AI forudsiger vedligehold af møller – men der er brug for mere deling af data

Vindmøller har en af de mest oplagte use cases for såkaldt predictive maintenance, som er et felt inden for machine learning, hvor kunstig intelligens bruges til at forudsige behov for vedligehold på anlæg.

I vindsektoren er enhver times nedetid 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 (machine leaning, red.) 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.«