Doradztwo techniczne

Rosnąca skala energetyki wiatrowej sprawia, że coraz większego znaczenia nabiera nie tylko budowa nowych instalacji, lecz także utrzymanie już działających turbin w możliwie najlepszym stanie technicznym. Każde nieplanowane zatrzymanie oznacza utratę produkcji energii. Zaś dostęp do elementów znajdujących się na dużej wysokości dodatkowo komplikuje i podnosi koszty inspekcji.

Poniżej prezentujemy case study firmy Advantech z zastosowaniem systemu wizyjnego z AI do monitorowania łopat turbin wiatrowych. Rozwiązanie wykorzystuje kamery odporne na warunki atmosferyczne oraz kompaktowy komputer Edge AI MIC-711-OX. Analizuje on obraz bezpośrednio przy turbinie i przesyła wyniki do centralnego systemu zarządzania farmą.

Wyzwanie: kontrola stanu łopat bez długich przestojów

Łopaty turbin wiatrowych przez wiele lat pracują w zmiennych i często trudnych warunkach atmosferycznych. Są narażone między innymi na oblodzenie, pęknięcia, uszkodzenia powierzchni oraz skutki wyładowań atmosferycznych. Nawet stosunkowo niewielkie defekty mogą z czasem pogorszyć aerodynamikę, zwiększyć drgania i obciążenia konstrukcji, a w konsekwencji ograniczyć efektywność turbiny lub doprowadzić do kosztownej awarii.

Tradycyjna kontrola z wykorzystaniem ekip pracujących na wysokości jest czasochłonna, kosztowna i zwykle wymaga wyłączenia turbiny. Pozwala wykrywać widoczne uszkodzenia, ale nie zapewnia ciągłego nadzoru. Montaż czujników bezpośrednio w łopatach umożliwia monitorowanie w czasie rzeczywistym. Jest on jednak trudny technicznie i wiąże się z wysokimi kosztami instalacji. Alternatywę stanowią inspekcje wykonywane z użyciem dronów, lecz również one mają charakter okresowy i najczęściej wymagają zatrzymania turbiny.

Celem projektu było więc stworzenie rozwiązania, które umożliwiłoby regularną kontrolę stanu łopat bez angażowania ekip inspekcyjnych i bez konieczności każdorazowego wyłączania instalacji.

Inspekcja wizyjna z AI zamiast kontroli okresowej

Opracowany system wykorzystuje kamery zamontowane przy turbinie do pozyskiwania obrazu łopat podczas ich pracy. Dane trafiają do lokalnego komputera Edge AI, gdzie są analizowane przez modele rozpoznawania obrazu. System wyszukuje charakterystyczne oznaki oblodzenia, pęknięć, uszkodzeń powierzchni oraz śladów po wyładowaniach atmosferycznych.

Przetwarzanie odbywa się bezpośrednio przy urządzeniu, dzięki czemu do centrum zarządzania nie trzeba nieprzerwanie przesyłać pełnych strumieni obrazu. System może lokalnie przeprowadzić analizę, sklasyfikować wykrytą nieprawidłowość i przekazać operatorowi wynik wraz z ostrzeżeniem. Skraca to czas reakcji i ogranicza wymagania dotyczące przepustowości sieci.

Według danych przedstawionych przez dostawcę rozwiązania modele opracowane na podstawie rzeczywistych materiałów inspekcyjnych osiągały skuteczność przekraczającą 95% w wykrywaniu oblodzenia i pęknięć oraz ponad 80% w rozpoznawaniu uszkodzeń po uderzeniu pioruna. Wartości te odnoszą się do konkretnej aplikacji i zestawu danych wykorzystanego w projekcie, dlatego nie należy traktować ich jako uniwersalnych parametrów każdego systemu AI Vision.

Architektura systemu monitorowania turbin

Przy każdej monitorowanej turbinie zastosowano kamerę przystosowaną do pracy na zewnątrz oraz komputer Edge AI MIC-711-OX oparty na platformie NVIDIA® Jetson Orin™ NX.

Urządzenie odpowiadało za lokalne uruchamianie modeli inferencyjnych i analizę obrazu przesyłanego przez kamerę.

