Published February 1, 2024
| Version v1
Publication
Open
Predictive Maintenance for Offshore Wind Turbines through Deep Learning and Online Clustering of Unsupervised Subsystems: A Real-World Implementation
Description
Abstract Enterprises in increasing numbers allocate substantial expenses to offshore wind energy development as a pivotal component of the global energy transition from fossil fuels, hence the importance of ensuring the reliability of offshore wind technology becomes ever more significant. At the same time, operation and maintenance (O&M) of offshore wind farms are progressively focusing on the integration of artificial intelligence (AI) for enhancing the efficiency and performance of the wind energy facilities. Decision support strategies based on failure predictions are an important element in this trend. As a result, AI is more frequently used to create time-to-failure predictions based on large amount of data collected from sensors deployed to wind turbines. Nevertheless, unsupervised components or subsystems may occasionally lead to failures. This paper presents a real-life example that failures in unsupervised components can be reliably predicted by the use of AI. Two different methods, Support Vector Machine and Long Short Term Memory, are presented and their limitations and advantages discussed.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تخصص الشركات الملخصة بأعداد متزايدة نفقات كبيرة لتطوير طاقة الرياح البحرية كعنصر محوري في انتقال الطاقة العالمية من الوقود الأحفوري، وبالتالي تصبح أهمية ضمان موثوقية تكنولوجيا الرياح البحرية أكثر أهمية من أي وقت مضى. في الوقت نفسه، يركز التشغيل والصيانة (O&M) لمزارع الرياح البحرية بشكل تدريجي على دمج الذكاء الاصطناعي (AI) لتعزيز كفاءة وأداء مرافق طاقة الرياح. تعد استراتيجيات دعم القرار القائمة على تنبؤات الفشل عنصرًا مهمًا في هذا الاتجاه. نتيجة لذلك، يتم استخدام الذكاء الاصطناعي بشكل متكرر لإنشاء تنبؤات وقت الفشل بناءً على كمية كبيرة من البيانات التي تم جمعها من أجهزة الاستشعار المنتشرة في توربينات الرياح. ومع ذلك، قد تؤدي المكونات أو الأنظمة الفرعية غير الخاضعة للإشراف في بعض الأحيان إلى حدوث أعطال. تقدم هذه الورقة مثالًا واقعيًا على أن الفشل في المكونات غير الخاضعة للإشراف يمكن التنبؤ به بشكل موثوق من خلال استخدام الذكاء الاصطناعي. يتم تقديم طريقتين مختلفتين، آلة دعم المتجهات والذاكرة طويلة المدى، ومناقشة حدودها ومزاياها.Translated Description (French)
Résumé De plus en plus d'entreprises consacrent des dépenses substantielles au développement de l'énergie éolienne offshore en tant que composante essentielle de la transition énergétique mondiale à partir des combustibles fossiles, d'où l'importance de garantir la fiabilité de la technologie éolienne offshore devient de plus en plus importante. Dans le même temps, l'exploitation et la maintenance (O&M) des parcs éoliens offshore se concentrent progressivement sur l'intégration de l'intelligence artificielle (IA) pour améliorer l'efficacité et la performance des installations éoliennes. Les stratégies d'aide à la décision basées sur les prédictions d'échec sont un élément important de cette tendance. En conséquence, l'IA est plus fréquemment utilisée pour créer des prévisions de temps avant défaillance basées sur une grande quantité de données collectées à partir de capteurs déployés sur des éoliennes. Néanmoins, des composants ou sous-systèmes non supervisés peuvent occasionnellement conduire à des défaillances. Cet article présente un exemple réel montrant que les défaillances de composants non supervisés peuvent être prédites de manière fiable par l'utilisation de l'IA. Deux méthodes différentes, Support Vector Machine et Long Short Term Memory, sont présentées et leurs limites et avantages discutés.Translated Description (Spanish)
Resumen Cada vez más empresas asignan gastos sustanciales al desarrollo de la energía eólica marina como un componente fundamental de la transición energética mundial a partir de combustibles fósiles, de ahí que la importancia de garantizar la fiabilidad de la tecnología eólica marina sea cada vez más importante. Al mismo tiempo, la operación y el mantenimiento (O&M) de los parques eólicos marinos se están centrando progresivamente en la integración de la inteligencia artificial (IA) para mejorar la eficiencia y el rendimiento de las instalaciones de energía eólica. Las estrategias de apoyo a la toma de decisiones basadas en predicciones de fallos son un elemento importante en esta tendencia. Como resultado, la IA se utiliza con mayor frecuencia para crear predicciones de tiempo hasta el fallo basadas en una gran cantidad de datos recopilados de los sensores desplegados en las turbinas eólicas. Sin embargo, los componentes o subsistemas no supervisados pueden ocasionalmente provocar fallas. Este documento presenta un ejemplo de la vida real de que las fallas en los componentes no supervisados se pueden predecir de manera confiable mediante el uso de la IA. Se presentan dos métodos diferentes, Support Vector Machine y Long Short Term Memory, y se discuten sus limitaciones y ventajas.Files
latest.pdf.pdf
Files
(766.0 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:5844827089a7c4531f93cd2d64b6c436
|
766.0 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- الصيانة التنبؤية لتوربينات الرياح البحرية من خلال التعلم العميق والتجميع عبر الإنترنت للأنظمة الفرعية غير الخاضعة للإشراف: تنفيذ في العالم الحقيقي
- Translated title (French)
- Maintenance prédictive pour les éoliennes offshore grâce à l'apprentissage profond et à la mise en cluster en ligne de sous-systèmes non supervisés : une mise en œuvre réelle
- Translated title (Spanish)
- Mantenimiento predictivo para turbinas eólicas marinas a través del aprendizaje profundo y la agrupación en clúster en línea de subsistemas no supervisados: una implementación en el mundo real
Identifiers
- Other
- https://openalex.org/W4391449321
- DOI
- 10.21203/rs.3.rs-3906932/v1
References
- https://openalex.org/W24524376
- https://openalex.org/W1560724230
- https://openalex.org/W1563088657
- https://openalex.org/W1602370350
- https://openalex.org/W2009503760
- https://openalex.org/W2040933335
- https://openalex.org/W2077309996
- https://openalex.org/W2087016914
- https://openalex.org/W2092181037
- https://openalex.org/W2095487831
- https://openalex.org/W2109542461
- https://openalex.org/W2118978333
- https://openalex.org/W2119479037
- https://openalex.org/W2155840181
- https://openalex.org/W2161920802
- https://openalex.org/W2186588752
- https://openalex.org/W2759202989
- https://openalex.org/W2911193852
- https://openalex.org/W2912833798
- https://openalex.org/W2918751353
- https://openalex.org/W2953504915
- https://openalex.org/W3004674143
- https://openalex.org/W3006297925
- https://openalex.org/W3040747245
- https://openalex.org/W3092605286
- https://openalex.org/W3132793749
- https://openalex.org/W3157175643
- https://openalex.org/W3164639990
- https://openalex.org/W3193092655
- https://openalex.org/W4231867306
- https://openalex.org/W4239510810
- https://openalex.org/W4247135290
- https://openalex.org/W4319319897
- https://openalex.org/W4319600905
- https://openalex.org/W4322620013
- https://openalex.org/W4386995911
- https://openalex.org/W4387572943