Defecten bij windturbines vroegtijdig voorspellen
Dr. Xavier Chesterman, onderzoeker aan de VUB, heeft een systeem ontwikkeld waarmee het uitvallen van windturbines door vroegtijdig falen van onderdelen voorspelbaar wordt. “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 de onderzoeker, die zijn doctoraat wijdde aan de problematiek.
Zowel op zee als op het land
Vroegtijdig falen van turbineonderdelen leidt tot stilstand van windturbines, en heeft daarmee een grote impact op de rentabiliteit. Gemiddeld valt een offshore windturbine 8.3 keer per jaar uit. 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, gespecialiseerd in condition monitoring. Daarbij wordt aan de hand van de data die de sensoren op de windturbine genereren en artificiële intelligentie de toestand van de machine bewaakt.
“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.”
Automatisch foutpredictie- en foutdiagnosesysteem
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.
Het systeem van Chesterman 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 abnormale gedrag van de windturbine”, zegt Chesterman.
Zekerheid van 80 procent
Chesterman: “Het systeem maakt gebruik van artificiële intelligentie, meer specifiek machine learning en datamining. 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", zegt Chesterman. De onderzoeker wil nu in zijn postdoc-onderzoek nog een stap verder gaan door zijn data-analyse ook los te laten op andere types machines, zoals compressoren en landbouwmachines.
