HTW 2018: deteção de falhas em turbinas eólicas
Concurso terminado
- Data-limite: 27 de setembro de 2018, 10:00 (CET)
- Primeiro prémio: 5000 € para a equipa vencedora do desafio da EDP
- Melhor Solução Técnica: 2000 € para a equipa com os melhores resultados do algoritmo
Descrição
Tempo é dinheiro e a antecipação de falhas nas turbinas eólicas pode reduzir o tempo de manutenção e o decréscimo da produção devido à indisponibilidade, abrindo caminho a custos mais baixos e nivelados de energia limpa. Quantas falhas conseguirá prever? Desafiamo-lo a desenvolver uma solução global para este problema, atribuindo especial atenção às capacidades de antecipação, de forma a detetar falhas na fase inicial e, consequentemente, reduzir os custos de manutenção. As componentes a ser monitorizadas serão as seguintes:
- Caixa de velocidades
- Gerador
- Rolamento do gerador
- Transformador
- Grupo hidráulico
Disponibilizamos 2 anos de registos SCADA referentes a 5 turbinas eólicas e dados meteorológicos para que possa criar, treinar e testar os seus modelos. Incluímos, também, 1 ano de falhas anteriormente detetadas.
Regras
Aqui, pedimos que cada equipa ponha à prova as suas capacidades de previsão! O objetivo deste desafio de dados é fomentar novas estratégias de manutenção preventiva inovadoras e fiáveis que evitem a ocorrência de medidas corretivas de grande dimensão, de forma a prever e minimizar o tempo de inatividade dos recursos e diminuir os custos associados.
Regras mais relevantes:
Data-limite de envio: 27 de setembro de 2018, 10:00;
Prémio:
5000 € para a equipa com a melhor solução global;
2000 € para a equipa com a melhor solução técnica;
A equipa vencedora do Primeiro prémio não é elegível para ganhar o prémio de Melhor Solução Técnica.
- Elegibilidade:
- Aqueles que estiverem inscritos no concurso;
- Aqueles cuja idade seja superior à idade exigida por lei no seu país de residência para participar neste concurso;
- Aqueles que forem titulares de uma conta bancária no seu país de residência fiscal;
- Aqueles que possuírem competências de TI, técnicas, de design, ou de marketing; e
- Aqueles que possuírem o seu próprio equipamento informático em condições de funcionamento durante a totalidade do período de duração do concurso.
Para serem elegíveis para vencer o desafio, os participantes devem, também, estar presentes durante a apresentação do protótipo da sua equipa ou, se necessário, ser dispensados pelos restantes membros da sua equipa.
- Conjuntos de dados externos: apenas os conjuntos de dados fornecidos devem ser exigidos para a solução.
Para mais informações sobre as regras, consulte os Termos e Condições da organização do Hack the Wind 2018 (disponível em inglês).
Avaliação do desafio
Este desafio integra o Hack The Wind 2018 e, como tal, queremos desafiar cada equipa a desenvolver mais do que apenas um simples algoritmo preditivo. Procuramos uma solução global, não apenas centrada nas capacidades preditivas da equipa, mas também no modelo de negócio como um todo e na forma como apresentam a vossa solução.
A avaliação será dividida em dois momentos:
- A primeira fase consiste num processo de avaliação científico justo, no qual uma equipa de um mentor encarregue da avaliação irá reunir com as equipas individualmente, ouvir as suas apresentações e selecionar os finalistas. Nesta fase, a sua pontuação será gerada de acordo com os seguintes critérios: 35% proveniente da opinião dos juízes; 65% proveniente dos resultados dos algoritmos.
- Na segunda fase, cada equipa finalista irá apresentar o seu protótipo ao júri. Nesta fase, a pontuação será de acordo com os seguintes critérios: 40% proveniente dos resultados dos algoritmos; 25% proveniente da apresentação; 20% proveniente do design de UI/UX; 15% proveniente do modelo de negócio.
Prémios:
Em conformidade com os critérios acima mencionados, 2 equipas receberão os seguintes prémios:
- Primeiro prémio de 5000 € para a equipa com a melhor solução global, isto é, a equipa com a pontuação mais alta em todas as componentes dos critérios de avaliação da fase 2.
- Prémio de melhor solução técnica, no valor de 2000 €, para a equipa com a pontuação mais alta na componente "Resultados do algoritmo" dos critérios de avaliação da fase 2
A equipa vencedora do Primeiro prémio não é elegível para ganhar o prémio de Melhor Solução Técnica.
Para perceber de que forma o algoritmo é avaliado, consulte o separador "Avaliação do algoritmo".
Avaliação do algoritmo
Relativamente ao algoritmo preditivo, as apresentações serão classificadas com base na poupança total relacionada com a previsão, isto é, a capacidade de reduzir os custos de manutenção (incluindo preventivos e corretivos).
As previsões podem ser classificadas como:
- Os verdadeiros positivos (TP) são falhas na turbina e no subsistema eólicos corretos, detetadas entre 2 a 60 dias antes da data do intervalo. Se for detetada uma falha no período certo mas na turbina ou subsistema eólico errados, esta contará como falso positivo. Os verdadeiros positivos traduzem-se em poupanças, que representam a diferença entre os custos de substituição e os custos de reparação.
![math formula representing that false positives are translated into inspection costs math formula representing that false positives are translated into inspection costs](/sites/default/files/2023-02/Hack%20the%20Wind%20Fomula03.png)
- Os falsos negativos (FN) são falhas reais numa turbina e num subsistema eólicos que não foram detetadas nos 2 a 60 dias anteriores. Os falsos negativos traduzem-se em custos de substituição.