Wyniki były kierowane przez sieć farmy wiatrowej do centralnego panelu zarządzania. Operatorzy mogli z jednego miejsca obserwować status wielu turbin, przeglądać obrazy oraz raporty i reagować na alarmy generowane przez system. Taka architektura łączyła zalety lokalnego przetwarzania z centralnym nadzorem nad całą instalacją.

Modele AI po zakończeniu treningu można było zdalnie synchronizować z komputerami brzegowymi. Ułatwiało to ich aktualizowanie i stopniowe doskonalenie bez konieczności fizycznego dostępu do każdej turbiny.

Modernizacja istniejącej infrastruktury zamiast wymiany turbin

Jedną z głównych zalet rozwiązania była możliwość instalacji w już działających farmach wiatrowych. System nie wymagał wymiany zespołu turbiny ani rozbudowanej ingerencji w jej konstrukcję. Kamera i komputer Edge AI mogły zostać dodane jako niezależna warstwa monitorowania.

Według opisu wdrożenia montaż odbywał się w formule plug and play, a uruchomienie systemu na miejscu mogło zostać zakończone w ciągu około godziny. Rozwiązanie projektowano w taki sposób, aby sama instalacja i późniejsze monitorowanie nie wymagały wyłączania turbiny. W przypadku nietypowych warunków lokalnych rozmieszczenie kamer oraz modele analityczne mogły zostać dostosowane do konkretnej farmy i używanych typów turbin.

Podejście modernizacyjne pozwalało ograniczyć koszt wejścia w porównaniu z rozbudową turbin o bardziej złożone, fabrycznie zintegrowane systemy pomiarowe. Jednocześnie operator otrzymywał dostęp do bieżących informacji o stanie łopat, bez rezygnacji z dotychczasowej infrastruktury.

Dlaczego przetwarzanie na brzegu sieci?

Monitoring wielu turbin generuje dużą liczbę obrazów, których ciągłe przesyłanie do chmury lub centralnego serwera zwiększałoby wymagania sieciowe i opóźniało wykrywanie problemów. Lokalna inferencja pozwala analizować dane tam, gdzie powstają, oraz przekazywać do centrum zarządzania przede wszystkim wyniki, alarmy i wybrane materiały wymagające uwagi operatora.

Zastosowany w projekcie MIC-711-OX ma kompaktową bezwentylatorową konstrukcję i został zaprojektowany do pracy jako przemysłowy komputer inferencyjny. Niewielkie wymiary ułatwiają montaż w pobliżu turbiny, natomiast brak wentylatora ogranicza liczbę elementów mechanicznych i ryzyko gromadzenia się zanieczyszczeń wewnątrz obudowy.

Platforma zapewnia również interfejsy komunikacyjne oraz możliwości rozbudowy potrzebne do połączenia kamery, pamięci masowej i infrastruktury sieciowej. Wsparcie dla zdalnego monitorowania oraz aktualizacji oprogramowania ułatwia zarządzanie systemami rozproszonymi na dużym obszarze farmy.

Efekt wdrożenia

Zastosowanie systemu AI Vision umożliwiło przejście od okresowych inspekcji do regularnego, zdalnego nadzoru nad stanem łopat turbin. Wykrycie oznak oblodzenia, pęknięcia lub innego uszkodzenia mogło automatycznie uruchomić alarm, zanim problem rozwinął się w awarię wymagającą kosztownej naprawy.

Operatorzy otrzymali dostęp do bieżącego obrazu sytuacji z poziomu centralnego panelu. Ułatwiło to planowanie prac utrzymaniowych na podstawie rzeczywistego stanu urządzeń. Pozwoliło też ograniczyć liczbę rutynowych inspekcji wykonywanych na wysokości, skrócić czas reakcji na wykryte nieprawidłowości i zmniejszyć ryzyko nieplanowanych przestojów.

Zaprezentowane studium przypadku pokazuje, że połączenie kamer przemysłowych, lokalnego przetwarzania obrazu i centralnego systemu zarządzania może stanowić efektywną warstwę modernizacji istniejących farm wiatrowych. Edge AI nie zastępuje wszystkich metod diagnostycznych. Pozwala natomiast szybciej wskazywać turbiny wymagające dokładniejszej kontroli i skuteczniej kierować zasoby serwisowe tam, gdzie są rzeczywiście potrzebne.

Źródło: Advantech