MANUTENZIONE PREDITTIVA E AI PER IL MONITORAGGIO DELLE TURBINE EOLICHE

ANALISI PREDITTIVA AVANZATA TRAMITE MACHINE LEARNING

MANUTENZIONE PREDITTIVA E AI PER IL MONITORAGGIO DELLE TURBINE EOLICHE

Il seguente caso studio propone un esempio di applicazione della Manutenzione Predittiva tramite AI per il monitoraggio delle turbine eoliche.

Le grandi aziende produttive hanno da sempre la necessità di ottimizzare i costi di manutenzione, garantendo nel contempo un’affidabilità dell’impianto sufficientemente alta.

L’approccio della manutenzione pianificata, sebbene spesso efficace nell’evitare guasti improvvisi, non sempre è efficiente dal punto di vista dei costi. Molto spesso, interventi di controllo invasivi o sostituzioni coinvolgono parti di impianto ancora completamente in salute, fermando la produzione senza che ce ne sia l’effettiva necessità.

L’evoluzione dell’approccio manutentivo è rappresentata dalla manutenzione su condizione e dalla manutenzione predittiva.

Queste modalità, già validate attraverso tecniche ingegneristiche specifiche quali l’analisi vibrazionale o degli oli, viene potenziata e resa sempre più flessibile e largamente applicabile grazie agli algoritmi di machine learning.

Attraverso modelli allenati per riconoscere anomalie del comportamento, il machine learning è in grado di intercettare i potenziali guasti o prevederli in anticipo, prima che questi portino a un blocco di produzione o una rottura dell’impianto.


PROFILO DEL CLIENTE

Il cliente che ha beneficiato della soluzione predittiva implementata da MIPU è una grossa società che opera nel campo della dell’energia, che conta 7 parchi eolici in esercizio, con una capacità complessiva di 368 MW lordi.

MIPU ha sviluppato e messo in campo una soluzione di monitoraggio e controllo dello stato di salute del parco eolico del cliente, attraverso la modellizzazione di diversi parametri di processo, rendendo possibile l’intercettazione di anomalie di comportamento in due dei componenti principali della turbina eolica.

 

NECESSITA’ DEL CLIENTE

Il cliente, direttamente coinvolto nella manutenzione delle turbine eoliche e molto interessato ad ottimizzarne le performance, ha intravisto l’opportunità di avere una soluzione in grado di intercettare cambi di comportamento anomali della turbina eolica.

L’obiettivo è quello di essere in grado di agire in anticipo sul guasto evitando blocchi di produzione e gestione emergenziale del problema, evitando al contempo un rigido calendario di manutenzione preventiva che prevede una serie di complicazioni legate alla struttura stessa dell’asset.

 

LA SOLUZIONE MIPU

MIPU sviluppa modelli predittivi nel campo del monitoraggio e controllo energetico e di manutenzione dal 2008, grazie allo sviluppo di strumenti software per l’integrazione ed automatizzazione del flusso dei dati dal campo e la formazione industriale dei suoi ingegneri.

MIPU ha quindi raccolto i dati del cliente, e ne ha valutato le potenzialità e la qualità attraverso uno studio preliminare di consistenza e correlazione.

L’analisi dell’impianto in collaborazione con i tecnici dell’azienda e i responsabili di produzione ha reso possibile la definizione dei principali modelli da implementare per l’ottimizzazione del controllo e manutenzione. Tra questi, è stato definito il modello per il controllo dello stato di salute dei componenti gearbox e slip ring.

 

MANUTENZIONE PREDITTIVA E AI

L’algoritmo applicato al modello è una rete neurale artificiale feedforward, strutturata secondo unità di calcolo semplici chiamate neuroni, che una volta collegate tra di solo sono in grado di rappresentare e generalizzare il
comportamento di sistemi altamente complessi e non lineari.

 

 

Rete Neurale Artificiale: strumento di calcolo costruito dai ricercatori con lo scopo di replicare la capacità plastica del cervello umano di acquisire input dall’ambiente esterno e elaborare queste informazioni tenendo conto del contesto.

 

 

I modelli identificati sono stati progettati in funzione dei parametri disponibili per prevedere lo stato di salute dei due componenti, rappresentato da un parametro specifico che se non allineato con l’attesa è sintomo di anomalia nel comportamento.

Nello schema sottostante sono riportati nel dettaglio i parametri identificati per la previsione.

I modelli, validati statisticamente in funzione delle metriche che ne rappresentano l’affidabilità, sono stati applicati sui dati storici per verificarne la sensibilità rispetto a guasti o anomalie.

Il modello del gearbox, applicato ai dati storici in cui era stato registrato un guasto sul componente, ha evidenziato un cambio di comportamento in concomitanza con l’intervento manutentivo, anticipato da fuori controllo sugli strumenti disponibili per l’intercettazione delle anomalie.

Similmente, il modello applicato allo slip ring ha intercettato un secondo cambio di comportamento in concomitanza con un’anomalia intercettata e registrata nello storico degli eventi manutentivi.


RISULTATI

In entrambi i casi, il modello ha chiaramente intercettato con un anticipo di mesi l’anomalia in atto, che si è poi evoluta in un guasto.

Il sistema, applicato in real time, è dunque in grado di evidenziare situazioni a rischio che devono essere gestite, con un sufficiente anticipo per garantire l’organizzazione del team di manutenzione.

Altre Case History:

Lo sapevi?

Organizziamo ALMENO un webinar al mese sui temi
dell’ingegneria di manutenzione, dell’efficientamento energetico
e degli ultimi trend di intelligenza artificiale.

Lascia un tuo contatto per ricevere tutti gli inviti!