Vår kund är en framstående aktör inom sektorn för förnybar energi, med särskilt fokus på vindkraft. De hanterar ett omfattande utbud av vindturbiner i olika regioner och förser lokala medborgare och tillverkning anläggningar med elektricitet. Detaljerad information om kunden kan inte lämnas ut enligt bestämmelserna i NDA.

Utmaning

Strömavbrott och kostsamma reparationer för kundens vindkraftspark

Området för förnybar energi, särskilt vindkraft, är dynamiskt och kräver ständig innovation för att säkerställa maximal effektivitet och drifttid. Vår kund har varit verksam inom detta område i över 20 år och har råkat ut för många oväntade haverier, vilket resulterat i strömavbrott och kostsamma reparationer. Med ambitiösa expansionsplaner sökte de IoT Energilösningar övervaka vindkraftverkens prestanda i realtid och förhindra funktionsstörningar genom intelligent ML-algoritmer. Kunden gav Innowise i uppdrag att utveckla en IoT efter en energihanteringslösning som kunde erbjuda realtidsövervakning och prediktiv analys för att säkerställa att deras vindkraftverk drivs effektivt och säkert dygnet runt.

Lösning

IoT-lösning för energihantering som förutsäger energiproduktion och förhindrar fel

Baserat på kundens krav och förväntningar, Innowise tog fram en IoT- och ML-driven lösning som förutsäger energiproduktionen baserat på information från meteorologiska sensorer och turbiner. Vårt projektteam utvecklade en avancerad plattform som erbjuder realtidsinformation om varje vindkraftverks status, vilket underlättar omedelbart beslutsfattande och ger snabb respons på operativa signaler.

Programmerbara logiska styrenheter (PLC)

Som hörnsten i automatiseringen använde vi PLC för att samla in data från sensorer som installerats i vindturbinerna. Dessa sensorer mäter ett stort antal driftparametrar, t.ex. vindhastighet, turbinens rotationshastighet, temperatur, vibrationsnivåer och vridmoment. Genom att bearbeta dessa data ger PLC:erna en exakt realtidsbild av vindturbinens prestanda, upptäcker fel och analyserar energiproduktionens effektivitet.

Sensorindikatorer som avviker från fördefinierade tröskelvärden - som en oväntad temperaturökning eller vibrationsnivå - signalerar potentiella problem som mekaniskt slitage, smörjningsbehov eller komponentfel. PLC:er känner i sin tur igen dessa mönster och utlöser larm eller stänger av turbinen för att förhindra skador. Dessutom registrerar PLC:erna effektdata och analyserar dem tillsammans med vindförhållandena för att avgöra om turbinerna genererar kraft på ett effektivt sätt. Sedan flaggar de för en avvikelse om vindhastigheten är optimal men energiproduktionen ligger under tröskelvärdet, vilket indikerar ett problem som försämrade blad, felaktig justering etc. Genom PLS-aktiverat underhåll i rätt tid och förebyggande av funktionsfel säkerställer en välbalanserad energiproduktion utrustningens livslängd.

Data lake

Eftersom vår kund har dussintals vindkraftverk utspridda över olika regioner fick våra utvecklare i uppdrag att bygga en robust datasjö för att lagra massiva händelsestyrda meddelanden. Vi skapade en central databas där data från alla turbiner, oavsett geografisk plats, samlas in och lagras. Detta omfattar inte bara strukturerade data utan även ostrukturerade och halvstrukturerade data, som loggar, sensoravläsningar, bilder och mycket mer. IoT-specialisterna såg till att alla datanyanser bevarades, vilket möjliggör mer detaljerad analys och minskar risken för dataförlust.

Vårt projektteam möjliggjorde också samtidig databehandling över flera noder. Det innebär att stora datamängder kan bearbetas parallellt, vilket avsevärt påskyndar analys- och rapporteringsuppgifter. Detta är avgörande för prediktivt underhåll, där tidskänsliga insikter kan förhindra kostsamma driftstopp och plötsliga haverier i vindkraftverken. Data för analys hämtas från PLC:erna och lagras och bearbetas sedan av AWS IoT Core och Lambda-funktioner.

Visualisering av data

Till visualisera data, valde vårt projektteam att använda Grafana-instrumentpaneler. Vi skapade instrumentpaneler som består av olika visuella element som är skräddarsydda för behoven inom IoT-energihantering. Som ett resultat kan operativa chefer till exempel få en översikt över turbinprestanda i realtid, medan underhållsteam kan ta en mer detaljerad titt på slitageindikatorer med Grafana.Linjära diagram visar således trender över tid, t.ex. effektuttag under dagen. Kartdiagram ger geografiska visualiseringar av turbinernas placering, vilket ger en snabb överblick över hela vindkraftsparkens status. Tidsserier förutspår framtida trender baserat på tidigare och nuvarande data, vilket är viktigt för planering och prognoser. Histogram beskriver fördelningen av specifika variabler, t.ex. vindhastigheter eller turbineffekt, vilket är användbart för statistisk analys. Slutligen lägger geokartor ytterligare data på geografiska kartor, t.ex. vädermönster, för att mäta påverkan av ogynnsamma väderförhållanden.Sammantaget får kunden en transparent och informativ visualisering av IoT-data som är lätt att tolka och agera på. Med hjälp av färgkodade indikatorer kan en underhållstekniker till exempel enkelt upptäcka en turbin som arbetar utanför sitt optimala område och vidta proaktiva åtgärder för att eliminera felet.

