Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

16
Φεβ

Παρουσίαση διπλωματικής εργασίας κ. Καπενή Αντωνίου, Σχολή ΜΠΔ
Κατηγορία: Παρουσίαση Διπλωματικής Εργασίας   ΜΠΔ  
Τοποθεσία
Ώρα16/02/2024 14:00 - 15:00

Περιγραφή:

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ

ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ

Ονοματεπώνυμο:    Καπενής Αντώνιος
Αριθμός Μητρώου:    2018010107

Θέμα:
Τίτλος στα Ελληνικά:    Προληπτική Συντήρηση και Ανίχνευση Βλαβών σε Χερσαίο Αιολικό Πάρκο Μέσω Ψηφιακών Διδύμων
Τίτλος στα Αγγλικά:    Predictive Maintenance and Fault Detection on Onshore Windfarm Using Digital Twins

Εξεταστική Επιτροπή:
Επιβλέπων:        Αραμπατζής Γιώργος, Αναπληρωτής Καθηγητής
Πρώτο Μέλος:        Τσιναράκης Γεώργιος, ΕΔΙΠ
Δεύτερο Μέλος:    Ιψάκης Δημήτρης, Επίκουρος Καθηγητής

Περίληψη:
 Η παρούσα διατριβή επικεντρώνει την προσοχή της στην ανάπτυξη ενός ψηφιακού διδύμου που αναπαριστά πιστά ένα φυσικό αιολικό πάρκο που βρίσκεται στην Ελλάδα. Ο κύριος στόχος είναι να δημιουργηθεί ένα εικονικό αντίγραφο που να μιμείται τα πραγματικά χαρακτηριστικά και τη δυναμική του αιολικού πάρκου. Για να επιτευχθεί αυτό, η διατριβή παρουσιάζει αλγορίθμους που έχουν σχεδιαστεί ειδικά για να διευκολύνουν δύο ζωτικής σημασίας λειτουργίες: την προληπτική συντήρηση και την ανίχνευση βλαβών. Αυτοί οι αλγόριθμοι αποτελούν αναπόσπαστο μέρος της λειτουργίας του ψηφιακού διδύμου, επιτρέποντάς του να προβλέπει πιθανά ζητήματα και να εντοπίζει τα υπάρχοντα προβλήματα στις ανεμογεννήτριες. Ένα σημαντικό χαρακτηριστικό του ψηφιακού δίδυμου που επινοήθηκε στην παρούσα διατριβή είναι η ικανότητά του να ρυθμίζει τις λειτουργίες των ανεμογεννητριών. Αυτό συνεπάγεται την παρακολούθηση της απόδοσής τους και, κυρίως, τη λήψη των κατάλληλων μέτρων σε περίπτωση δυσλειτουργίας. Όταν το σύστημα αναγνωρίζει μια δυσλειτουργία, έχει τη δυνατότητα να αναστέλλει προσωρινά ή μόνιμα τη λειτουργία των επηρεαζόμενων ανεμογεννητριών μέχρι να επιλυθεί πλήρως το πρόβλημα. Αυτή η προσέγγιση διασφαλίζει ότι τυχόν προβλήματα αντιμετωπίζονται άμεσα, ελαχιστοποιώντας τον χρόνο διακοπής λειτουργίας και τις πιθανές βλάβες. Ένα κρίσιμο στοιχείο της διατριβής επικεντρώνεται στην ενσωμάτωση δεδομένων πραγματικού χρόνου που λαμβάνονται από το αιολικό πάρκο. Τα δεδομένα αυτά είναι απαραίτητα για την εκτέλεση των αλγορίθμων, καθώς παρέχουν τη ζωτική είσοδο για να επιτελέσει ο ψηφιακός δίδυμος με επιτυχία τις λειτουργίες της προληπτικής συντήρησης και της ανίχνευσης βλαβών. Μέσω της χρήσης γνήσιων λειτουργικών δεδομένων, ο ψηφιακός δίδυμος μπορεί να παράγει ακριβέστερες προβλέψεις και διαγνώσεις, με τελικό αποτέλεσμα την αποτελεσματικότερη και πιο αξιόπιστη διαχείριση του αιολικού πάρκου.

Περίληψη (Αγγλικά):
 This thesis places its focus on the development of a digital twin that faithfully embodies a physical wind farm located in Greece.  The principal objective is to establish a virtual counterpart that emulates the real-world characteristics and dynamics of the wind farm. In order to accomplish this, the thesis presents algorithms that are specifically devised to facilitate three vital functionalities: power output prediction, predictive maintenance and fault detection. These algorithms are an integral part of the digital twin's operation, enabling it to forecast potential issues and identify existing problems in the wind turbines. An important characteristic of the digital twin devised in this thesis is its capability to regulate the operations of the wind turbines, per demand. This entails monitoring their performance and, crucially, taking appropriate measures in the event of a malfunction. When the system recognizes a malfunction, it possesses the capability to either temporarily or permanently suspend the operation of the affected turbines until the issue is completely resolved. This approach ensures that any problems are promptly addressed, minimizing downtime and potential harm. A crucial element of the wind farm digital twin centers around the incorporation of real-time data acquired from the wind farm. This data is essential in order to execute the algorithms, as it provides the vital input for the digital twin to successfully perform its functions of predictive maintenance and fault detection. Through the utilization of genuine operational data, the digital twin can generate more accurate predictions and diagnoses, ultimately resulting in a more effective and dependable management of the wind farm.


Ημ/νία εξέτασης:    16/02/2024
Ώρα:            14:00

Χώρος εξέτασης:
Η παρουσίαση θα γίνει με τηλεδιάσκεψη: https://tuc-gr.zoom.us/j/81671181933?pwd=STRyS2YzVVJUWEYvVEJIZ0xLbzRaZz09

© Πολυτεχνείο Κρήτης 2012