Transfer learning og simulering giver bedre predictive maintenance på vindmøller

Vindmøller har en af de mest oplagte use cases for predictive maintenance. Enhver times nedetid er ekstremt dyr og det samme er unødvendige servicebesøg, når møllerne i stigende grad er placeret ude på havet. 

En almindelig måde, at løse den opgave på, er ved at træne en model på store mængder repræsentative data fra vindmøllens sensorer. Herefter skal ML-modellen være i stand til at opdage, når noget i vindmøllen ikke kører som normal. Men som med mange andre ML-applikationer står og falder successen med kvaliteten af træningsdata. 

»Udfordringen er, at modellerne er totalt afhængig af den operationelle data,« forklarer Laura Schröder, der netop har forsvaret sin ph.d. på DTU om at optimere driften af vindmøller med machine learning. 

»Når vi bare træner på operationelle data, ved vi ikke om modellen har en bias hvis vi bruger den på en anden type data som f.eks i en anden vindmøllepark. Det kan være måleperioden ikke reflekterer alle de vejrforhold, som modellen skal fange. På den måde kan modellen have en bias mod en type vejr.«

De fysiske forhold

Spørgsmålet er så, hvordan modellerne kan bliver mere robuste selv med begrænset træningsdata. Derfor kiggede Laura Schröder på, hvordan man kan supplere de ellers rene datadrevne teknikker med viden om verden. 

»Vi har muligheden for at køre aeroelastiske simuleringer og fra de simuleringsdata kender vi de fysiske forhold for vindturbinen,« forklarer Laura Schröder.