Analytiska rapporter

Dessutom såg våra ingenjörer till att den IoT-drivna plattformen genererar analytiska rapporter för att ge omfattande insikter om vindkraftverkens prestanda. Dessa data hjälper till att identifiera vilka turbiner som fungerar bra och vilka som kan behöva underhåll eller justeringar. Dessutom använder det IoT-baserade systemet historiska data och realtidsdata för prediktivt underhåll för att förutse framtida resultat under olika förhållanden. På så sätt kan systemet rekommendera när underhåll ska schemaläggas eller driften optimeras utan att vänta på att ett problem uppstår.

Genom att analysera prestandatrender och externa faktorer som väderförhållanden föreslår systemet dessutom scenarier där IoT-energihanteringen kan optimeras. Till exempel föreslås sätt att optimera energiförbrukningen, minska extrakostnader, bestämma de perfekta tiderna för att skörda vindenergi, hantera lagring effektivt, sälja överskottsenergi tillbaka till nätet och effektivisera underhållsförfaranden.

Prediktering av fel

Med hjälp av datavetenskap (DS) och maskininlärning (MLOps) har vi utvecklat en prediktiv modell som analyserar olika faktorer som påverkar turbinernas hälsa, till exempel vibrationsnivåer, temperatur och prestandamätvärden. Modellen lär sig kontinuerligt av inkommande data, vilket gör att den kan identifiera mönster som föregår fel på utrustningen. När den upptäcker dessa tidiga varningssignaler utlöser den ett varningssystem, så att underhållsteamen kan åtgärda problemen proaktivt innan de leder till haverier.

Teknik och verktyg

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

Databas

PostgreSQL, AWS TimeStream

Visualisering

Grafana

Process

Att utveckla ett anpassat IoT-baserat system för övervakning och underhåll av vindkraftverk var en komplex men givande resa. Vi inledde med omfattande diskussioner med vår kund för att förstå deras behov och utmaningar. I denna fas identifierades de kärnfunktioner som krävs för IoT-systemet, såsom realtidsövervakning, felprediktion och dataanalys.Med kraven i handen tog vi fram en omfattande projektplan som beskrev tidslinjen, resurserna, budgeten och riskhanteringsstrategierna. I vår utvecklingsfas skapade vi systemarkitekturen och användargränssnittet, inklusive anpassade algoritmer för dataanalys, visualiseringar, prediktivt underhåll samt integrerade PLC:er och AWS IoT Core. Agil metodik gjorde det möjligt för oss att snabbt och effektivt anpassa oss till förändrade krav och feedback under hela projektet. Regelbundna stand-ups, sprintgenomgångar och retrospektiv var en integrerad del av vår process, vilket främjade en samarbetsinriktad och dynamisk arbetsmiljö. Detta tillvägagångssätt gjorde det möjligt för oss att leverera ett skräddarsytt, robust och effektivt IoT-baserat system som är perfekt anpassat till vår kunds unika behov.Från och med nu tillhandahåller Innowise underhåll och support efter lunch, fixar mindre buggar och släpper regelbundna uppdateringar.

Team

Projektledare

Affärsanalytiker

Lösningsarkitekt

Front-end-utvecklare

Back-end utvecklare

Utvecklare av inbyggda system

ML-utvecklare

DE-utvecklare

DevOps

QA-ingenjörer

Små och medelstora företag

Resultat

18% minskning av underhålls- och reparationskostnader med IoT- och ML-drivet system

Innowise har byggt ett IoT- och ML-drivet skalbart system som förutsäger energiproduktionen baserat på systemet med programmerbara logiska styrenheter. Vi har utvecklat en sofistikerad plattform som samlar in viktig information från vindkraftverken, bedömer deras prestanda och ger korrekta insikter för ett välgrundat beslutsfattande. Baserat på denna information kan kundansvariga övervaka turbinernas tillstånd i realtid och föreslå scenarier för att optimera energiproduktionen och minska onödiga kostnader. Tack vare ML-algoritmer kan vår banbrytande lösning förutsäga kraftproduktionen baserat på väderprognoser och ackumulerade analyser. Dessutom avgör den bästa tiden för att stänga av vindkraftsparker och utföra underhåll i enlighet med detta. Detta är särskilt viktigt för turbiner i avlägsna eller tuffa miljöer där reparationer kan vara utmanande och dyra.

Projektets löptid

September 2021 - Pågående

upp till 6%

ökning av energiproduktionen

18%

minskade underhålls- och reparationskostnader

kritiska hot förebyggda

Relaterade fall

Kontakta oss!

Boka ett samtal eller fyll i formuläret nedan så återkommer vi till dig när vi har behandlat din förfrågan.

Namn

Företag

E-post

Telefon

Meddelande Vänligen inkludera projektinformation, varaktighet, teknologistack, IT-proffs som behövs och annan relevant information

Spela in ett röstmeddelande om ditt projekt för att hjälpa oss att förstå det bättre

Bifoga ytterligare dokument vid behov

Ladda upp filen

Du kan bifoga upp till 1 fil på totalt 2 MB. Giltiga filer: pdf, jpg, jpeg, png

Observera att när du klickar på knappen Skicka kommer Innowise att behandla dina personuppgifter i enlighet med vår Integritetspolicy för att ge dig lämplig information.

Vad händer härnäst?

Efter att ha mottagit och behandlat din begäran kommer vi att återkomma till dig inom kort för att specificera dina projektbehov och underteckna en NDA för att säkerställa konfidentialitet av information.

Efter att ha undersökt kraven utarbetar våra analytiker och utvecklare en projektförslag med arbetets omfattning, lagets storlek, tid och kostnad uppskattningar.

Vi ordnar ett möte med dig för att diskutera erbjudandet och komma överens.

Vi skriver på ett kontrakt och börjar arbeta med ditt projekt så snabbt som möjligt.

IoT för energihantering: upp till 6% ökning av energiproduktionen

Kund

Utmaning

Strömavbrott och kostsamma reparationer för kundens vindkraftspark

Lösning