el conjunto de datos (aprox. $0.0226 por registro).

Resultos
La aplicación del flujo de trabajo produjo cambios cuantitativos y cualitativos significativos en los datos:

• Recuperación de Códigos de Sistema: El 73.0% de los registros con defectos jerárquicos fueron reetiquetados con éxito. Notablemente, la extracción del sistema de pitch alcanzó una tasa de éxito del 99.1%, aislando fallas que antes estaban ocultas bajo códigos genéricos.
• Corrección de Tipo de Mantenimiento: El 24.50% del conjunto de datos global tuvo su tipo de mantenimiento corregido. Un hallazgo importante fue la reclasificación de muchos registros "correctivos" hacia categorías de "preventivo" o "inspección", lo cual es vital para cálculos precisos de tasas de falla.
  el flujo de trabajo recuperó etiquetas de acción específicas para el 8.27% de los registros previamente vacíos e invirtió la relación histórica de "reparaciones" frente a "reemplazos", revelando que los reemplazos eran mucho más comunes de lo que sugerían las etiquetas genéricas de "reparación".
• Extracción de Modos de Falla: Al 71.5% del conjunto de datos se le asignó un perfil de modo de falla integral. El diccionario resultante destacó vulnerabilidades específicas, como daños en el revestimiento de las palas y desprendimiento de sensores de vibración, y reveló perfiles de degradación distintos entre los sistemas de pitch eléctricos e hidráulicos.
• Impacto Analítico: Los datos estructurados alteraron los rankings percibidos de las tasas de falla de los sistemas principales. Por ejemplo, el sistema de pitch emergió como una categoría distinta (9.67% de los datos), mientras que las tasas de falla percibidas de las palas del rotor y los sistemas hidráulicos disminuyeron significativamente tras eliminar los eventos que no son fallas y corregir las clasificaciones erróneas.

Significancia
El artículo sostiene que esta metodología proporciona un plano altamente escalable y rentable para traducir observaciones cualitativas de campo en métricas de confiabilidad cuantitativas. Al ir más allá de la simple clasificación de texto hacia un razonamiento semántico profundo, el marco aborda la subjetividad inherente del FMEA tradicional y los cuellos de botella de datos de los enfoques de ML heredados.

La significancia reside en su capacidad para:

1. Desbloquear Datos Históricos: Hacer que décadas de registros de mantenimiento no estructurados sean accesibles para la analítica avanzada de confiabilidad y el análisis de causa raíz.
2. Estandarizar Prácticas de la Industria: Ofrecer un camino para la transición de taxonomías estáticas y teóricas hacia taxonomías de mantenimiento dinámicas y basadas en evidencia derivadas de los datos operativos reales.
3. Habilitar Analítica Avanzada: Sentar las bases para un análisis de causa raíz integrado, un FMEA mejorado con parámetros de riesgo rigurosamente cuantificados (ocurrencia, severidad, detección) y estrategias avanzadas de mantenimiento predictivo en todo el sector de las energías renovables.

Los autores enfatizan que, si bien el estudio se centra en los aerogeneradores, la arquitectura modular es aplicable a otras industrias pesadas que dependen de CMMS, siempre que se proporcione una taxonomía específica del dominio. El trabajo concluye que este enfoque representa un cambio sistémico hacia la gestión de activos basada en evidencia, reduando la dependencia de la estimación subjetiva de los expertos.