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

Technische Samenvatting: LLM-gestuurde Datacorrectie en -verrijking voor Onderhoudslogs van Windturbines

Probleemstelling
Naarmate windturbineparken verouderen, is het optimaliseren van operatie en onderhoud (O&M) cruciaal voor het verlengen van de levensduur en het verlagen van de genormaliseerde kosten van energie (LCOE). Er bestaat echter een aanzienlijke flessenhals in de betrouwbaarheidstechniek: waardevolle faalinformatie zit gevangen in ongestructureerde natuurlijke taalberichten in historische onderhoudslogs. Deze registers, opgeslagen in Computerized Maintenance Management Systems (CMMS), kampen met systematische problemen in de datakwaliteit, waaronder ontbrekende of incorrecte hiërarchische systeemcodes, semantische ambiguïteit en generieke of onnauwkeurige labels voor het type onderhoud.

Traditionele betrouwbaarheidsmethodologieën, zoals Failure Modes and Effects Analysis (FMEA), vertrouwen zwaar op subjectieve deskundige oordelen om faalmodi te selecteren en risicoparameters toe te wijzen, omdat de empirische waarheid verborgen blijft in ongestructureerde tekst. Bovendien vereisen bestaande geautomatiseerde benaderingen met traditionele Natural Language Processing (NLP) en Machine Learning (ML) enorme, handmatig gelabelde trainingsdatasets en introduceren ze vaak algoritmische misclassificaties die downstream betrouwbaarheidsberekeningen verkenen. De industrie mist een schaalbare, geautomatiseerde pijplijn die in staat is om deze kwalitatieve veldobservaties om te zetten in kwantitatieve, machineleesbare betrouwbaarheidsmetrieken.

Methodologie
Het artikel presenteert een nieuw, model-agnostisch framework dat gebruikmaakt van Large Language Models (LLMs) om onderhoudslogs autonoom te corrigeren, te structureren en te verrijken. De methodologie werkt op een dataset van 16.316 onderhoudslogs van 280 windturbines uit 32 onshore parken, gemonitord over negen jaar (2017–2026).

De geautomatiseerde pijplijn voert een sequentieel, meerfasig proces uit:

1. Database Integratie en Pre-processing: Het systeem voegt gegevens uit de WORKORDER, WORKLOG en FAILURECODE tabellen samen om een verenigde chronologische beschrijving voor elke interventie te creëren, waarbij syntactische ruis en gevoelige identificatoren worden verwijderd.
2. Taxonomie Afstemming en Systeemcode Correcties: Gebruikmakend van het Reference Designation System for Power Plants (RDS-PP) als baseline, voert de LLM een driestapsaudit uit: het corrigeren van foutieve classificaties van het pitchsysteem (vaak onjuist ondergebracht bij rotorbladen), het herstellen van ontbrekende systeemcodes, en het auditeren van semantische discrepanties tussen toegewezen codes en tekstbeschrijvingen.
3. Semantische Extractie van Empirische Taxonomieën: Logs worden gegroepeerd op gecorrigeerde systeemcodes en specifieke componenttopologieën (bijv. elektrische versus hydraulische pitchsystemen). De LLM analyseert deze batches om evidence-based woordenboeken van onderhoudsacties en faalmodi te construeren, waarbij faalmodi worden gedefieerd door een naam, dominant mechanisme, geobserveerd symptoom en een kandidaat-oorzaak.
4. Granulaire Labeling: De LLM verwerkt individuele logs om de afgeleide taxonomieën toe te passen. Het herclassificeert onderhoudstypes (bijv. het onderscheid tussen correctieve reparaties, inspecties en resets) en wijst specifieke actielabels toe. Cruciaal is dat het systeem een Chain-of-Thought (CoT) redeneerframework gebruikt, waarbij het model wordt vereist een rationale en een zelf toegekende betrouwbaarheidsscore te genereren voordat een label definitief wordt gemaakt.
5. Waarborgen en Validatie: De pijplijn bevat deterministische regels om niet-foutgebeurtenissen (bijv. routinematige inspecties) en "escape categorieën" voor oninformatieve data af te handelen. Een gerandomiseerde steekproef van 300 logs werd handmatig beoordeeld, waarbij een overeenkomstpercentage van 80–90% werd gevonden tussen de LLM-outputs en deskundige oordelen.

