Mes Opérations
❯
Maintenance prédictive
❯Solution pour détecter les signes de pannes dans le système de production d'énergie éolienne
La technologie d'apprentissage en profondeur combinée à l'analyse des données topologiques permet d'estimer avec succès le degré de dommages internes à l'infrastructure du pont
Représentation des connaissances - Réseau bayésien
Maintenance prédictive des ascenseurs HLM
Prédiction des pannes de produit pour l'infrastructure informatique critique
Classification automatisée des défauts sur les surfaces des produits
Analyser et prédire l'efficacité du traitement acide sur la zone de fond de puits
Approche basée sur l'apprentissage automatique pour identifier les points faibles dans la fabrication de disjoncteurs.
Satellite à réseau d'antennes actives
Technologie intelligente pour contrôler les opérations manuelles via vidéo Norma
Service de maintenance prédictive des moteurs à réaction
Détection et suppression des interférences porteuses pour les communications par satellite
Fabrication et usines - Maintenance prédictive
Solution pour détecter les signes de pannes dans le système de production d'énergie éolienne
Analyse basée sur l'apprentissage automatique des données d'opération de traitement par lots pour identifier les causes des mauvaises performances des lots
Solution pour détecter les signes de pannes dans le système de production d'énergie éolienne
Objectif:
Améliorer l'efficacité des opérationsProblème adressé
Détectez les signes de défaillance dans la production d'énergie éolienne plus tôt que la détection par des spécialistes humains.
But du cas d'usage
Détecter les signes de dysfonctionnement (panne) dans les éoliennes
Description
Nous présentons une méthode de détection d'anomalies dans les signaux vibratoires des composants d'éoliennes. 16 Les caractéristiques prédominantes des signaux de vibration des éoliennes sont extraites en appliquant une méthode d'extraction de caractéristiques temps-fréquence basée sur les caractéristiques d'autocorrélation locale de Fourier (FLAC). Pour la détection des anomalies, une classification à classe unique basée sur une approche de regroupement non supervisée est appliquée en tenant compte des conditions de fonctionnement dynamiques des éoliennes et de l'environnement. Pour valider le système proposé, nous avons mené des expériences en utilisant les données de vibration d'éoliennes réelles de 2 mégawatts (MW). Les résultats ont montré l'efficacité de l'utilisation des fonctionnalités FLAC, en particulier dans le cas du palier principal à basse vitesse où la méthode conventionnelle avec des fonctionnalités traditionnelles ne peut pas détecter les anomalies.