Dr. Xavier Chesterman van de Vrije Universiteit Brussel (VUB) heeft een systeem ontwikkeld dat defecten bij windturbines vroegtijdig kan opsporen. Door gebruik te maken van artificiële intelligentie (AI) en data-analyse kunnen storingen tijdig worden voorspeld, wat de stilstand van turbines vermindert en onderhoudskosten verlaagt.
Analyse van temperatuurgegevens
Windturbines vallen gemiddeld 8,3 keer per jaar uit, wat een impact heeft op de rentabiliteit. Veelvoorkomende defecten doen zich voor bij de generator, de versnellingsbak en lagers. Dr. Xavier Chesterman ontwikkelde een foutpredictie- en foutdiagnosesysteem dat gebruik maakt van temperatuurgegevens van de aandrijflijn van windturbines. Het systeem analyseert deze data met behulp van machine learning en data mining om afwijkende patronen te detecteren voordat een storing optreedt.
Het onderzoek maakte gebruik van data uit het Supervisory Control And Data Acquisition (SCADA)-systeem en statuslogboeken. De methode werd getest op drie operationele windturbineparken in de Noordzee en de Baltische Zee. De validatie toonde aan dat de meest nauwkeurige foutpredictiemethodologie bepaalde defecten met 80 procent zekerheid kon voorspellen.
Het voorspellen en diagnosticeren van windturbinestoringen is momenteel een probleem dat nog niet afdoend opgelost is. Een nuttige methodologie moet verschillende storingstypes kunnen detecteren voordat ze effectief optreden. De methodologie moet niet alleen in staat zijn om het ogenblik te detecteren waarop een component zich vreemd begint te gedragen, maar ook om patronen in het afwijkend gedrag te interpreteren en het defect te snel af te zijn.
Dr. Xavier Chesterman; VUB
Toepassing op andere machines
Door storingen vroegtijdig te detecteren, kunnen operatoren defecte onderdelen tijdens gepland onderhoud vervangen, wat stilstandtijd en kosten verlaagt. Chesterman wil in vervolgonderzoek zijn analysemethoden ook toepassen op andere machines, zoals compressoren en landbouwapparatuur.
lees ook
