Data-Driven Performance Monitoring, Fault Detection and Dynamic Dashboards for Offshore Wind Farms

Promovendus/a
Olivier Janssens
Faculteit
Faculteit Ingenieurswetenschappen en Architectuur
Vakgroep
Vakgroep Elektronica en Informatiesystemen
Curriculum
Master of Science in de industriële wetenschappen: elektronica - ICT, Hogeschool West-Vlaanderen, 2012
Academische graad
Doctor in de industriële wetenschappen: elektronica-ICT
Taal proefschrift
en
Vertaling titel
Datagedreven prestatiemonitoring, foutdetectie en dynamische dashboards voor offshorewindmolenparken
Promotor(en)
prof. Sofie Van Hoecke, vakgroep Elektronica en Informatiesystemen - prof. Mia Loccufier, vakgroep Elektrische Energie, Metalen, Mechanische Constructies en Systemen
Examencommissie
voorzitter prof. Patrick De Baets (academisch secretaris) - prof. Christof Devriendt (Vrije Universiteit Brussel) - prof. Tom Dhaene (Vakgroep Informatietechnologie) - prof. Mia Loccufier (Vakgroep Elektrische Energie, Metalen, Mechanische Constructies en Systemen) - dr. Femke Ongenae (Vakgroep Informatietechnologie) - prof. Aleksandra Pizurica (Vakgroep Telecommunicatie en Informatieverwerking) - prof. Kurt Stockman (Vakgroep Elektrische Energie, Metalen, Mechanische Constructies en Systemen) - prof. Sofie Van Hoecke (Vakgroep Elektronica en Informatiesystemen) - dr. ir. David Verstraeten (Yazzoom, Sint-Denijs-Westrem)

Korte beschrijving

Tegen 2020 heeft de Europese Unie zich geëngageerd gebruik te maken van 20 % hernieuwbare energie. Een land zoals België heeft het voordeel gebruik te kunnen maken van kustwateren voor het installeren van offshore windturbines om zo gemakkelijker deze doelstelling te kunnen halen aangezien offshore windturbineparken meer energie dan de onshore windturbineparken produceren. Vandaag de dag is de kost voor het oogsten van offshore windenergie nog aanzienlijk hoog door de exploitatie- en onderhoudskosten. Om deze te kunnen drukken is er nood aan predictief onderhoud. Predictief onderhoud vereist het continue inschatten van de gezondsheidsstatus van de windturbine door gebruik te maken van online condition monitoring. Dit vorm echter een complexe taak, waarbij veel kennis vereist is van machinebouw en elektrotechniek. Om de drempel naar continue monitoring te verlagen, worden datagedreven technieken voorgesteld in dit proefschrift die gebruik maken van de sensordata opgemeten in de windturbines. Datagedreven technieken werden ontwikkeld voor condition monitoring op drie niveaus: het windmolenpark, de individuele windturbine en op het niveau van de componenten in een turbine. Door gebruik te maken van machine learning, data en semantische web technologie wordt aangetoond dat online condition monitoring accuraat en efficiënt kan gedaan worden met beperkte expert kennis.

Praktisch

Wanneer
Maandag 26 juni 2017, 16:00
Waar
Jozef Plateauzaal, Plateaustraat 22, 9000 Gent

Meer info

Contact
doctoraat.ea@UGent.be