Wind Turbine Maintenance Log Labelling Framework: LLM-Driven Data Correction and Enrichment via Semantic Extraction of Reliability Intelligence

Sintesi Tecnica: Correzione e Arricchimento dei Dati Guidati da LLM per i Registri di Manutenzione delle Turbine Eoliche

Problematica
Con l'invecchiamento delle flotte di turbine eoliche, l'ottimizzazione dell'operatività e della manutenzione (O&M) è fondamentale per estendere la vita utile e ridurre il costo livellato dell'energia. Tuttavia, esiste un collo di bottiglia significativo nel settore dell'ingegneria dell'affidabilità: preziosa intelligenza sui guasti è intrappolata in voci di linguaggio naturale non strutturate nei registri storici di manutenzione. Questi record, archiviati nei sistemi di gestione della manutenzione computerizzata (CMMS), soffrono di problemi sistemici di qualità dei dati, tra cui codici di sistema gerarchici mancanti o errati, ambiguità semantica e etichette di tipo di manutenzione generiche o imprecise.

Le metodologie di affidabilità tradizionali, come l'Analisi dei Modi di Guasto e degli Effetti (FMEA), si affidano pesantemente al giudizio soggettivo di esperti per curare i modi di guasto e assegnare i parametri di rischio, poiché la verità empirica rimane bloccata nel testo non strutturato. Inoltre, gli approoli automatizzati esistenti che utilizzano l'elaborazione del linguaggio naturale (NLP) e l'apprendimento automatico (ML) tradizionale richiedono enormi dataset di addestramento etichettati manualmente e spesso introducono errori di classificazione algoritmica che distorcono i calcoli di affidabilità a valle. Il settore manca di una pipeline scalabile e automatizzata capace di trasformare queste osservazioni qualitative sul campo in metriche di affidabilità quantitative e leggibili dalle macchine.

Metodologia
Il documento presenta un framework innovativo e agnostico rispetto al modello che sfrutta i Large Language Models (LLM) per correggere, strutturare e arricchire autonomamente i registri di manutenzione. La metodologia opera su un dataset di 16.316 registri di manutenzione provenienti da 280 turbine eoliche in 32 parchi onshore, monitorati per nove anni (2017–2026).

La pipeline automatizzata esegue un processo sequenziale in più fasi:

1. Integrazione del Database e Pre-elaborazione: Il sistema fonde i dati dalle tabelle WORKORDER, WORKLOG e FAILURECODE per creare una descrizione cronologica unificata per ogni intervento, rimuovendo il rumore sintattico e gli identificatori sensibili.
2. Allineamento della Tassonomia e Correzione dei Codici di Sistema: Utilizzando il Reference Designation System for Power Plants (RDS-PP) come base, l'LLM esegue un audit in tre fasi: correzione delle misclassificazioni del sistema di pitch (spesso erroneamente inserite sotto le pale del rotore), recupero dei codici di sistema mancanti e audit delle discrepanze semantiche tra i codici assegnati e le descrizioni testuali.
3. Estrazione Semantica delle Tassonomie Empiriche: I log vengono raggruppati per codici di sistema corretti e topologie specifiche dei componenti (ad esempio, sistemi di pitch elettrici rispetto a quelli idraulici). L'LLM analizza questi lotti per costruire dizionari basati sull'evidenza di azioni di manutenzione e modi di guasto, definendo i modi di guasto tramite un nome, un meccanismo dominante, un sintomo osservato e una causa candidata.
4. Etichettatura Granulare: L'LLM elabora i singoli log per applicare le tassonomie derivate. Riclassifica i tipi di manutenzione (distinguendo, ad esempio, tra riparazioni correttive, ispezioni e reset) e assegna etichette di azione specifiche. Fondamentalmente, il sistema impiega un framework di ragionamento Chain-of-Thought (CoT), richiedendo al modello di generare una razionale e un punteggio di confidenza auto-assegnato prima di finalizzare un'etichetta.
5. Salvaguardie e Validazione: La pipeline incorpora regole deterministiche per gestire eventi non legati a guasti (ad esempio, ispezioni di routine) e categorie di "uscita" per dati non informativi. Un campione randomizzato di 300 log è stato revisionato manualmente, mostrando un tasso di accordo dell'80–90% tra gli output dell'LLM e il giudizio degli esperti.