Belangrijkste Bijdragen

• Autonome Datastructurering: Het framework heeft succesvol meer dan 70% van de dataset gestructureerd, waarbij het autonoom hiërarchische systeemcodes corrigeerde en granulaire faalmodusprofielen extraheerde zonder de noodzaak van vooraf bestaande, handmatig gelabelde trainingsdata.
• Correctie van Systemische Misclassificaties: De studie identificeerde en loste hardnekkige fouten op, zoals de misclassificatie van pitchsysteemfouten onder bredere rotorbladcategorieën en het foutief labelen van inspecties als correctieve reparaties.
• Evidence-Based Taxonomie Generatie: In tegen tegenoverkomende FMEA, die steunt op subjectieve expertpanels, leidt deze methode faalmoduswoordenboeken direct af uit geaggregeerde historische bewijslast, waarbij specifieke dominante degradatiemechanismen en kandidaat-oorzaken voor verschillende hardwaretopologieën worden vastgelegd.
• Schaalbare en Kosteneffectieve Pijplijn: De aanpak toont aan dat LLMs complexe industriële data kunnen verwerken tegen een fractie van de tijd en kosten van handmatige deskundige beoordeling, met een totale verwerkingskosten van ongeveer $370 voor de gehele dataset (ca. $0,0226 per log).

Resultaten
De toepassing van de pijplijn leverde significante kwantitatieve en kwalitatieve verschuivingen in de data op:

• Systeemcode Herstel: 73,0% van de logs met hiërarchische defecten werd succesvol hergelabeld. Met name de extractie van het pitchsysteem behaalde een succespercentage van 99,1%, waardoor fouten die voorheen verborgen waren onder generieke codes werden geïsoleerd.
• Onderhoudstype Correctie: 24,50% van de globale dataset kreeg een gecorrigeerd onderhoudstype. Een belangrijke bevinding was de herclassificatie van veel "correctieve" logs naar "preventieve" of "inspectie" categorieën, wat essentieel is voor nauwkeurige berekeningen van uitvalpercentages.
• Actie Granulariteit: De pijplijn herstelde specifieke actielabels voor 8,27% van de voorheen lege logs en draaide de legacy ratio van "reparaties" naar "vervangingen" om, waardoor bleek dat vervangingen veel gebruikelijker waren dan de generieke "reparatie"-labels suggereerden.
• Faalmodus Extractie: 71,5% van de dataset werd toegewezen aan een uitgebreid faalmodusprofiel. Het resulterende empirische woordenboek bracht specifieke kwetsbaarheden aan het licht, zoals schade aan de coating van bladen en het loslaten van trillingssensoren, en onthulde duidelijke degradatieprofielen tussen elektrische en hydraulische pitchsystemen.
• Analytische Impact: De gestructureerde data veranderde de waargenomen rangschikking van de uitvalpercentages van belangrijke systemen. Zo kwam het pitchsysteem naar voren als een aparte categorie (9,67% van de data), terwijl de waargenomen uitvalpercentages van rotorbladen en hydraulische systemen aanzienlijk daalden na het verwijderen van niet-foutgebeurtenissen en het corrigeren van misclassificaties.

Significantie
Het artikel beweert dat deze methodologie een zeer schaalbaar en kosteneffectief blauwdruk biedt voor het vertalen van kwalitatieve veldobservaties naar kwantitatieve betrouwbaarheidsmetrieken. Door verder te gaan dan eenvoudige tekstclassificatie naar diepe semantische redenering, adresseert het framework de inherente subjectiviteit van traditionele FMEA en de databottlenecks van legacy ML-benaderingen.

De significantie ligt in het vermogen om:

1. Historische Data te Ontsluiten: Decennia aan ongestructureerde onderhoudslogs toegankelijk te maken voor geavanceerde betrouwbaarheidsanalyses en root-cause analyses.
2. Industriële Praktijken te Standaardiseren: Een pad te bieden naar de transitie van statische, theoretische taxonomieën naar dynamische, evidence-based onderhoudstaxonomieën afgeleid van werkelijke operationele data.
3. Geavanceerde Analytics Mogelijk te Maken: De basis te leggen voor geïntegreerde root-cause analyse, verbeterde FMEA met strikt gekwantificeerde risicoparameters (voorkomen, ernst, detectie), en geavanceerde predictieve onderhoudsstrategieën binnen de hernieuwbare energiesector.

De auteurs benadrukken dat hoewel deze studie zich richt op windturbines, de modulaire architectuur toepasbaar is op andere zware industrieën die afhankelijk zijn van CMMS, mits er een domeinspecifieke taxonomie wordt aangeleverd. Het werk concludeert dat deze aanpak een systemische verschuiving vertegenwoordigt naar evidence-based asset management, waarbij de afhankelijkheid van subjectieve deskundige schattingen wordt verminderd.