Lopend

REWIND | Operationeel onderhoud voor windenergie

Regio:

Brussel

Gefinancierd door

Het doel van het REWIND-project is een verhoogde productiviteit en een slimmere windenergieopwekking te bereiken, dankzij optimaliserende monitoring- en modelleringstechnieken, mogelijk gemaakt door kunstmatige intelligentie (AI) en digitale tweelingen (digital twins). Hiertoe werken de projectpartners aan dataverrijking, met het oog op de productie van hoogwaardige geannoteerde gegevens uit grondonderzoek, en koppelen zij AI-oplossingen voor operationele monitoringgegevens uit windparken aan een meerschalige windenergie-modelketen voor geavanceerde foutdetectie en -diagnose, om zo de voorspellende onderhoudsmogelijkheden te verbeteren. Op die manier kunnen slimme KPI's worden gedefinieerd die de exploitanten van windparken ondersteunen in hun besluitvormingsprocessen.

Context

De behoeften van windparken aan monitoring en diagnoses worden met het jaar complexer en veeleisender. Momenteel worden suboptimale prestaties van windturbines doorgaans gedetecteerd en geanalyseerd via een semihandmatige top-downbenadering: vloot, site, turbine. Als gevolg hiervan zijn foutanalyses en -diagnoses tijdrovend, afhankelijk van experts en vaak weinig nauwkeurig. Dat betekent weer dat verscheidene problemen met suboptimale prestaties en pannes vaak niet worden opgemerkt of verkeerd worden gediagnosticeerd. Soms wordt de onderliggende oorzaak zelfs nooit geïdentificeerd.

Deze beperkingen zijn grotendeels te wijten aan de beperkte mate van automatisering, en dat is waar AI goed van pas zou komen. AI kan helpen om intelligente, begrijpelijke inzichten af te leiden uit het complexe machinepark van windturbines, dat gepaard gaat met talrijke non-lineaire mechanische, elektrische en thermische interacties. Het gebrek aan hoogwaardige data uit grondonderzoek voor training en voor de evaluatie van AI-modellen is hierbij evenwel een probleem. In het bijzonder betekent dit gebrek aan betrouwbare, geannoteerde data dat AI-oplossingen momenteel nog geen exact gekwantificeerde en realistische cijfers kunnen verschaffen over nauwkeurige en betrouwbare foutdiagnoses.

Doelstelling

De uitkomsten van het project moeten de tools en kennis leveren voor geoptimaliseerde onshore en offshore windturbineoperaties, aan de hand van slimme, automatische foutdetecties en geavanceerde diagnoses waarmee de risico's beperkt kunnen worden en betere beslissingen worden genomen. De voorziene oplossingen zijn, o.a., een 'Virtual Met Mast'-service, detectie van sensorstoringen, analyse van verkeerd afgestemde draai- en kantelbewegingen, detectie van fouten in de aandrijflijn, kwantificering van teruglopende prestaties en raming van de resterende levensduur van de componenten. Deze oplossingen worden via dit project gevalideerd in een industrieel relevante omgeving (TRL5).

Benadering

We vertrouwen voor het project op onze directe toegang tot ruim 15 GW aan gegevens uit de operationele monitoring van windturbines, via SynaptiQ, 3E’s platform voor monitoring en vermogensbeheer waarop meer dan 10.000 wind- en zonneparken zijn aangesloten. Daarnaast zal de medewerking van een gebruikersgroep, bestaande uit selecte klanten van 3E, extra inzichten opleveren over technische aangelegenheden en toegang verschaffen tot O&M-informatie en velddata. Zo kan de waarde van de monitoringgegevens verder worden verrijkt.