Transfer learning og simulering giver bedre predictive maintenance på vindmøller

20. april 2021 kl. 06:01
Vindmøller i Holland
Illustration: fokkebok / BigStock.
Simulering kan bruges med fordel, hvis der ikke er nok træningsdata - men kun op til et vist punkt.
Artiklen er ældre end 30 dage
Manglende links i teksten kan sandsynligvis findes i bunden af artiklen.

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. 

Få fuld adgang til DataTech

DataTech er til professionelle, der arbejder med data og analytics.

Få 3 uger gratis prøve abonnement til DataTech. Betalingskort er ikke påkrævet, og du vil ikke blive flyttet til et betalt abonnement efterfølgende.

Du kan også få tilsendt et tilbud til dig.

Abonnementsfordele
vpn_key
Fuld adgang til DataTech
Alt indhold på DataTech er åbent for dig, så du kan nyde det fra din computer, tablet eller mobil.
drafts
Kuraterede nyhedsbreve
Nyheder, interviews, tendenshistorier og meget mere, leveret til din indbakke.
Adgang til andre medier
Hver måned får du 6 klip, som kan bruges til permanent at låse op for indhold på vores andre medier.
thumb_up
Adgang til debatten
Deltag i debatten med andre professionelle.
Ingen kommentarer endnu.  Start debatten
Debatten
Log ind eller opret en bruger for at deltage i debatten.
settingsDebatindstillinger