Hvad ved du om neurale netværk? Siemens bruger det til at fjerndiagnosticere havvindmøller

Metodikker udviklet inden for machine learning over de seneste 30 år er i dag med til at understøtte Siemens Wind Power Services overvågning af store vindmølleparker.

Siemens Wind Power i Brande servicerer en global flåde på ca. 9.000 vindmøller, der hver har ca. 400 sensorer.

Tallet kan ikke bestemmes helt nøjagtigt, da mange datakanaler kan være f.eks. delvist beregnede værdier fra møllens controllere og hovedcomputer, men et godt bud er, at i alt er der ca. tre millioner sensorer installeret, som man holder øje med fra Siemens Wind Power Service i Brande.

Sensorerne viser f.eks., hvor hurtigt møllen roterer i generatoren, (som værdi kaldet genrpm), hvor varm gearolien er (som værdi kaldet geoiltmp), hvor varme skabene er, hvor meget smøreapparaterne smører (værdi: genlubticks) osv.

Da datakanaler typisk logges 10 gange i sekundet, foretager sensorerne ca. 18.000 mia. målinger om ugen. Data fragtes til store databasesystemer kaldet WFDB (Wind Farm Data Base) i Brande, hvor de så behandles og anvendes til fjerndiagnose og prognose af vindmøller.

»Da det kan koste 30.000 kroner at sende to montører ud til en offshore-vindmølle for at reparere fejl, er det en stor gevinst, at de ved, hvad der er galt, og kan have de rigtige reservedele med og kan ordne mest muligt. Det reducerer prisen per fejl meget,« siger softwareingeniør Dan Frederiksen, som er med i det team, som har udviklet og implementeret løsningen.

It-indsatsen går på at spotte fejl på vindmøller i databjerget, men serviceafdelingen har over de seneste år også udviklet et system kaldet MBD (Model Based Diagnostics), der kan klare den sag.

Læs også: Plug-and-play ERP og CRM stormer frem – men er det lykken?

MBD kan arbejde med grundlæggende to forskellige 'modeller' for, om noget er galt. Den mest klassiske er, at operatøren giver systemet nogle regler for, om noget er galt.

Eksempelvis er det givet, at værdien naceltmp er højere end værdien ambietmp i gennemsnit, og derfor kan man give systemet reglen, at hvis middel (naceltmp minus ambietmp) er under -5 over det seneste måned, skal der gives en fejlmarkering, for så er en sensor i udu eller fejlplaceret.

Læs også: Intelligent software kan overgå mennesket i at knuse data - men være svær at kontrollere

Igennem MBD-databehandlingssystemet bliver fejlmarkeringen bekræftet, og man kan nu gennem selskabets MORS-sagsbehandlingssystem fortælle vindparken, at en sensor ikke fungerer på en mølle.

»I vindparken vil de ordne fejlen og give os feedback, så vi kan gøre modellen bedre. Dette er et meget simpelt eksempel på en type modeller, hvor du bruger erfaring fra ingeniører og servicefolk og fysikkens ligninger til at fange fejl,« siger Dan Frederiksen.

Til sammenligning arbejder man med regelstyrede modeller, som ville fylde op mod 1.000.000 symboler, hvis man skrev dem fuldt ud.

»At udarbejde disse modeller kræver, at man udkrystalliserer mest mulig erfaring fra servicemontører, ingeniører og alle andre i en organisation, som sidder inde med mølleviden,« siger Dan Frederiksen.

Metodikker inden for machine learning

En anden type regler bygger på f.eks. neurale netværk, support vector machines, nearest neighbours, decision trees eller andre metodikker udviklet inden for machine learning over de seneste 30 år. Ideen i alle disse er, at et selvlærende system, lærer sig, hvordan noget 'skal se ud i en vindmølle'.

Eksempelvis kan man implementere et neuralt netværk, der skal lære at forudsige temperaturen af gearolien ved at se på omgivelsernes tmp, ambietmp, produceret power, actpower, vindhastigheden acwindsp, hastigheden af rotor, genrpm, og flere andre datakanaler.

»Du kan nu på hver vindmølle træne dit neurale netværk på historiske data, så det altid ved, hvad geoiltmp skulle være. Dette er din 'target'-værdi. I fremtiden vil du nu sammenligne det neurale netværks værdi for den rigtige geoiltmp med den, som rent faktisk bliver målt i møllen, kaldet model,« siger han.

Hvis oliekøleren stopper på grund af f.eks. bomuldshøst, bliver temperaturen pludselig f.eks. 10 grader celsius højere end target, og så ved man, at noget er galt.

Læs også: Computeralgoritmer kan finde kræftsvulster på 4 pixel

Kombination af modeller øger robusthed

Ofte opnås de bedste resultater, når man kombinerer modellerne, da det indebærer flere uafhængige tjek af de samme fænomener. Det medfører en øget robusthed.

