Catalogus

Zoeken

Zoeken kan via de modus 'eenvoudig zoeken' (één veld) of uitgebreid via 'geavanceerd zoeken' (meerdere velden). Zo kan je bv. zoeken op een combinatie van een auteursnaam (auteur), een jaartal (jaar) en een documenttype.

Boekenmand

Nuttige resultaten kan je aanvinken en toevoegen aan een mandje. De inhoud hiervan kan je exporteren of afdrukken (naar bv. PDF).

RSS

Op de hoogte blijven van nieuw toegevoegde publicaties binnen uw interessegebied? Dit kan door een RSS-feed (?) te maken van jouw zoekopdracht.

log in

Publicaties | Kaarten

nieuwe zoekopdracht

[ meld een fout in dit record ]

mandje (1): toevoegen | toon

---

one publication added to basket [338040]

Advanced vibration signal procesing using edge computing to monitor wind turbine drivetrains Peeters, C.; Verstraeten, T.; Nowé, A.; Daems, P.-J.; Helsen, J. (2019). Advanced vibration signal procesing using edge computing to monitor wind turbine drivetrains, in: ASME 2019 2nd International Offshore Wind Technical Conference. pp. 6 In: (2019). ASME 2019 2nd International Offshore Wind Technical Conference. American Society of Mechanical Engineers (ASME): New York. ISBN 978-0-7918-5935-3. 434 pp.

---

Beschikbaar in	Auteurs
VLIZ [ aanvragen ]
Documenttype: Congresbijdrage

---

Auteurs		Top
Peeters, C. Verstraeten, T. Nowé, A.	Daems, P.-J. Helsen, J.

---

Abstract

This paper illustrates an integrated monitoring approach for wind turbines exploiting this Industry 4.0 context. Our combined edge-cloud processing approach is documented. We show edge processing of vibration data captured on a wind turbine gearbox to extract diagnostic features. Focus is on statistical indicators. Real-life signals collected on an offshore turbine are used to illustrate the concept of local processing. The NVIDIA Jetson platform serves as edge computation medium. Furthermore, we show an integrated failure detection and fault severity assessment at the cloud level. Health assessment and fault localization combines state-of-the-art vibration signal processing on high frequency data (10kHz and higher) with machine learning models to allow anomaly detection for each processing pipeline. Again this is illustrated using data from an offshore wind farm. Additionally, the fact that data of similar wind turbines in the farm is collected allows for exploiting system similarity over the fleet.

---

Alle informatie in het Integrated Marine Information System (IMIS) valt onder het VLIZ Privacy beleid

Top | Auteurs