![math formula representing that false negatives are translated into replacement costs. math formula representing that false negatives are translated into replacement costs.](/sites/default/files/2023-02/Hack%20the%20Wind%20Fomula02.png)
- Os falsos positivos (FP) são detetados numa turbina e num subsistema eólicos onde não existam falhas nos 2 a 60 dias seguintes. Os falsos positivos traduzem-se em custos de inspeção.
![math formula representing that false positives are translated into inspection costs math formula representing that false positives are translated into inspection costs](/sites/default/files/2023-02/Hack%20the%20Wind%20Fomula01_0.png)
De acordo com a classificação anterior, as suas previsões implicarão Custos de Substituição (RP), Custos de Reparação (RC) ou Custos de Inspeção (IC). Os RP, RC e IC para cada componente encontram-se descritos na tabela abaixo:
![table representing the replacement costs (rp), repair costs (rc) or inspection costs (ic) for each component table representing the replacement costs (rp), repair costs (rc) or inspection costs (ic) for each component](/sites/default/files/2023-02/Hack%20the%20Wind%20Tabela_0.png)
Com base nas previsões e custos associados, a poupança total com base na previsão é calculada contabilizando as 5 componentes e as 5 turbinas eólicas, de acordo com a seguinte métrica:
![graph representing total prediction savings are calculated accounting all the 5 components and 5 wind turbines graph representing total prediction savings are calculated accounting all the 5 components and 5 wind turbines](/sites/default/files/2023-02/Hack%20the%20Wind%20Grafico.png)
Sistema de classificação:
Com base na poupança de custos decorrente do algoritmo de manutenção preditiva, os resultados serão classificados entre 0 e 20, recorrendo a uma função de ativação sigmoide não revelada, conforme descrito a seguir:
- Poupança com base na previsão positiva (parte verde da curva) significa que o seu modelo permitiu poupanças e que obteve uma nota positiva (>10).
- Poupança com base na previsão negativa (parte azul da curva) significa que o seu modelo resultou em despesas adicionais e que obteve uma nota negativa (<10).
- Poupança com base na previsão nula significa que a despesa adicional causada por previsões erradas é compensada pela poupança adicional causada por previsões precisas e que obteve a nota 10.
Vencedores do primeiro prémio
Testemunho e abordagem da equipa Alpha-I
"Para a Alpha-I, o HTW 2018 foi uma fantástica experiência de aprendizagem, tanto em termos tecnológicos, como de conhecimentos de domínio. Além disso, consistiu em 48 horas passadas a analisar dados de forma ininterrupta, bem como numa oportunidade para interagir com novas pessoas no setor. A equipa da EDP Renováveis foi muito prestável, para além de ter ajudado na compreensão dos dados. Durante o hackathon, a Alpha-I avaliou uma abordagem dupla. Em primeiro lugar, as propriedades estatísticas dos dados SCADA foram analisadas para formalizar regras de deteção de anomalias. No entanto, a escassez de dados relativos a falhas dificultou o treino dos nossos modelos de aprendizagem automática. Em segundo lugar, utilizando a nossa plataforma de visualização, procurámos sinais visuais aparentes anteriores à ocorrência de uma falha (de acordo com a lista de falhas de 2016). Recorrendo a conhecimentos de domínio, foi possível detetar facilmente algumas das falhas com bastante antecedência, utilizando apenas sinais visuais característicos dessas falhas. Em suma, concluímos que a visualização de dados e os conhecimentos de domínio podem ajudar a classificar os dados da turbina de modo a tornar a aprendizagem automática mais eficaz."
![foto da equipa vencedora do primeiro prémio durante o concurso de hack the wind foto da equipa vencedora do primeiro prémio durante o concurso de hack the wind](/sites/default/files/styles/focal_point_content_highlight_image_562x562/public/2023-04/Hack%20the%20wind%20-%20Winners%201.jpeg.webp?itok=xjSaPgxl)
Vencedores do prémio melhor solução técnica
Testemunho e abordagem da equipa ODS-AI
"Durante a hackathon, a equipa ODS AI teve uma excelente oportunidade para analisar as especificidades inerentes ao trabalho com dados no domínio da energia eólica. Foi uma fantástica experiência, aliada à interessante tarefa na área da aprendizagem automática. O primeiro passo consistiu no pré-processamento do conjunto de dados. Os valores em falta foram preenchidos através de interpolação pelos vizinhos e cada característica foi normalizada numa determinada turbina. Durante a investigação inicial, tornou-se claro que as soluções de ponta têm, geralmente, como base redes de Memória a Curto Prazo Longa. Não obstante, para as condições existentes, esta abordagem foi ineficaz, devido ao tempo de treino limitado e à dimensão do conjunto de dados. Como alternativa, foi utilizada a rede neuronal convolucional unidimensional com janela móvel de 10 dias. Para fazer face ao facto de o conjunto de dados ser limitado, foi utilizada a técnica de aumento de dados. Esta abordagem demonstrou ser eficaz. No entanto, também gerou diversos resultados falso-positivos e foi incapaz de prever falhas no rolamento do gerador."
![2 members of the prize best technical solution: ods-ai testimony and approach 2 members of the prize best technical solution: ods-ai testimony and approach](/sites/default/files/styles/focal_point_content_highlight_image_562x562/public/2023-01/Hack%20the%20Wind%20winners%202.jpg.webp?itok=lWNcU8AI)