Data driven fault detection and isolation: a wind turbine scenario

Detección y aislamiento de fallas guiadas por datos: escenario turbina de viento

  • Rubén Francisco Manrique Piramanrique Universidad Sergio Arboleda
  • Jorge Sofrony Esmeral Universidad Nacional de Colombia, Sede Bogotá

Resumen (en_US)

One of the greatest drawbacks in wind energy generation is the high maintenance cost associated to mechanical faults. This problem becomes more evident in utility scale wind turbines, where the increased size and nominal capacity comes with additional problems associated with structural vibrations and aeroelastic effects in the blades. Due to the increased operation capability, it is imperative to detect system degradation and faults in an efficient manner, maintaining system integrity, reliability and reducing operation costs. This paper presents a comprehensive comparison of four different Fault Detection and Isolation (FDI) filters based on “Data Driven” (DD) techniques. In order to enhance FDI performance, a multi-level strategy is used where:  the first level detects the occurrence of any given fault (detection), while  the second identifies the source of the fault (isolation). Four different DD classification techniques (namely Support Vector Machines, Artificial Neural Networks, K Nearest Neighbors and Gaussian Mixture Models) were studied and compared for each of the proposed classification levels. The best strategy at each level could be selected to build the final data driven FDI system. The performance of the proposed scheme is evaluated on a benchmark model of a commercial wind turbine. 

Resumen (es_ES)

Uno de los mayores inconvenientes presentes en la generación de energía eólica son los altos costos de mantenimiento asociados a fallas mecánicas. Este problema se hace más evidente en las turbinas de viento de escala industrial, en donde incrementos en el tamaño y la capacidad nominal traen consigo problemas adicionales asociados a vibraciones estructurales y efectos aeroelásticos en las hojas. Debido al incremento en la capacidad de operación, es imprescindible detectar de manera eficiente fallas y degradaciones en el sistema, garantizando la integridad, su fiabilidad y reduciendo los costos de operación. Este artículo presenta un sistema para la detección y aislamiento de fallas (FDI), basado en técnicas "Guiadas por los datos " (Data driven, abreviado DD). La arquitectura propuesta es una estrategia de varios niveles en donde: (i) el primer nivel detecta la ocurrencia de una falla (detección), mientras que (ii) el segundo identifica su origen (aislamiento). Se estudiaron y compararon cuatro técnicas de clasificación para cada uno de los niveles (Máquinas de Vectores de Soporte, Redes Neuronales Artificiales, K vecinos cercanos y Mezcla de Gaussianas). La mejor estrategia en cada nivel fue seleccionada para construir el sistema FDI. El rendimiento del sistema propuesto se evalúa en un modelo de referencia de una turbina eólica de escala comercial.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Rubén Francisco Manrique Piramanrique, Universidad Sergio Arboleda
Electrical Engineer, M.Sc. in Computer Science, Assistant Professor at Universidad Sergio Arboleda. Bogotá.
Jorge Sofrony Esmeral, Universidad Nacional de Colombia, Sede Bogotá
Electrical Engineer, M.Sc. and Ph.D. in Control Systems, Associate Professor at Universidad Nacional de Colombia, Sede Bogotá. Bogotá.

Referencias

Alpaydin, E. (2004). Introduction to Machine Learning (Adaptive Computation and Machine Learning). The MIT Press.

Bergantino, C. F., & S, L. (2009). FaultBuster: data driven fault detection and diagnosis for industrial systems.

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. New York: Springer-Verlag New York, Inc.

Chawla, N. (2005). Data Mining for Imbalanced Datasets: An Overview. En O. Maimon, & L. Rokach (eds.), Data Mining and Knowledge Discovery Handbook (pp. 853-867). Springer US.

Chen, W., & Saif, M. (June 2006). Fault detection and isolation based on novel unknown input observer design (6 pp.)

Duda, R.; Hart, P., & Stork, D. (2001). Pattern Classification. Wiley.

GWEC Global Energy Conuncil (2011). Global wind report, Annual market update 2010.

Kusiak, A., & Shah, S. (2006). Data-mining-based system for prediction of water chemistry faults. IEEE Transactions on Industrial Electronics, 53(2), 593-603.

Lipnickas, A. (2006). Two Stage Neural Networks Based Classifier System for Fault Diagnosis. En V. Palade, L.; Jain, & C. D. Bocaniala (eds.), Computational Intelligence in Fault Diagnosis (pp. 209-230). Springer London.

Odgaard, K. M. (2009). Fault Tolerant Control of Wind Turbines a benchmark mode. In Proceedings of Fault Detection, Supervision and Safety of Technical Processes.

Scholkopf, B., & Smola, A. J. (2001). Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press.

Sylvain, T., & Kobi, A. (2010). Fault detection of univariate non-Gaussian data with Bayesian network.

Tan, P.-N.; Steinbach, M., & Kumar, V. (2005). Introduction to Data Mining (1st ed.), Boston, MA, USA: Addison-Wesley Longman Publishing Co., Inc.

Verhaegen, M. (2008). Fault detection of large scale wind turbine systems: A mixed H/H index observer approach. 2008 16th Mediterranean Conference on Control and Automation(M), 1675-1680.

Walford, C. A. (2006). Wind Turbine Reliability: Understanding and Minimizing Wind Turbine Operation and Maintenance Costs. Energy(March), SAND2006-1100.

Zhou, Y. (2004). Data Driven Process Monitoring Based on Neural Networks and Clasification Trees. Master's thesis, Texas A&M University.

Cómo citar
Manrique Piramanrique, R., & Sofrony Esmeral, J. (2015). Detección y aislamiento de fallas guiadas por datos: escenario turbina de viento. Tecnura, 19(44), 71-82. https://doi.org/10.14483/udistrital.jour.tecnura.2015.2.a05
Publicado: 2015-04-01
Sección
Investigación