Jarosław Galiszewski

- System monitorowania stacji ładowania EV określający zachowanie sieć-stacja przy różnych typach EV, weryfikację anormalnych zachowań podczas działania ładowarek oraz danych o zapotrzebowaniu energetycznym
- System pozwalający na optymalizację kosztów eksploatacji majątku, podniesienie dyspozycyjności i zapobieganie awarią – dedykowany dla elektroenergetyki oraz przemysłu wytwórczego
- Rozwiązania pozwalające na monitorowanie stanu i wspomaganie w utrzymaniu i optymalizacji dedykowane dla turbin wiatrowych
- System monitorowania stacji transformatorowych SN/nN umożliwiający określenie profili obciążeń na danym obszarze dystrybucji dostarczający danych umożliwiających sterowanie popytem i optymalizację wykorzystania obecnej infrastruktury dystrybucyjnej

Głównym celem projektu jest zaprojektowanie i stworzenie uniwersalnej platformy do modelowania i symulacji stanu technicznego urządzeń przemysłowych w celu poprawy efektywności produkcji energii. Proponowany zintegrowany system ma rozwiązać problemy związane z występowaniem znacznych strat energii, zmniejszenia efektywność i dostępności maszyn krytycznych ze względu na ich stan techniczny, jak również na stan techniczny maszyn pomocniczych wykorzystywanych podczas procesów wytwarzania energii. Ostatecznym rezultatem tego projektu będzie platforma internetowa w architekturze Przemysłowego Internetu Rzeczy, zintegrowana bezpośrednio z zaawansowanymi technologiami Rozproszonego Przetwarzania Brzegowego (Distributed Edge Computing) i Chmury Hybrydowej (Hybrid Cloud) w ramach dedykowanego systemu pomiarów i akwizycji danych – Elmodis Smart Drive Monitoring System. Jako całość, system ma być elastycznym, łatwym w obsłudze i skutecznym środowiskiem zarządzania aktywami. Ma służyć jako centralny węzeł całego systemu i będzie używany do konfiguracji urządzeń SDMS, przetwarzania danych, przygotowywania modelu, wdrażania i analiz w rzeczywistym środowisku przemysłowym. W ramach tego projektu ostateczna funkcjonalność platformy dedykowana jest szczególnie dla maszyn stosowanych w przemyśle energetycznym. Architektura i funkcje systemu umożliwiać będą przesyłanie przygotowanych modeli, schematów przetwarzania danych (pobieranie, walidacja, przetwarzanie) i konfiguracji urządzeń do zdalnych modułów (Edge Computing) w celu analizy w czasie rzeczywistym strumienia danych opartego na próbkowaniu wybranych sygnałów z wysoką częstotliwością. Kluczową funkcjonalnością będzie także komunikacja i dwukierunkowa wymiana danych z usługami Cloud Computing, takimi jak Microsoft Azure Machine Learning Studio.Środowisko będzie dostępne za pośrednictwem przeglądarki internetowej bez konieczności instalowania dodatkowego oprogramowania. Dzięki przejrzystemu, intuicyjnemu i nowoczesnemu interfejsowi dla użytkowników końcowych dostępne będą algorytmy i metody obliczeniowe w gotowych do użycia, sprawdzonych blokach funkcjonalnych. Skuteczność optymalizacji i rozwiązań modelowania predykcyjnego opartych na algorytmach uczenia maszynowego będzie zapewniona przez wystarczająco dużą liczbę danych zbieranych z różnych źródeł przez powiązany system pomiarowy. Praca w środowisku nie będzie wymagać szerokiej wiedzy eksperckiej od użytkownika końcowego. Wbudowana, rozszerzalna baza wiedzy i system raportowania będą wspierać proces optymalizacji i decyzji dotyczących utrzymania stanu technicznego i dostępności maszyn. Baza maszyn zawierać będzie bloki funkcyjne zawierające informacje dotyczące kinematyki/konstrukcji, charakterystyki pracy, parametrów wejściowych/wyjściowych oraz dostępnych do monitorowania parametrów dla wybranych standardowych typów maszyn i urządzeń stosowanych w przemyśle energetycznym. Do grupy docelowej należą elektrownie, a także fabryki wytwarzające energię na własne potrzeby (rafinerie cukru, zakłady przetwórstwa spożywczego, zakłady chemiczne, petrochemia i gaz). Po fazie badań i osiągnięciu zaplanowanych celów firma planuje stosować wyniki badań w celu ochrony patentowej i realizacji wyników (usług) projektu w swojej działalności gospodarczej.