Международное сотрудничество между EPFL и Университетом Глазго привело к созданию усовершенствованного алгоритма машинного обучения, позволяющего эффективно обнаруживать скрытые производственные дефекты в композитных лопастях ветряных турбин до того, как турбины будут введены в эксплуатацию.

Неисправные лопасти ветряных турбин могут повлечь за собой огромные расходы для компаний, которые их эксплуатируют, особенно если дефекты остаются незамеченными до тех пор, пока не становится слишком поздно. Вот почему обеспечение качества является стратегически важным вопросом для мировых производителей ветряных турбин. Сегодня контроль качества ограничивается поверхностным осмотром ограниченных участков, когда эти композитные конструкции сходят с производственной линии.

Но в рамках нового подхода, разработанного совместно исследователями EPFL и Университета Глазго, инженеры-инспекторы могут использовать новую запатентованную радиолокационную технологию в сочетании с помощником искусственного интеллекта для обнаружения возможных аномалий под поверхностью. Этот подход имеет множество преимуществ: он неразрушающий, бесконтактный, поддерживает гибкий и быстрый сбор и анализ данных и требует очень мало энергии для работы. Исследование только что было опубликовано в журнале Mechanical Systems and Signal Processing.

Объединение обработки сигналов и искусственного интеллекта

Исследование опирается на более раннюю работу обоих институциональных партнеров. Эту работу возглавила Ольга Финк, сегодня доцент кафедры гражданского строительства и глава Лаборатории интеллектуальных систем обслуживания и эксплуатации (IMOS) Школы архитектуры, гражданского строительства и экологической инженерии EPFL (ENAC).

В предыдущих исследованиях она разработала методы обнаружения аномалий путем обработки звуков, издаваемых неисправными машинами, подавления фонового шума в аудиозаписях и классификации песен птиц путем внедрения возможностей обучения в хорошо известные и обоснованные подходы к обработке сигналов.

«Производители создают ветряные турбины большего размера, с более сложной конструкцией. Все это увеличивает вероятность возникновения дефектов на этапе производства», — говорит Ольга Финк, руководитель Лаборатории интеллектуальных систем обслуживания и эксплуатации (IMOS).

Сегодня она рассматривает новые приложения для своих систем, управляемых искусственным интеллектом. «Ветровые турбины изготавливаются из нескольких различных композитных материалов, таких как стекловолокно и углеродное волокно», — говорит она. «Производители также создают их крупнее, с более сложной конструкцией. Все это увеличивает вероятность возникновения дефекта на этапе производства».

Технология измерения

Команда Университета Глазго под руководством профессора Дэвида Флинна из Инженерной школы Джеймса Уотта и руководителя исследовательского отдела автономных систем и средств связи стала пионером в использовании методов прогнозирования и управления здравоохранением. Они изучили, как робототехника и искусственный интеллект (RAI) могут поддерживать инфраструктуру с нулевым уровнем выбросов.

Исследователи из Глазго использовали запатентованный радар непрерывного действия с частотной модуляцией и роботизированной рукой для проверки образцов лопастей промышленных ветряных турбин на расстоянии 5, 10 и 15 сантиметров от образца. Используя методы обработки сигналов, они смогли изолировать особенности и предшественники будущих сбоев в этих сложных составных образцах (см. ниже видео, созданное Университетом Глазго).

Улучшение представления данных

При предоставлении этих экспериментальных данных команде IMOS задача заключалась в том, чтобы повысить информативность функций, встроенных в эти необработанные данные. Оказалось, что сигналы, получаемые радаром, различались в зависимости от расстояния досмотра, а также материала поверхности и сердцевины лопасти.

Гаэтан Фруске, постдок в IMOS и ведущий автор исследования, объясняет: «В IMOS мы использовали комплексное представление сигналов, чтобы лучше разделить содержащуюся в них информацию и соответствующим образом адаптировать модель ИИ». В результате разработанный ими алгоритм позволяет отличать аномалии от однородных деталей турбины.

Теперь исследователи из Глазго планируют собрать больше данных для дальнейшей проверки результатов IMOS. Исследователи планируют в конечном итоге проверить свой метод на существующих турбинах, что они смогут сделать, установив датчик на роботизированную руку или на дрон. Это должно позволить им выявлять производственные дефекты в турбинах до их ввода в эксплуатацию или проверять турбины во время эксплуатации. После установки бездефектные турбины могут работать около 20 лет.