top of page
Home: Welcome
turbit-04-trans.png

Arbeiten mit
Turbit KI

Minderleistungen erkennen, untersuchen und frühzeitig beheben. Abnormale Verhaltensmuster von Komponenten werden sofort entdeckt. Durch das Feedback unserer KundInnen wird die KI von Turbit stetig besser.

Home: Headliner

So funktioniert Turbit

 

Allgemeine Alarmeinstellungen

 

Im Allgemeinen messen Turbit Detection KPIs den Unterschied zwischen simulierten Daten aus neuronalen Netzen und tatsächlichen Daten aus der Windkraftanlage. Wenn dieser Unterschied einen bestimmten Schwellenwert erreicht, wird ein Alarm ausgelöst.   

  

Die Schwellenwerte werden von Turbit dynamisch festgelegt, abhängig von der Leistung des neuronalen Netzwerks (NN) und der Vorhersagesicherheit pro Analysemodul pro Turbine.  

 
 

Alarmeinstellungen für Turbit-Module

 

Auf hoher Ebene verwendet Turbit verschiedene Erkennungs-KPIs für KI-Ãœberwachungsmodule. Während Erkennungs-KPIs für die Energieüberwachung kürzere Zeiträume analysieren (letzte 30 Minuten). Erkennungs-KPIs für die Hauptkomponenten berücksichtigen längere Zeiträume (5–10 Tage), um eine hohe Alarmrelevanz sicherzustellen.  

  

Für die Stromüberwachung und Wildtierüberwachung fügen wir detaillierte Filter basierend auf Statuscodes und zusätzlichen Informationen aus der Betriebssoftware wie Bazefield hinzu, um eine hohe Alarmrelevanz sicherzustellen. Wir können Filter pro Turbine und Modul einstellen. 

 
 

Erhöhen Sie die Modellleistung

 

Um die NN-Leistung und Vorhersagesicherheit zu verbessern, verwalten wir Trainingsdatensätze per neuronalem Netzwerk, während wir die Windkraftanlage einbauen und überwachen.    

Bei jedem bestätigten Alarm fügt Turbit automatisch Daten zum Trainingsdatensatz hinzu oder schließt sie aus. Unsere Umschulungspläne stellen eine regelmäßige Umschulung sicher, um leistungsstärkere neuronale Netze in die Produktion zu bringen.  

 
 

Automatische Berichte

 

Zu jeder automatischen Warnung gehört ein automatisch generierter Bericht. Der Bericht ist so aufgebaut, dass Warnungen schnell interpretiert werden können. Der Bericht heißt Ereigniskarte. Die Ereigniskarte zeigt relevante Diagramme, Benchmarks von nahegelegenen Turbinen und überlappende Statuscodes der Anomalie an.

 
 

Intelligente Dashboards und Warnungen

 

Überblick über Datenqualität, Modell-Performance und Anomalien pro Turbit Modul. Das Dashboard und die Event Card sind das zentrale Designprinzip von Turbit.

Das Portfolio auf einem Blick

  • Datenqualität

  • Intelligente Benachrichtigungen

  • Kennzahlen

  • Modellleistung

 

Automatische
Analysen

  • Plots

  • Benchmarks

  • Status Codes

  • Statistiken

 

Arbeitsprozesse mit Turbit

icon1.png

Turbit

  • Bereitstellung einer gründlichen Ursachenanalyse

   

  • Vorbereitung von Videoanalysen für eine bessere Kommunikation

​

  • Dashboards für Flottenzustand, Datenqualität und Modellleistung

​

icon3.png

Turbit & Kunde

  • Überprüfen Sie die Ursachen

​​

  • Erstellen Sie Vorschläge für vorbeugende Maßnahmen für OEM oder Service

​​

  • Berichte und KPIs für internal und externe Kommunikation

icon2.png

Kunde

  • Handeln Sie bei der Früherkennung potenzieller Komponentenschäden

   

  • Kommuniziert mit Servicepartnern und Turbit

​

  • Liefert nach der Wartung direktes Feedback an Turbit​​​

Stellen Sie die Turbit-Ãœberwachung bereit

Leistung

 
  • Sofortige Shutdown-Erkennung

​

  • Minderleistung detektieren

​

  • ​Langzeitüberwachung der Leistungskurven

​

  • Automatische Verlustberechnung

icon-19.png

Leistung

 
  • Sofortige Shutdown-Erkennung

​

  • Minderleistung detektieren

​

  • ​Langzeitüberwachung der Leistungskurven

​

  • Automatische Verlustberechnung

icon-20.png

Leistung

 
  • Sofortige Shutdown-Erkennung

​

  • Minderleistung detektieren

​

  • ​Langzeitüberwachung der Leistungskurven

​

  • Automatische Verlustberechnung

icon-21.png

Wie man starten kann

Verbinden Sie Ihren Operations-Software-Stack mit Turbit oder laden Sie SCADA-Daten hoch.

Buchen Sie eine Demo mit Turbit und erfahren Sie, wie Best Practices im maschinellen Lernen in der technischen Betriebsführung eingesetzt werden können.

bottom of page