韩国能源研究院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机叶片和其他关键部件的弯矩和应力。一个典型的涡轮机由大约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工程师需要使用风速、涡轮机转速和现有传感器在不同运行时间捕获的发电量等数据。这将涉及分析多个涡轮机以每天1gb的速率收集的数千个信号。

尽管该团队在机器学习方面缺乏丰富的经验，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，他们必须在紧迫的最后期限前完成任务——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板。

在MATLAB中工作，该团队通过去除异常值并执行平滑和数据简化来预处理传感器数据，例如，通过消除涡轮机静止时的传感器测量。

利用Statistics and Machine Learning Toolbox™和Curve Fitting Toolbox™，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组件负载值的能力，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到一个应用程序中。他们通过一个用于监控涡轮机运行的仪表板与KIER的同事分享了这个应用程序。

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

• 开发时间缩短了一半。“如果我们使用像Python这样的开源替代方案，就会花更多的时间来预处理数据，开发可靠的诊断算法，并创建一个仪表板，”Choi说。“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%以上的预测精度。“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%，”Choi说。“有了这种精度，我们可以开发风力涡轮机预测性维护系统，通过提前诊断故障，每年为每台涡轮机节省数百万美元。”
• 紧迫的最后期限完成了。“MATLAB使我们能够以各种文件格式处理大量数据，”Choi指出。“借助MATLAB，我们能够分析多个信号的相关性，减少数据，并在紧迫的6个月项目期限内完成算法开发。”