»Men det kræver også, at man kombinerer mange forskellige slags informationer om mølleregulering, fysik, matematik, machine learning, erfaring fra montører osv. i en platform, der integrerer det hele, og det er netop det, som vi har udviklet over de seneste år,« siger Dan Frederiksen.

»Det har været en sej kamp, vi er blevet mødt med meget skepsis, og på et tidspunkt blev hele projektet nedlagt i et år, inden Service tog det op igen på helt egen hånd, investerede betydeligt i det og fik det til et virke, så vi nu er blandt de bedste i verden til modelbaseret overvågning,« siger Dan Frederiksen.

På konferencer rundt omkring i verden er det tydeligt, at udviklingen går hurtigt, og mange andre er nu på sporet.

»Men de sidder med overvejelser og problemer, som vi sad med for 3 år siden, så vi er ikke i tvivl om, at vi er foran - men vi arbejder altid under fornemmelsen af, at et ulvekobbel er efter os,« siger Dan Frederiksen.

Forspring med software har kort holdbarhed

Inden for It-verdenen varer forspring ikke længe. Det er nødvendigt konstant at udvikle nyt, men Siemens Wind Power-folkene 'har masser af ideer'. Men historien bag MBD er ret usædvanlig, da det i høj grad var brugerne af it-services, der overtog udviklingsopgaven.

»Sådan noget kan vist kun forekomme i lande og firmaer, hvor folk er vokset op med en stor tro på egen evne til at sætte ting i værk.«

Men i kraft af den holdning har Service i Brande også formået at skabe et stærkt udviklingsmiljø inden for intelligent fjerndiagnose inden for mange forskellige områder. Det handler ikke alene om MBD, men om mange forskellige systemer, og det har kunnet lade sig gøre, fordi Service i Brande har ophobet en enorm mængde viden om vindmøller de seneste 20 år.

»Vores projekt kunne ikke være gennemført uden den viden og erfaring, som Services mange veteraner har bidraget med. Det er i høj grad organisationens projekt og succes.«

Hædret af kollegerne i Siemens

I sidste uge fik afdelingen så den ultimative anerkendelse fra Siemens' globale organisation, da man kom på en delt andenplads i den nye Werner von Siemens Award, der blev uddelt for første gang i år - kun overgået af et rent tysk team, der har opfundet en robottaxi for flyvemaskiner.

Siemens-koncernen med omkring 370.000 medarbejdere uddelte den 22. oktober for første gang nogensinde prisen, der skal genoplive pionerånden fra firmaets skabelse i 1847. Selskabet vil med prisen støtte dyder som innovation, ejerskab og kreativitet.

Prisen uddeles inden for seks forskellige områder, hvoraf Ingenuity-kategorien er den eneste, der omhandler teknologiudvikling.

Awarden blev uddelt under SBC, der er den største årlige begivenhed inden for Siemens og inkluderer firmaets 500 øverste chefer. Fra hele verden havde 492 hold tilmeldt sig, og Ingenuity-kategorien fik langt flest bidragydere.

Da Werner von Siemens selv startede sin virksomhed på baggrund af sine opfindelser og tekniske begavelse, og 'Ingenuity for Life' samtidig var temaet for årets konference, var det Ingenuity-kategorien, der løb med størstedelen af opmærksomheden.

De danske deltagere fik andenpladsen for det såkaldte Model Based Diagnostics system, der gør det muligt for Siemens Wind Power med ca. 9.000 globale vindmøller at fejlfinde sig selv ud fra deres millioner af indre sensorer og en avanceret databehandling, der bygger på teamets teknologi.

Artiklen er skrevet med bistand fra Dan Frederiksen

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Følg forløbet
Kommentarer (7)
Lars Jensen

Er idéen i et neuralt netværk ikke at noderne kommunikere internt og udnytter informationer. I denne artikel opsamles og behandles data centralt i Brande og resultatet sendes ikke tilbage til noderne. I min verden er det en stjernetopologi og har intet med neuralt netværk at gøre. Skal I bruge et buzz-word så må det være "Big data".
Ellers en meget spændende artikel, tak!

Mads Thomsen

Et neuralt netværk kan (og bliver i det her tilfælde) bruges til mønstergenkendelse. Historisk data bliver opsamlet om en vindmølle, et netværk trænes med dataen og kan diagnosticere fejl.

Der står endda at "metodikker fra machine learning", "neurale netværk, support vector machines, nearest neighbours, decision trees eller andre metodikker" bruges.

Noderne er objekter (eller lignende) i et program; ikke de enkelte vindmøller.

Ulrik Suhr

Tror den type du referer til er et feedback NN.
Hvor systemet efter endt træning selv kan ændre i nogle af noderne/vægtene .
Men ja man har feedback i alle NN i "oplærings" fasen, men efter endt fase låses de ofte så man har en stabil "reaktion".

Det er en del år siden jeg benyttede det sidst, men denne del er dog lysende klar.

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