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

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