An SVM-Based Solution for Fault Detection in Wind Turbines

ABSTRACT

Research into fault diagnosis in machines with a wide range of variable loads and speeds, such as wind turbines, is of great industrial interest. Analysis of the power signals emitted by wind turbines for the diagnosis of mechanical faults in their mechanical transmission chain is insufficient. A successful diagnosis requires the inclusion of accelerometers to evaluate vibrations. This work presents a multi-sensory system for fault diagnosis in wind turbines, combined with a data-mining solution for the classification of the operational state of the turbine. The selected sensors are accelerometers, in which vibration signals are processed using angular resampling techniques and electrical, torque and speed measurements. Support vector machines (SVMs) are selected for the classification task, including two traditional and two promising new kernels. This multi-sensory system has been validated on a test-bed that simulates the real conditions of wind turbines with two fault  typologies: misalignment and imbalance. Comparison of SVM performance with the results of artificial neural networks (ANNs) shows that linear kernel SVM outperforms other kernels and ANNs in terms of accuracy, training and tuning times. The suitability and superior performance of linear SVM is also experimentally analyzed, to conclude that this data acquisition technique generates linearly separable datasets.

INTRODUCTION

Over the last decade, the exponential growth of wind farms around the world has involved significant challenges, in order to improve their efficiency  and to reduce their operational costs . The reduction of maintenance costs is the main strategy to reduce operational costs,  because wind turbine maintenance is always a complex and expensive task, due to difficulties over their positioning and their distance from industrial areas. The recent development of offshore wind farms adds a further dimension to this industrial issue. The development and  integration of on-line intelligent multisensor systems for the monitoring and diagnosis of wind turbines appears to be the best strategy to reduce their maintenance costs. However, an intelligent system, able to cover all possible failures, from electrical to mechanical, is still too great a problem to grapple with nowadays. For this reason, any monitoring system of wind turbines should focus on a wind turbine sub-assembly: the mechanical chain, the power generator, the lubricating system, etc. Once the sub-assembly is chosen, some steps should be followed: first, the most suitable sensors and their position in the sub-assembly should be chosen; second, the most suitable data-processing techniques should be found for each kind of signal collected from the sensors; third the best data-mining technique to extract as much information as possible from the processed signals should be identified.

چکیده

تحقیق در تشخیص خطا در ماشین آلات با طیف گسترده ای از بارهای متغیر و سرعت، مانند توربین های بادی، از علاقه صنعتی بسیار مهم است. تجزیه و تحلیل سیگنال های قدرت منتشر شده توسط توربین های بادی برای تشخیص گسل های مکانیکی در زنجیره انتقال مکانیکی آنها کافی نیست. تشخیص موفقیت آمیز نیاز به وارد کردن شتاب سنج برای ارزیابی ارتعاشات دارد. این کار ارائه یک سیستم چند حسینی برای تشخیص خطا در توربین های بادی همراه با یک راه حل داده کاوی برای طبقه بندی حالت عملیاتی توربین است. سنسورهای انتخابی شتاب سنج هستند که در آن سیگنال های ارتعاش با استفاده از تکنیک های بازتابی زاویه ای و اندازه گیری های الکتریکی، گشتاور و سرعت پردازش می شوند. ماشین های بردار پشتیبانی (SVM ها) برای انجام وظیفه طبقه بندی، از جمله دو هسته جدید و دو هسته امیدوار کننده انتخاب شده اند. این سیستم چند حسینی بر روی یک تست تخت تأیید شده است که شرایط واقعی توربین های بادی را با دو نوع خطا تقسیم می کند: عدم تعادل و عدم تعادل. مقایسه عملکرد SVM با نتایج شبکه های عصبی مصنوعی (ANNs) نشان می دهد که هسته خطی SVM از نظر دقت، آموزش و زمان تنظیم بهتر از دیگر هسته ها و ANN ها است. مناسب بودن و عملکرد برتر SVM خطی نیز به صورت آزمایشی مورد تجزیه و تحلیل قرار گرفته است، به این نتیجه رسید که این تکنیک گرفتن داده ها مجموعه داده های خطی جدایی را تولید می کند.

مقدمه

طی دهه گذشته، رشد چشمگیر مؤسسات باد در سراسر جهان، چالش های مهمی را در جهت بهبود بهره وری و کاهش هزینه های عملیاتی خود درگیر کرده است. کاهش هزینه های تعمیر و نگهداری استراتژی اصلی برای کاهش هزینه های عملیاتی است، زیرا تعمیر و نگهداری توربین های بادی همیشه یک کار پیچیده و گران قیمت است که به دلیل مشکلات مربوط به موقعیت و فاصله آنها از مناطق صنعتی است. توسعه اخیر مزارع بادی دریایی، ابعاد دیگری را برای این مسئله صنعتی افزوده است. توسعه و ادغام سیستم های چندرسانه ای هوشمند On-Line برای نظارت و تشخیص توربین های بادی، بهترین راه حل برای کاهش هزینه های تعمیر و نگهداری آنهاست. با این حال، یک سیستم هوشمند، قادر به پوشش همه شکست های احتمالی، از طریق برق به مکانیکی، هنوز مشکل بزرگی است که امروزه با آن مواجه است. به همين دليل، هر سيستم نظارتي توربين بادي بايد بر پايه مونتاژ توربين باد تمركز كند: زنجيره مكانيكي، ژنراتور برق، سيستم روانكاري و غيره. پس از انتخاب زيربندي، بايد مراحل زير را دنبال كرد: اول، مناسب ترین سنسورها و موقعیت آنها در زیر مجموعه باید انتخاب شوند؛ دوم، برای هر نوع سیگنال جمع آوری شده از سنسورها باید روش های مناسب پردازش داده ها مناسب باشد؛ سومین روش بهترین روش داده کاوی برای استخراج اطلاعاتی که ممکن است از سیگنال های پردازش شده به دست آید.

Year: 2015

Publisher : sensors

By :  Pedro Santos , Luisa F. Villa , Aníbal Reñones , Andres Bustillo , and Jesús Maudes

File Information: English Language/ 22 Page / size: 924 KB

Download

سال : 1394

ناشر : sensors

کاری از : پدرو سانتوس، لوئیسا فا ویلا، انیبال رونیونز، آندرس بویسلو و ایزوس مودس

اطلاعات فایل : زبان انگلیسی / 22 صفحه / حجم : KB 924

لینک دانلود