Wykrywanie usterek urządzeń inteligentnej sieci energetycznej przy użyciu uczenia maszynowego i analizy danych

Wysokie wibracje, temperatura i problemy z ciśnieniem powodują awarie obracających się urządzeń elektrycznych. Awarie stają się znaczne, gdy urządzenia te są używane w przemyśle i w inteligentnej sieci. Najczęstsze awarie są spowodowane wysokimi wibracjami, a czasami mogą prowadzić do całkowitego wyłączenia systemu. System monitorowania stanu musi być niezawodny i wykrywać przyszłe warunki awarii urządzeń elektrycznych. System monitorowania stanu (CM) jest niezawodny i predykcyjny, gdy wdrożone są uczenie maszynowe i analiza danych. Istnieją różne techniki uczenia maszynowego, które pomagają wykryć awarię w minimalnym czasie, wykorzystując historyczne dane dotyczące urządzeń i analizę danych. Pomaga to również uniknąć trwałej awarii elektrycznych urządzeń obrotowych. Dlatego niniejszy artykuł koncentruje się na monitorowaniu stanu ioszacowanie pozostałego okresu użytkowania (RUL) sprzętu elektrycznego podłączonego do sieci przy użyciu analizy głównych składowych (PCA). PCA to nienadzorowana technika uczenia maszynowego, która jest proponowana w tym artykule do studium przypadku łożysk turbin wiatrowych o dużej prędkości.