Foutdetectie en degradatietrends met behulp van hybride intelligentietechnieken en transfer learning met meerdere databronnen (FWOSB143)

Windenergie zal een grote bijdrage leveren aan hernieuwbare energie in België, dat de vierde grootste producent van offshore windenergie ter wereld is. O&M-kosten maken een aanzienlijk deel uit van de totale energiekosten. Om de O&M-kosten te verlagen, is foutdetectie cruciaal. Faling en degradatie zijn complexe niet-lineaire processen. Het is dus noodzakelijk om technieken te ontwikkelen die zowel in staat zijn tot foutdiagnose als het volgen van degradatie. In dit project wordt er een hybride foutdetectieaanpak voorgesteld die gebruikmaakt van fysische kennis en AI technieken. De AI-modellen zijn getraind adhv signaalverwerkings-data om toenemende fouten te voorspellen en om te compenseren voor de zeldzaamheid van foutdata. De kennis, afgeleid uit data, wordt geëxtraheerd en vergeleken met meerdere bronnen, zoals gelijkaardige windturbines en synthetische data. Verschillende signalen bevatten andere eigenschappen van de windturbines en kunnen gevoeliger zijn bij bepaalde soorten fouten. Tenslotte worden de resultaten van meerdere signalen (bijv. trillingen en temperatuur) samengevoegd om betrouwbare gezondheidsindicatoren te verkrijgen. Het onderzoek wordt gevalideerd op echte data van offshore windparken. Het wordt ook gevalideerd op open-source lab-gegenereerde foutdata om te vergelijken met de state of the art. De onderzoeksresultaten van dit project bieden offshore windoperators betere strategieën voor onderhoud, wat leidt tot een verlaging van de O&M-kosten

Trefwoorden:Machinaal leren, Fout detectie, Windturbines

Disciplines:Machine learning en besluitvorming, Neurale, evolutionaire en fuzzy computation, Akoestiek, geluid en trillingsgerelateerde ingenieurskunde