Contributi Chiave

• Strutturazione Autonoma dei Dati: Il framework ha strutturato con successo oltre il 70% del dataset, correggendo autonomamente i codici di sistema gerarchici ed estraendo profili granulari dei modi di guasto senza la necessità di dati di addestramento preesistenti etichettati manualmente.
• Correzione delle Misclassificazioni Sistemiche: Lo studio ha identificato e risolto errori pervasivi, come la misclassificazione dei guasti del sistema di pitch sotto categorie più ampie di pale del rotore e l'etichettatura errata delle ispezioni come riparazioni correttive.
• Generazione di Tassonomie Basate sull'Evidenza: A differenza della FMEA tradizionale che si basa su panel di esperti soggettivi, questo metodo deriva i dizionari dei modi di guasto direttamente dall'aggregazione delle evidenze storiche, catturando meccanismi di degradazione dominanti e cause candidate specifiche per diverse topologie hardware.
• Pipeline Scalabile e Conveniente: L'approccio dimostra che gli LLM possono elaborare dati industriali complessi a una frazione del tempo e del costo della revisione manuale degli esperti, con un costo totale di elaborazione di circa 370 dollari per l'intero dataset (circa 0,0226 dollari per log).

Risultati
L'applicazione della pipeline ha prodotto cambiamenti quantitativi e qualitativi significativi nei dati:

• Recupero dei Codici di Sistema: Il 73,0% dei log con difetti gerarchici è stato rietichettato con successo. In particolare, l'estrazione del sistema di pitch ha raggiunto un tasso di successo del 99,1%, isolando guasti precedentemente nascosti sotto codici generici.
• Correzione del Tipo di Manutenzione: Il 24,50% del dataset globale ha visto la correzione del proprio tipo di manutenzione. Una scoperta fondamentale è stata la riclassificazione di molti log "correttivi" in categorie "preventive" o "di ispezione", elemento vitale per calcoli accurati del tasso di guasto.
• Granularità delle Azioni: La pipeline ha recuperato etichette di azione specifiche per l'8,27% dei log precedentemente vuoti e ha invertito il rapporto storico tra "riparazioni" e "sostituzioni", rivelando che le sostituzioni erano molto più comuni di quanto suggerito dalle etichette generiche di "riparazione".
• Estrazione dei Modi di Guasto: Il 71,5% del dataset è stato assegnato a un profilo completo di modo di guasto. Il dizionario empirico risultante ha evidenziato vulnerabilità specifiche, come il danneggiamento del rivestimento delle pale e il distacco dei sensori di vibrazione, rivelando distinti profili di degradazione tra i sistemi di pitch elettrici e idraulici.
• Impatto Analitico: I dati strutturati hanno alterato le classifiche percepite dei tassi di guasto dei principali sistemi. Ad esempio, il sistema di pitch è emerso come una categoria distinta (9,67% dei dati), mentre i tassi di guasto percepiti per le pale del rotore e i sistemi idraulici sono diminuiti significamente dopo la rimozione degli eventi non legati a guasti e la correzione delle misclassificazioni.

Significatività
Il documento sostiene che questa metodologia fornisce un blueprint altamente scalabile e conveniente per tradurre osservazioni qualitative sul campo in metriche di affidabilità quantitative. Passando dalla semplice classificazione del testo al ragionamento semantico profondo, il framework affronta la soggettività intrinseca della FMEA tradizionale e i colli di bottiglia dei dati degli approcci ML legacy.

La significatività risiede nella sua capacità di:

1. Sbloccare i Dati Storici: Rendere decenni di registri di manutenzione non strutturati accessibili per analisi avanzate di affidabilità e analisi delle cause radice.
2. Standardizzare le Pratiche del Settore: Offrire un percorso per la transizione da tassonomie statiche e teoriche a tassonomie di manutenzione dinamiche e basate sull'evidenza derivate dai dati operativi reali.
3. Abilitare Analitiche Avanzate: Porre le basi per un'analisi delle cause radice integrata, una FMEA migliorata con parametri di rischio rigorosamente quantificati (occorrenza, severità, rilevamento) e strategie avanzate di manutenzione predittiva in tutto il settore delle energie rinnovabili.

Gli autori sottolineano che, sebbene lo studio si concentri sulle turbine eoliche, l'architettura modulare è applicabile ad altre industrie pesanti che si affidano ai CMMS, a condizione che venga fornita una tassonomia specifica del dominio. Il lavoro conclude che questo approccio rappresenta un cambiamento sistemico verso una gestione degli asset basata sull'evidenza, riducendo la dipendenza dalla stima soggettiva degli esperti.