ENGINEERINGNET.BE - Vroegtijdig falen van turbineonderdelen, die resulteren in een stilstand van de windturbine hebben een impact op de rentabiliteit.
Dr. Xavier Chesterman: “Als de operatoren kunnen voorzien dat een bepaald onderdeel zal sneuvelen, kunnen ze dat tijdens de normale onderhoudsbeurten vervangen, zodat de turbine niet stil moet liggen.”
Het hoofddoel van zijn onderzoek was de ontwikkeling van een automatisch foutpredictie- en foutdiagnosesysteem voor de aandrijflijn van windturbines.
Hiervoor werden data die standaard beschikbaar zijn gebruikt, namelijk de zogenaamde 10-minuten Supervisory Control And Data Acquisition (SCADA) en data uit het statuslogboek.
Chesterman focuste hoofdzakelijk op één type signalen, temperaturen: zijn systeem moest in staat zijn om storingen en fouten van de windturbine-aandrijflijn op voorhand te voorspellen via de analyse van de temperatuursignalen van verschillende componenten.
Verder moest het systeem ook het fouttype kunnen bepalen op basis van de patronen in het abnormaal gedrag van de windturbine, waarbij het gebruik maakt van machine learning en data mining (AI).
Het ontwikkelde systeem werd in de praktijk getest op data van drie operationele windturbineparken in de Noordzee en de Baltische Zee.
Chesterman: “De validatie toonde aan dat de meest performante foutpredictiemethodologie bepaalde fouten accuraat en vroegtijdig kan ontdekken, met een zekerheid van 80%.”
In zijn postdoc-onderzoek wil hij zijn data-analyse ook loslaten op andere types machines, zoals compressoren en landbouwmachines.
