Energie

Industriële machines worden steeds complexer, waarin vaak verschillende subsystemen en componenten met elkaar interageren. Deze assets opereren vaak in complexe omgevingen, waarbij ze beïnvloed worden door heel wat externe factoren, in nauwe interactie met een menselijke eindgebruiker (bv. een operator). Aangezien falingen of stilstand vaak ernstige gevolgen kunnen hebben (bv. naar veiligheid of economische impact) is het van belang om de gezondheidstoestand nauwkeurig te monitoren. Dit is niet in het minst het geval voor windturbines, waarbij het operationeel houden van de infrastructuur niet alleen bijzonder duur is, maar ook cruciaal voor een stabiele stroomvoorziening. Moderne windturbines worden daarom uitgerust met sensoren. De data uit de sensoren wordt geanalyseerd om zo abnormaal gedrag te kunnen voorspellen en de nodige onderhoudswerken op voorhand in te kunnen plannen (predictief onderhoud).

Prognostics and Health Management (PHM) is het onderzoeksgebied dat het beheer van industriële assets gedurende hun levenscyclus koppelt aan studies van hun falingsmechanismen. Het doel van PHM is methodes aan te reiken voor het uitstippelen van een optimaal onderhoudsbeleid voor een specifiek asset onder zijn verschillende exploitatie- en degradatievoorwaarden, waarbij een hoge beschikbaarheid tegen minimale kosten wordt bereikt.

Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma

De toegenomen complexiteit van indsutriële middelen en de omgevingen waarin ze moeten opereren vraagt in toenemende mate een meer real-time en dynamische beoordeling van hun gezondheidstoestand. De traditionele PHM methodes, die voornamelijk kennisgebaseerd zijn, volstaan hiervoor niet langer. Daarom bestuderen de onderzoeksgroepen in deze use case hoe data-gedreven methodologieën en kennisgebaseerde modellen gecombineerd kunnen worden in een hybride methodologie om te komen tot een nauwkeuriger monitoring van de gezondheidstoestand van industriële machines en de evolutie hiervan te voorspellen. Dit omvat onderzoek naar verbeterde technieken voor:

• Diagnostiek, voor het karakteriseren van de gezondheidstoestand van de machine in functie van zijn degradatie
• Prognostiek, voor het monitoren van de evolutie van de gezondheidstoestand en het degradatieproces, om te komen te een voorspelling van de resterende levensduur
• Beslissingsondersteuning, om gerichte inzichten te voorzien met betrekking tot de aspecten van de gezondheidstoestand die de resterende levensduur beïnvloeden.

Uitdagingen en onderzochte methodes

Het analyseren van de (sensor)data uit dergelijke complexe industriële machines gaat gepaard met een aantal specificieke uitdagingen. Deze omvatten ondermeer het gebrek aan gelabelde data van falingen en machinedegradatie, waarvoor on- en semigesuperviseerde leertechnieken bestudeerd worden in combinatie met transfer learning om de beperkt beschikbare data zo optimaal mogelijk te benutten. In een aantal gevallen kan het daarom ook belangrijk zijn om feedback van de gebruiker te verzamelen, bijvoorbeeld om meer zicht te krijgen op het subtiele verschil tussen normaal en abnormaal gedrag, waarvoor het gebruik van active learning technieken onderzocht zal worden. Ook het vertalen van de resultaten van de algoritmes in interpreteerbare inzichten voor beslissingsondersteuning is cruciaal. De grootste uitdaging en voornaamste focus van de use case is echter het combineren van data-gedreven en kennisgebaseerde modellen, zodat die elkaar kunnen versterken in een hybride leerstrategie.

Resultaten

In een eerste fase van dit onderzoek is gefocust op data-gedreven technieken voor diagnostiek en prognostiek. Zo werd een methodologie ontwikkeld voor het inschatten van de toestand van een machine op basis van data-gedreven gezondheidsindicatoren. Deze indicatoren kunnen ook als basis dienen voor het detecteren van de degradatie in performantie van een assets, waarbij de verschillende operationele toestanden waarin de machine dient te opereren in rekening gebracht worden. Om het bovenvermeld probleem van beperkte gelabelde data het hoofd te bieden werden ook reeds enkele aanpakken voor transfer learning onderzocht, toegepast op het detecteren van ijsvorming op de bladen van een windturbine. Ook werden de eerste stappen gezet richting een data-gedreven digitale tweeling (digital twin) voor hybride PHM.

Een aantal van deze topics worden ook verder uitgediept in de AI-ICON projecten CONSCIOUS en TRACY, die recent werden opgestart door in samenwerking met onderzoekspartners uit het Vlaams AI Onderzoeksprogramma en een consortium van Vlaamse bedrijven. Een korte beschrijving van deze projecten is hieronder te vinden.

