Een onderzoeker van de VUB heeft een systeem ontwikkeld waarmee hij het uitvallen van windturbines door vroegtijdig falen van onderdelen voorspelbaar maakt. Hij heeft zich gespecialiseerd in condition monitoring. Daarbij wordt aan de hand van de data die de sensoren op de windturbine genereren én met artificiële intelligentie, de toestand van de machine bewaakt. “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”, zegt Dr. Xavier Chesterman, die over de complexe problematiek zijn doctoraat maakte.
Vroegtijdig falen van turbineonderdelen, die resulteren in een stilstand van de windturbine hebben een impact op de rentabiliteit. Gemiddeld valt een offshore windturbine 8.3 keer per jaar uit (Carroll et al., 2016). Sommige onderdelen, afhankelijk van het type windturbine, zijn gevoelig voor defecten. Het gaat dan dikwijls over de generator, de versnellingsbak of subcomponenten van die onderdelen, zoals lagers en andere bewegende elementen.
De stilstand kost de operatoren, zowel op zee als op het land, veel geld. “Het vervangen van die componenten tijdens het normale onderhoud, kan de onderhoudskosten en de stilstandtijd significant verlagen”, zegt Chesterman. “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.”
De sensoren meten een groot aantal zaken op een turbine, zoals vibraties, abnormale temperatuurstijgingen en nog veel meer. Het hoofddoel van het 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”, aldus Chesterman. “Het systeem maakt gebruik van artificiële intelligentie (AI), meer specifiek machine learning en data mining. De omvang van de data maakt het analyseren en interpreteren van patronen immers moeilijker voor experten. Soms is het een combinatie van verschillende signalen die aangeeft waar de storing zal optreden.”
Het ontwikkelde systeem werd in de praktijk getest op data van drie operationele windturbineparken in de Noordzee en de Baltische Zee. “De validatie toonde aan dat de meest performante foutpredictiemethodologie bepaalde fouten accuraat en vroegtijdig kan ontdekken, met een zekerheid van 80 procent.”
Chesterman wil nu in zijn postdoc-onderzoek nog een stap verder gaan. Hij wil zijn data-analyse ook loslaten op andere types machines, zoals compressoren en landbouwmachines.