Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020140103 - SCALABLE SYSTEM AND ENGINE FOR FORECASTING WIND TURBINE FAILURE

Publication Number WO/2020/140103
Publication Date 02.07.2020
International Application No. PCT/US2019/068842
International Filing Date 27.12.2019
IPC
F03D 7/00 2006.01
FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
03MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
DWIND MOTORS
7Controlling wind motors
G05B 19/042 2006.01
GPHYSICS
05CONTROLLING; REGULATING
BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
19Programme-control systems
02electric
04Programme control other than numerical control, i.e. in sequence controllers or logic controllers
042using digital processors
CPC
F03D 17/00
FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
03MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
DWIND MOTORS
17Monitoring or testing of wind motors, e.g. diagnostics
F05B 2260/84
FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
05INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
BINDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
2260Function
84Modelling or simulation
G06F 2119/02
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
2119Details relating to the type or aim of the analysis or the optimisation
02Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
G06F 30/20
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
30Computer-aided design [CAD]
20Design optimisation, verification or simulation
G06N 20/00
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
G06N 20/20
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
20Ensemble learning
Applicants
  • WANG, Yajuan [US]/[US]
  • SOLYMOSI, Gabor [HU]/[HU]
  • SZARKA, Ede [HU]/[HU]
  • KIM, Younghun [US]/[US]
Inventors
  • WANG, Yajuan
  • SOLYMOSI, Gabor
  • SZARKA, Ede
  • KIM, Younghun
Agents
  • KLOKE, Daniel
Priority Data
16/234,45527.12.2018US
Publication Language English (EN)
Filing Language English (EN)
Designated States
Title
(EN) SCALABLE SYSTEM AND ENGINE FOR FORECASTING WIND TURBINE FAILURE
(FR) SYSTÈME ÉVOLUTIF ET MOTEUR PERMETTANT DE PRÉDIRE UNE DÉFAILLANCE D'ÉOLIENNE
Abstract
(EN)
An example method utilizing different pipelines of a prediction system, comprises receiving event and alarm data from event logs, failure data, and asset data from SCADA system(s), retrieve patterns of events, receiving historical sensor data from sensors of components of wind turbines, training a set of models to predict faults for each component using the patterns of events and historical sensor data, each model of a set having different observation time windows and lead time windows, evaluating each model of a set using standardized metrics, comparing evaluations of each model of a set to select a model with preferred lead time and accuracy, receive current sensor data from the sensors of the components, apply the selected model(s) to the current sensor data to generate a component failure prediction, compare the component failure prediction to a threshold, and generate an alert and report based on the comparison to the threshold.
(FR)
Le procédé donné à titre d'exemple dans la présente invention utilise différents pipelines d'un système de prédiction, et comprend les étapes consistant à : recevoir des données d'événement et d'alarme provenant de journaux d'événements, de données de défaillance et de données d'actifs provenant d'un système(s) SCADA; récupérer des motifs d'événements; recevoir des données de capteur historiques à partir de capteurs de composants d'éoliennes; instruire un ensemble de modèles pour prédire des défauts pour chaque composant à l'aide des motifs d'événements et de données de capteur historiques, chaque modèle d'un ensemble ayant différentes fenêtres de temps d'observation et fenêtres de temps de connexion; évaluer chaque modèle d'un ensemble à l'aide de métriques normalisées; comparer les évaluations de chaque modèle d'un ensemble pour sélectionner un modèle avec un temps de connexion et une précision préférés; recevoir des données de capteur de courant provenant des capteurs des composants; appliquer le modèle (s) sélectionné aux données de capteur de courant pour générer une prédiction de défaillance de composant; comparer la prédiction de défaillance de composant à un seuil; et générer une alerte et un rapport sur la base de la comparaison avec le seuil.
Also published as
Latest bibliographic data on file with the International Bureau