Meer informatie

• Contactpersoon:  Alessandro Murgia (Data and AI Completence Lab (EluciDATA Lab) - Sirris), Elena Tsiporkova (Data and AI Completence Lab (EluciDATA Lab) - Sirris) 
• Betrokken onderzoeksgroepen: Sirris (Data and AI Completence Lab (EluciDATA Lab)), KU Leuven (DTAI, STADIUS, LMSD), UGent (IDLab, EEDT, GAIM, KERMIT) en UHasselt (QM)
• Het CONSCIOUS project focust op context-gevoelige anomaliedetectie in industriële machines en processen. In deze complexe omgevingen blijft anomaliedetectie een grote uitdaging door de zeer dynamische omstandigheden waarin deze assets dienen te opereren. Het doel is om effectieve oplossingen te onderzoeken om te komen tot een meer nauwkeurige, robuste, tijdige en interpreteerbare anomaliedetectie in complexe, heterogene data door rekening te houden met eventuele verstorende contextuele factoren. 

• Het TRACY project wil onderzoeken hoe log data gegenereerd door industriële assets optimaal kan gebruikt worden om bestaande AI en machine learning technieken die gericht zijn om tijdsreeksanalyse verder te verfijnen. Hiertoe zal TRACY nagaan hoe kan omgegaan worden met de complexiteit van log data, het gebrek aan standaardisatie in dit type data en de schaalbare interactieve visualisatie van heterogene data. 

Het winnen van groene stroom is een duur proces. In de acht offshore parken voor de Belgische kust zijn er zo’n 400 windmolens die energie leveren aan 2,2 miljoen gezinnen. Het operationeel houden van die infrastructuur is niet alleen bijzonder duur, maar ook cruciaal voor een stabiele stroomvoorziening. De moderne windmolens worden daarom uitgerust met een 800-tal sensoren die elke seconde data doorgeven. De data wordt in real-time geïnterpreteerd, enerzijds om de toestand van elke machine op te volgen en de nodige onderhoudswerken te in te kunnen plannen en anderzijds om ook de energieproductie te verbeteren.

Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma

Dankzij AI kunnen windturbines de databank en elkaar informeren om zich aan te passen aan de reële weersomstandigheden. AI kan op die manier zorgen dat de windmolens zich niet overbelasten en dat de productie efficiënter verloopt.

Meer informatie

• Contactpersoon:  Jan Helsen, VUB
• Onderzoeksgroepen: VUB AI Lab (Ann Nowé), VUB Acoustics & Vibrations Research Group (Jan Helsen)
• Meer informatie vind je in dit artikel op Digitale Toekomst

Het laagspanningsdistributienet – de vele honderdduizenden kabels die elektriciteit tot bij ieder van ons brengt – is een kritische infrastructuur voor onze maatschappij en vormt een belangrijk enabler voor de energietransitie in Vlaanderen. We moeten opletten dat het distributienet geen rem vormt op een toekomst met duurzame energie, omdat we de distributienetten steeds meer belasten. Het gebruik van onze distributienetten verandert namelijk razendsnel door o.a. de groei van hernieuwbare energieproductie (zonnepanelen) en de elektrificatie van transport en warmtebronnen (opladen van elektrische en hybride wagens en warmtepompen). In Vlaanderen zijn vooral het laden van elektrische auto’s en het gebruik van huishoudelijke apparaten voor aanvullende reserves een punt van zorg omdat ze leiden tot een hoger elektrisch netgebruik, meer en hogere pieken en grote druk op de huidige distributienetten. 

Het onderzoek binnen het Vlaams AI-Onderzoeksprogramma

Binnen het Vlaams AI-Onderzoeksprogramma zetten we artificiële intelligentie in om betere inzichten krijgen in de concrete belasting van de netwerken, en de verbruikerspieken, congesties en de spanningsverliezen te voorspellen. Die inzichten zijn zinvol om advies te geven over de noden van de netwerken, de beperkingen van de huidige netwerken en de investeringen die aangewezen zijn om de duurzame transformatie verder mogelijk te maken.

Het laagspanningsnet wordt echter gekarakteriseerd door zijn enorme schaal, een laag aantal meetpunten, beperkte kennis over de exacte layout en beperkte real-time data, en moeilijk voorspelbaar gedrag van zijn gebruikers. Ook de schaalgroote van het probleem in problematisch. Vlaanderen telt nagenoeg 40k LV tranformatoren, 240k LV voeders en 3.5 M aansluitingspunten. Door nieuwe digitale grid data, e.g. van de slimme meters,  te combineren met AI technieken, wensen we de netbelasting zowel ruimtelijk als gespreid over de tijd te berekenen. Hiermee kunnen netwerk operatoren beter hun infrasturctuur en de operationele keuzes aanpassen aan de actuele noden van de gebruikers.  

Meer informatie

• Contactpersoon: VITO/Energyville: Koen Vanthournout
• Onderzoeksgroepen: