Vår kunde er en fremtredende aktør innen fornybar energi, med særlig fokus på vindkraft. De forvalter et omfattende utvalg av vindturbiner i ulike regioner, og forsyner lokale innbyggere og produksjon fasiliteter med strøm. Detaljert informasjon om kunden kan ikke utleveres i henhold til bestemmelsene i NDA.

Utfordring

Strømbrudd og kostbare reparasjoner for kundens vindmøllepark

Fornybar energi, spesielt vindkraft, er en dynamisk bransje som krever kontinuerlig innovasjon for å sikre maksimal effektivitet og driftstid. Etter å ha drevet virksomhet på dette feltet i over 20 år har kunden vår opplevd mange uventede driftsforstyrrelser, noe som har ført til strømbrudd og kostbare reparasjoner. Med sine ambisiøse ekspansjonsplaner var de på jakt etter IoT energiløsninger for å overvåke vindturbinens ytelse i sanntid og forebygge feil ved hjelp av intelligent ML-algoritmer. Kunden ga Innowise i oppdrag å utføre følgende oppgaver utvikling av en IoT etter en energistyringsløsning som kunne tilby sanntidsovervåking og prediktiv analyse for å sikre at vindturbinene drives effektivt og sikkert døgnet rundt.

Løsning

IoT-energistyringsløsning som forutsier energiproduksjon og forhindrer feil

Basert på kundens krav og forventninger, Innowise utviklet en IoT- og ML-drevet løsning som forutsier energiproduksjonen basert på informasjon fra meteorologiske sensorer og turbiner. Prosjektteamet vårt utviklet en avansert plattform som gir sanntidsinformasjon om statusen til hver enkelt vindturbin, noe som gjør det enklere å ta umiddelbare beslutninger og reagere på driftssignaler uten forsinkelser.

Programmerbare logiske styringer (PLC)

Som hjørnesteinen i automatiseringen bruker vi PLS til å samle inn data fra sensorer som er installert i vindturbinene. Disse sensorene måler en lang rekke driftsparametere som vindhastighet, turbinens rotasjonshastighet, temperatur, vibrasjonsnivå og dreiemoment. Ved å behandle disse dataene gir PLS-ene et nøyaktig sanntidsbilde av vindturbinens ytelse, oppdager feil og analyserer energiproduksjonseffektiviteten.

Sensorindikatorer som avviker fra forhåndsdefinerte terskelverdier - som en uventet temperaturøkning eller vibrasjonsnivå - signaliserer potensielle problemer som mekanisk slitasje, smørebehov eller komponentfeil. PLS-ene gjenkjenner disse mønstrene og utløser alarmer eller slår av turbinen for å forhindre skade. I tillegg registrerer PLS-ene effektdataene og analyserer dem sammen med vindforholdene for å avgjøre om turbinene genererer strøm på en effektiv måte. Deretter flagger de et avvik hvis vindhastigheten er optimal, men energiproduksjonen er under terskelverdien, noe som kan tyde på et problem, for eksempel at rotorbladene er ødelagte eller feiljusterte. Ved hjelp av PLS-aktivert vedlikehold i tide og forebygging av feil sikrer en balansert energiproduksjon at utstyret har lang levetid.

Datasjø

Siden kunden vår har dusinvis av vindturbiner spredt over ulike regioner, fikk utviklerne våre i oppgave å bygge en robust datasjø for å lagre massive hendelsesstyrte meldinger. Vi opprettet et sentralt datalager der data fra alle turbinene, uavhengig av geografisk plassering, samles og lagres. Dette omfatter ikke bare strukturerte data, men også ustrukturerte og halvstrukturerte data som logger, sensoravlesninger, bilder med mer. IoT-spesialistene sørget for at alle nyanser i dataene ble ivaretatt, noe som muliggjør mer detaljerte analyser og reduserer risikoen for tap av data.

I tillegg har prosjektteamet muliggjort samtidig databehandling på tvers av flere noder. Det betyr at store datasett kan behandles parallelt, noe som gir betydelig raskere analyse- og rapporteringsoppgaver. Dette er avgjørende for prediktivt vedlikehold, der tidssensitiv innsikt kan forhindre kostbar nedetid og plutselige havarier i vindturbinene. Dataene som skal analyseres, hentes fra PLS-ene og lagres og behandles deretter av AWS IoT Core- og Lambda-funksjoner.

Visualisering av data

Til visualisere data, valgte prosjektteamet vårt å bruke Grafana-dashbord. Vi satte opp dashbord bestående av ulike visuelle elementer som er skreddersydd for behovene til IoT-energistyring. Resultatet er at driftslederne for eksempel kan få en oversikt over turbinytelsen i sanntid, mens vedlikeholdsteamene kan ta en mer detaljert titt på slitasjeindikatorene med Grafana.Lineære diagrammer viser trender over tid, for eksempel effektuttaket i løpet av dagen. Kartdiagrammer gir geografiske visualiseringer av turbinenes plassering, noe som gir en rask oversikt over hele vindparkens status. Tidsserier forutsier fremtidige trender basert på tidligere og nåværende data, noe som er viktig for planlegging og prognoser. Histogrammer viser fordelingen av spesifikke variabler, for eksempel vindhastigheter eller turbineffekt, noe som er nyttig for statistiske analyser. Til slutt legger geokart ytterligere data på geografiske kart, for eksempel værmønstre, for å måle påvirkningen av ugunstige værforhold.Alt i alt får kunden en transparent og informativ visualisering av IoT-data som det er enkelt å tolke og reagere på. Ved hjelp av fargekodede indikatorer kan for eksempel en vedlikeholdstekniker enkelt oppdage en turbin som opererer utenfor det optimale området, og iverksette proaktive tiltak for å eliminere funksjonsfeil.

Analytiske rapporter

Videre sørget ingeniørene våre for at den IoT-drevne plattformen genererer analytiske rapporter som gir omfattende innsikt i vindturbinenes ytelse. Disse dataene bidrar til å identifisere hvilke turbiner som fungerer godt, og hvilke som kan kreve vedlikehold eller justeringer. I tillegg bruker det IoT-baserte systemet historiske data og sanntidsdata til prediktivt vedlikehold for å forutsi fremtidige resultater under ulike forhold. På denne måten kan systemet anbefale når det er nødvendig å planlegge vedlikehold eller optimalisere driften uten å vente på at et problem skal oppstå.

Ved å analysere ytelsestrender og eksterne faktorer som værforhold, foreslår systemet i tillegg scenarier der IoT-energistyringen kan optimaliseres. Systemet foreslår for eksempel måter å optimalisere energiforbruket på, redusere ekstrautgifter, finne de ideelle tidspunktene for høsting av vindenergi, administrere lagring effektivt, selge overskuddsenergi tilbake til nettet og effektivisere vedlikeholdsprosedyrer.

Feilprediksjon

Ved hjelp av datavitenskap (DS) og maskinlæringsoperasjoner (MLOps) har vi utviklet en prediktiv modell som analyserer ulike faktorer som påvirker turbinens tilstand, for eksempel vibrasjonsnivåer, temperatur og ytelsesmålinger. Denne modellen lærer kontinuerlig av innkommende data, slik at den kan identifisere mønstre som går forut for utstyrssvikt. Når den oppdager disse tidlige varselsignalene, utløser den et varslingssystem, slik at vedlikeholdsteamene kan løse problemene proaktivt før de fører til havari.

Teknologier og verktøy

Front-end

JavaScript, React, Redux

Back-end

Python, FastAPI

DE/ML

Apache Spark

Cloud

AWS EKS, AWS ECS, AWS ECR, AWS EC2, AWS API Gateway, AWS IOT Core, AWS Kinesis, AWS Lake Formation, AWS Lambda, AWS RDS Postgres, AWS TimeStream DB, AWS S3, AWS Route 53, AWS CloudFront.

DevOps

Kubernetes, Docker, AWS EKS, AWS ECS

Database

PostgreSQL, AWS TimeStream

Visualisering

Grafana

Prosess

Utviklingen av et spesialtilpasset IoT-basert system for overvåking og vedlikehold av vindturbiner var en kompleks, men givende reise. Vi begynte med omfattende diskusjoner med kunden for å forstå deres behov og utfordringer. I denne fasen identifiserte vi kjernefunksjonalitetene som kreves for IoT-systemet, for eksempel sanntidsovervåking, feilforutsigelse og dataanalyse.Med kravene i hånden utviklet vi en omfattende prosjektplan med tidslinje, ressurser, budsjett og risikostyringsstrategier. I utviklingsfasen skapte vi systemarkitekturen og brukergrensesnittet, inkludert tilpassede algoritmer for dataanalyse, visualiseringer, prediktivt vedlikehold og integrerte PLS-er og AWS IoT Core. Den smidige metodikken gjorde det mulig for oss å tilpasse oss raskt og effektivt til endrede krav og tilbakemeldinger gjennom hele prosjektet. Regelmessige stand-ups, sprintgjennomganger og retrospektiver var en integrert del av prosessen, noe som bidro til et samarbeidsorientert og dynamisk arbeidsmiljø. Denne tilnærmingen gjorde det mulig for oss å levere et skreddersydd, robust og effektivt IoT-basert system som var perfekt tilpasset kundens unike behov.Fra og med nå tilbyr Innowise vedlikehold og support etter lunsj, retter mindre feil og lanserer regelmessige oppdateringer.

Team

Prosjektleder

Forretningsanalytiker

Løsningsarkitekt

Front-end-utvikler

Back-end-utviklere

Embedded-utvikler

ML-utvikler

DE Utvikler

DevOps

QA ingenieurs

Interessentens små og mellomstore bedrifter

Resultater

18% reduksjon i vedlikeholds- og reparasjonskostnader med IoT- og ML-drevet system

Innowise har utviklet et IoT- og ML-drevet skalerbart system som forutser energiproduksjon basert på systemet med programmerbare logiske kontrollere. Vi har utviklet en sofistikert plattform som samler inn kritisk informasjon fra vindturbinene, vurderer ytelsen og gir nøyaktig innsikt for å kunne ta informerte beslutninger. Basert på denne informasjonen kan kundeansvarlige overvåke turbinenes tilstand i sanntid og foreslå scenarier for å optimalisere energiproduksjonen og redusere unødvendige utgifter. Ved hjelp av ML-algoritmer forutser vår banebrytende løsning kraftproduksjonen basert på værprognoser og akkumulerte analyser. I tillegg bestemmer den det beste tidspunktet for å stenge ned vindparker og utføre vedlikehold. Dette er spesielt viktig for turbiner i avsidesliggende eller værharde omgivelser, der reparasjoner kan være utfordrende og kostbare.

Prosjektets varighet

September 2021 - Løpende

opp til 6%

økning i energiproduksjonen

18%

reduksjon i vedlikeholds- og reparasjonskostnader

kritiske trusler forhindret

Relaterte saker

Ta kontakt med oss!

Bestill en samtale eller fyll ut skjemaet nedenfor, så kontakter vi deg så snart vi har behandlet forespørselen din.

Hva skjer videre?

Etter at vi har mottatt og behandlet forespørselen din, vil vi komme tilbake til deg innen kort tid for å beskrive prosjektbehovene dine og undertegne en taushetserklæring for å sikre informasjonens konfidensialitet.

Etter å ha undersøkt kravene, utarbeider våre analytikere og utviklere en prosjektforslag med arbeidsomfang, teamstørrelse, tid og kostnader estimater.

Vi arrangerer et møte med deg for å diskutere tilbudet og komme til en avtale.

Vi signerer en kontrakt og begynner å jobbe med prosjektet ditt så raskt som mulig.

IoT for energistyring: opptil 6% økning i energiproduksjon

Kunde

Utfordring

Strømbrudd og kostbare reparasjoner for kundens vindmøllepark

Løsning