韩国能源研究所开发了基于人工智能的海上风电预测维护模型

为了对风力涡轮机进行预测性维护，KIER需要从传感器数据中估计涡轮叶片和其他关键部件上的弯矩和应力。一个典型的涡轮由大约8000个部件组成，在每个部件上安装新的传感器将是非常昂贵的。KIER工程师需要使用现有传感器在不同运行时间捕获的风速、涡轮机转速和发电量等数据。这将涉及分析多个涡轮机以每天1gb的速度收集的数千个信号。

尽管该团队缺乏丰富的机器学习经验，但他们需要快速评估各种机器学习和深度学习方法，以确定可用数据的最佳方法。此外，他们必须在一个紧迫的期限前完成任务——他们的任务是在六个月内交付一个监测涡轮机运行的仪表盘。

该团队在MATLAB中工作，通过去除异常值并进行平滑和数据约简来预处理传感器数据——例如，通过消除涡轮静止时的传感器测量值。

使用统计和机器学习工具箱™和曲线拟合工具箱™，该团队实现了许多机器学习算法，包括基于正则化线性回归、多项式曲线拟合和决策树的算法。他们评估了每种算法预测关键涡轮部件负载值的能力，如叶片弯矩、轴倾斜力矩和轴偏航力矩。接下来，该团队使用深度学习工具箱™来实现和训练人工神经网络(ANN)，并以同样的方式对其进行评估。

工程师们使用MATLAB应用程序设计器为算法创建了图形界面。他们使用MATLAB Compiler™将该接口与算法打包成一个应用程序。他们通过一个用于监控涡轮机运行的仪表盘与KIER的同事共享了该应用程序。

KIER使用累积损伤模型来计算剩余使用寿命(RUL)，并确定何时需要进行维护。他们计划在济州岛KIER海上风电设施的涡轮机健康管理系统中安装基于MATLAB的算法。

• 开发时间缩短了一半。Choi说:“如果我们使用开源的替代方案，如Python，将需要更多的时间来预处理数据，开发合理的诊断算法，并创建一个仪表板。”“我们估计，与这种替代方案相比，使用MATLAB可以将开发时间缩短50%或更多。”
• 达到90%+的预测精度。Choi说:“我们在MATLAB中开发的模型在六个主要部分的预测精度超过90%。”“有了这样的精度，我们可以开发出风力涡轮机预测维护系统，通过提前诊断故障，每台涡轮机每年可以节省数百万美元。”
• 咄咄逼人的期限到了。“MATLAB使我们能够处理各种文件格式的大量数据，”Choi指出。“通过MATLAB，我们能够分析多个信号的相关性，减少数据，并在紧凑的六个月项目期限内完成算法开发。”