Neurale netværk kan forudsige, hvornår møllens tandhjul knækker

Hvert af de 10.187 prikker på skærmen repræsenterer en Siemens-vindmølle et sted i verden. Farven angiver dens driftsstatus. Illustration: Siemens
Vibrationsdata fra møllers såkaldte drivtog – hovedleje, gearkasse og generator – anvendes i en datadreven metodik, hvor Siemens Wind Power bruger machine learning til at forudsige og identificere, om en komponent er gået i stykker.

Fra et kontrolrum i Brande overvåger Siemens Wind Power vindmøller over hele verden. Ved hjælp af kunstig intelligens er computerne efterhånden bedre til at forudsige skader end Siemens’ egne ingeniører.

Det er umiddelbart svært at tro, men hvis man tæller godt efter, skulle der faktisk være præcis 10.187 røde, gule, grønne og blå prikker på den 230 tommer store skærm.

Hver især repræsenterer de en Siemens-vindmølle et sted i verden, der er i drift denne tirsdag eftermiddag i november. Alle overvåges de via skærmen på endevæggen her i Siemens Wind Powers overvågningscenter i Brande, som hver uge fodres med millioner af data fra de godt 400 sensorer, der er monteret på hver mølle.

Vibrationer, tryk, temperatur, accelerationer. I alt mere end 2.300 driftsparametre pr. mølle. Alle data ryger til Brande, der er kommandocentralen i det beredskab, som skal sikre, at samtlige vindmøller kører optimalt.

Dermed kan Siemens populært sagt forudsige et knækket tandhjul i en gearkasse eller en revne i et leje, før skaden indtræffer, og dermed lave forebyggende vedligehold på f.eks. tandhjul, inden det tager hele gearkassen med sig i faldet.

Artiklen fortsætter under grafikken.

Databasen er hjertet

Det er et beredskab, som takket være klodens fintmaskede net af kobber- og fiberkabler strækker sig fra de enkelte vindmøller over overvågningscentret i Brande til den servicetekniker, som til sidst står med skruetrækkeren i hånden onsite og udskifter tandhjulet – efter at vindmøllen selv har bedt ham komme derud.

Hjertet i det beredskab er en central database i Brande kaldet WFDB (Wind Farm Data Base), hvori samtlige driftsdata fra vindmøllerne og deres net lagres.

Det er herfra, dygtige vibrationsspecialister, softwareingeniører og andre specialister trækker data ud af systemerne og leder efter sammenhænge og mønstre.

Og her får de menneskelige hjerner i stigende grad assistance fra lynhurtig processorkraft. Kombinationen af processorkraft og milliarder af tilgængelige data har nemlig accelereret udviklingen af ekstremt komplekse og pålidelige modeller.

Tør man stole på computeren?

Det kan vibrationsekspert Karsten Fyhn tale med om. Hans team analyserer på vibrationsdata fra møllernes såkaldte drivtog – hovedleje, gearkasse og generator – og her bevæger man sig i stigende grad væk fra modeller baseret på en fysisk forståelse af et system til en datadreven metodik, hvor Siemens Wind Power bruger machine learning til at forudsige og identificere, om en komponent er gået i stykker, fortæller han.

Det sker i Siemens’ egenudviklede platform Pythia. Og brugen af kunstig intelligens tegner så lovende, at vibrationsafdelingen har ansat en erhvervs-ph.d. til at udvikle på neurale netværk, altså computersystemer, der er baseret på den menneskelige hjerne og i praksis bliver selvlærende, i takt med at systemerne fodres med data.

De første neurale netværk inden for temperaturmodeller er nu ved at blive rullet ud og skal testes ude på vindmøllerne.

»Det er interessant, at vi med vores machine learning-algoritmer er ved at nå dertil, hvor computeren kan forudsige skaden, før vi kan. Det er lidt spøjst, at man begynder at have en computermodel med en personlighed, der måske kan se noget, før vi kan. For skal man så gå over og udelukkende lytte til den?« spørger Karsten Fyhn.

Svimlende datamængder

Det skal man selvfølgelig ikke i alle tilfælde, understreger både han og kollegaen Dan Frederiksen. I nogle sager vil der sandsynligvis altid sidde et menneske for enden af kæden og kvalitetssikre modellerne.

Værdien ligger snarere i, at de neurale netværk kan sortere i dataene og se mønstre langt hurtigere end mennesker, forklarer Dan Frederiksen.

Som softwareingeniør sidder han i et fem mand stort team, som ud fra møllernes driftsdata udvikler modeller, der eksempelvis kan forudsige eksempelvis temperaturudviklingen i en generator – såkaldt Model Based Diagnostics (MBD).

Her bruger man allerede neurale netværk til at lede efter sammenhænge i de milliarder af data, som logges hver uge – i gennemsnit logger hver sensor data ti gange i sekundet.

Ud fra sensordata som produceret power, ambienttemperatur, nacelletemperatur og generatorens omdrejningstal kan det neurale netværk for eksempel forudsige, hvad den korrekte øjeblikkelige temperatur er for gearoliens temperatur – simpelthen fordi den er blevet oplært via tusinder af års måledata fra vindmøllerne. Er den øjeblikkelige temperatur for høj, er der noget galt.

»De her neurale netværk har en stor kommerciel værdi, for det ville være helt umuligt for os at overvåge de millioner af sager, vi har kørende hver uge. Med de svimlende datamængder, vi får ind, og med alle de sager, vi kører, kunne en afdeling som vores sagtens bestå af 30 mand, hvis ikke vi havde neurale netværk. Nu sidder vi altså kun fem,« fortæller Dan Frederiksen.

Verdensmestre i dataopsamling

Da Siemens Wind Power implementerede MBD-systemet for otte år siden, lagde man ud med 10-20 modeller. I dag har man i skrivende stund i omegnen af 500.

De er afgørende for, at Siemens Wind Power og virksomhedens kunder kan minimere antallet af servicebesøg på især havvindmøller – besøg, der let kan løbe op i 20.000-30.000 kroner.

Hver gang en ny mølle kommer i drift et sted på kloden, går der ikke mange dage, før samtlige computermodeller i systemet er opdateret, fortæller Dan Frederiksen.

»Mange andre virksomheder er blevet gode til at se, at vi skal have sensorer, og at vi skal opsamle data centralt, men det er ikke særlig mange, som endnu er gode til at bruge de her data til noget fornuftigt. Dér er det vores held, at Siemens allerede for ti år siden var verdensmestre i at opsamle og lagre data,« konstaterer han.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Følg forløbet
Kommentarer (1)
Log ind eller Opret konto for at kommentere
Pressemeddelelser

Welcome to the Cloud Integration Enablement Day (Bring your own laptop)

On this track, we will give you the chance to become a "Cloud First" data integration specialist.
15. nov 2017

Silicom i Søborg har fået stærk vind i sejlene…

Silicom Denmark arbejder med cutting-edge teknologier og er helt fremme hvad angår FPGA teknologien, som har eksisteret i over 20 år.
22. sep 2017

Conference: How AI and Machine Learning can accelerate your business growth

Can Artificial Intelligence (AI) and Machine Learning bring actual value to your business? Will it supercharge growth? How do other businesses leverage AI and Machine Learning?
13. sep 2017
Jobfinder Logo
Job fra Jobfinder