Condition Based Prognostics and Diagnostics for Wind Turbines

Presentatie over: "Condition Based Prognostics and Diagnostics for Wind Turbines"— Transcript van de presentatie:

1 Condition Based Prognostics and Diagnostics for Wind Turbines
Thomas Kenbeek Goedemiddag, mijn naam is Thomas Kenbeek. Ik wil u graag vertellen over het onderzoek dat ik heb uitgevoerd voor mijn bachelorscriptie.

2 Een consortium dat zich met dit probleem bezig houdt, is DAISY
Een tijd geleden, werd er een windturbine door de bliksem geraakt. De inslag zorgde voor kleine scheurtjes in het rotorblad. De spanningen die hiervan kwamen, zorgden uiteindelijk voor een defect in de generator, waardoor deze defect raakte, en enkele maanden stil moest liggen. Vanuit logistiek oogpunt is dit een ramp. Ten eerste wekt de turbine terwijl hij stil ligt natuurlijk geen stroom op. Verder zijn de reparaties op zich kostbaar (en tijdrovend omdat reserve-onderdelen niet op voorraad liggen), en moeilijk uit te voeren, zeker als de turbines op afgelegen plekken staan, wat met de opkomst van offshore wind farming steeds vaker het geval is. Goede en tijdige foutdetectie is dus van het grootste belang. Een consortium dat zich met dit probleem bezig houdt, is DAISY ++ add that the pictures are from the internet :) Google images 2 Condition Based Prognostics and Diagnostics for Wind Turbines

3 Condition Monitoring System Data Management System
Data Intelligence Analysis Management Dashboard Asset & Maintenance Management Systen wat staat voor Dynamic Asset Information System. Dit is een consortium van verschillende bedrijven en wetenschappelijke instellingen. Het DAISY biedt een complete oplossing van het installeren van smart sensors to het beheren en analyseren van de verzamelde data tot het plannen van onderhoud waarbij rekening wordt gehouden met de beschikbaarheid van de asset en alle relevante logistieke aspecten. Ik was hierbij vooral actief in onderdeel drie, de Data Intelligence Analysis. 3 Condition Based Prognostics and Diagnostics for Wind Turbines

4 Doel: Resultaten Algoritmische aanpak voor condition based maintenance
Tools Big data real time monitoring Adaptieve drempelwaarden Voordelen Tijdige foutdetectie Detectie van complexe fouten (meerdere oorzaken) Empowerment van asset owner Het doel van het onderzoek is geweest om een wiskundig onderbouwd algoritmische aanpak van het monitoring-gedeelte vab condition based maintenance te construeren, waarbij de verzamelde data gebruikt wordt, en hiermee de kosten te verlagen. Dit doel hebben we bereikt door middel van twee tools: Big data real time monitoring: Bij mijn aanpak wordt data van meerdere bronnen gecombineerd, en we hebben Adaptieve drempelwaarden toegepast in plaats van de tot nu toe gebruikelijke statische waarden. Adaptief wil hier zeggen dat gecorrigeerd wordt voor omgevingsfactoren (voorbeeld noemen van winter/zomer externe temperatuur). Ons model weet hier mee om te gaan. Dit heeft een aantal belangrijke voordelen: Fouten kunnen een stuk tijdiger worden gesignaleerd. Complexe fouten, met meerdere oorzaken, worden eerder afgevangen door het systeem. Dit leidt uiteindelijk tot empowerment van de asset owner, die hiermee zelfstandiger zijn onderhoud kan plannen en uitvoeren ipv afhankelijk te zijn van de windturbineproducent. Het contrast tussen de oude en de nieuwe methode valt goed te zien bij de eerder genoemde blikseminslag. 4 Condition Based Prognostics and Diagnostics for Wind Turbines

5 4597 warnings 82 warnings Een van de meetwaarden waarop het onderhoud gepland werd, is de vibratie van de generator. In het oude model, waren er statische grenswaarden voor deze vibratie. 1.06mm/s voor een waarschuwing, en 2.03mm/s voor een alarm. Hier correspondeert de groene pijl met het begin van de eerste verschijnselen, en de rode pijl met het uitvallen van de generator. In ons systeem zijn deze grenzen adaptief gemaakt, en zoals u ziet leidt dit tot een veel grotere dichtheid aan waarschuwingen na de inslag. Er zijn verder een stuk minder false positives in controleperiode daarvoor. Dit laat zien dat we hiermee inderdaad in staat zijn om dergelijke fouten nauwkeuriger én in een vroeg stadium te detecteren, voordat de gevolgen niet meer te overzien zijn. # 82 alarms(above the threshold value 2.12) vs 4597 warnings from our approach 5 Condition Based Prognostics and Diagnostics for Wind Turbines

6 Delta IJssel ECN DIWCM IMS TU/e
Ik wil graag alle betrokken organisaties en hun medewerkers bedanken voor de geboden gelegenheid om deel uit te maken van het DAISY consortium en voor hun input een feedback tijdens mijn bachelorproject Mocht ik uw interesse gewekt hebben, dan kunt u deze QR code volgen. Dit gaat naar een op mijn scriptie gebaseerd artikel, wat ter publicatie aangeboden zal worden aan een wetenschappelijk tijdschrift. 6 Condition Based Prognostics and Diagnostics for Wind Turbines