Incipient Fault Detection in Wind Turbines

Abstract

The global goal of increasing the share of renewable energy supplies in the overall energy consumption has resulted in a rising focus on technological developments in this field. Wind energy is one of the promising options amongst renewable energy sources with a growing number of investments and rising installation number and capacities. Due to the increasing demands from wind energy industry, the requirement of more effective wind farm operations has emerged. Wind turbine maintenance systems are essential parts towards achieving this requirement. Today, maintenance of wind turbines is mostly based on preventive and corrective actions. However, these approaches are inadequate to meet current demands from wind energy industry. With the developments in computational capabilities and data collection systems, a high potential of using advanced data-driven techniques has appeared for the maintenance of wind turbines. This thesis proposes a predictive maintenance approach using data which were collected from a wind turbine Supervisory Control and Data Acquisition System (SCADA). SCADA is the primary interface between the wind farm operators and wind turbines which allows remote and local control and monitoring. Various kinds of data are collected by SCADA systems such as wind parameters, temperature values, operational and status data. It is a built-in part in most medium and large-scale modern wind turbines. Therefore, a major advantage of using SCADA data for fault detection purposes is that additional hardware costs are not required. However, there are imperfections in the data such as low sampling frequency and high ratio of missing values. To handle these disadvantages, a suitable approach is required which was provided by Artificial Neural Networks (ANN) in this thesis. Moreover, wind turbines are highly non-linear systems with complex control parts and ANN models are also powerful on handling such complex systems. By this way, this thesis aims to design a cost-effective maintenance system for the overall wind turbine. Firstly, a sensor validation technique to detect faults of temperature sensors was designed. The method solely uses sensor measurements to detect calibration drifts by analyzing a set of sensors located on components with similar temperature characteristics. Auto-Associative and Multi-Input-Single-Output ANN structures were employed. The concurrent use of them provided the best outputs on the detection of the simulated calibration drift. The results prove that, validation of sensors can be realized by continuously monitoring sensor readings. It is advantageous as there is no need of dismantling sensors to test their calibration. Also, this method is a cost-effective solution in terms of not requiring redundant sensor use. After the sensor validation part, a 3-level fault classification system to detect, isolate and predict wind turbine faults was realized. The types of faults attempted in this part are frequent and non-fatal wind turbine faults. Distinguishing these kind faults is a challenging task because they do not show as strong indications as fatal faults do. However, as they are observed frequently in all wind turbines and decrease turbine performance, detection of them is a significant research topic. The core part of algorithms employed in this part is ANN models, in addition to them assistive methods were also designed to increase the fault classification performance. For the initial step of this part, feature construction and selection techniques were employed to find out an effective subset of inputs to be used as inputs of ANN models. These pre-processing tasks are important to design fast and accurate models as performance of algorithms strongly depend on the feature representation of input data in artificial intelligence applications. Raw data collected by the SCADA system were used to generate new features that possibly give more information about the hidden relations indicating fault occurences comparing to the raw features. In the feature selection step, both raw and constructed features were analyzed to identify a subset of relevant features to reduce computational burden and increase accuracy of models. Two different feature selection methods were used in a hybrid way, which are filter and wrapper-based methods. The results show that, the feature construction and selection algorithms designed are useful especially in terms of reducing false fault alarms which is an important issue in fault detection systems built using SCADA data. Finally, a 3-level classification scheme for wind turbine faults was designed using ANN models. By this way, a complete system was formed that provides required information by wind farm operators to take actions or measures in case of a current or an upcoming fault. In the detection level, the status of the turbine was analyzed to find out if the turbine is in a normal or a faulty mode. In the fault isolation level, the specific subsystem subjected to fault was attempted to be found. Therefore, this level includes distinguishing detected faults from each other. Finally, in the fault prediction level it was aimed to predict faults in advance to inform operators for possible prevention or repairing actions. We have obtained comprehensive results proving that the proposed methods are effective in all levels of fault classification. Our findings support the idea that despite the shortcomings of SCADA data, ANN models used with assistive methods are powerful on the classification of wind turbine faults. As a result, this thesis contributes to efforts of designing a cost-effective predictive maintenance approach for wind turbines.

Enerji talebi, dünya genelinde sanayi devriminden günümüze sürekli artmaktadır ve bu durumun ilerleyen dönemlerde de devam etmesi beklenmektedir. Küresel bazda nüfus artışı, değişen enerji kullanım alışkanlıkları ve artan sanayileşme enerji talebindeki artışın temel sebeplerindendir. Günümüzde enerji talebi büyük ölçüde fosil kaynakların kullanımıyla karşılanmaktadır. Fakat, fosil kaynakların iklim değişiminin ana nedenlerinden olan zararlı çevresel etkileri nedeniyle tüketim miktarının küresel anlaşmalarla düşürülmesi hedeflenmektedir. Ayrıca fosil kaynakların hızla tükenmekte olan sınırlı kaynaklar olması ve yüksek oranda kullanımının fosil yakıt ithalatçısı olan ülkelere bağımlılığı arttırması gibi nedenler de tüketimlerinin düşürülmesi yönündeki çalışmaların gerekçelerindendir. Rüzgar enerjisi, enerji kaynaklarının çeşitliliğinin arttırılması konusunda yüksek potansiyele sahip olan alternatifler arasındadır. Bu nedenle, rüzgar enerjisi konusunda yatırımlar ve teknolojik gelişmeler önem kazanmaktadır. Rüzgar türbinlerinin tüm alt sistemlerinde yapılan geliştirmelerle maliyetlerinin düşürülmesi hedeflenmektedir. İşletme ve bakım çalışmaları, rüzgar türbinlerinin ana maliyet kaynaklarındandır. Bu tezde, rüzgar türbinlerinde zaman içinde gelişmekte olan hataların tespiti ve öngörüsü için yöntemler sunulmaktadır. Günümüzde, rüzgar türbinleri için genellikle önleyici ve onarıcı bakım yöntemleri uygulanmaktadır. Fakat rüzgar enerjisi için taleplerin hızla artmakta olması nedeniyle daha etkili bakım çalışmalarının yapılması gerekliliği doğmuştur. Ayrıca rüzgar türbinlerinin yerleşim yerlerinden uzakta konumlandırılması ve faaliyet gösterdikleri koşulların çevresel açıdan zorlayıcı olması da işletim ve bakım yöntemlerinde geliştirme yapılmasını önemli hale getirmektedir. Bu tez çalışmasında, bir rüzgar türbininden alınan çeşitli veriler kullanılarak türbin genelinde oluşan hataların tespiti ve öngörüsü üzerinde çalışılmıştır. Rüzgar türbinlerinde başlıca iki veri toplama yöntemi bulunmaktadır. Birincisi, belirlenen bileşenler için özel olarak seçilen sensörler yerleştirilerek gereken verilerin toplanmasıdır. İkincisi ise Denetim Kontrol ve Veri Toplama (Supervisory Control and Data Acquisition - SCADA) sistemi sayesinde türbin geneli ile ilgili bilgi verebilecek verilerin kaydedilmesidir. Bu sayede sıcaklık verileri, rüzgar parametreleri, türbinin mevcut operasyon parametreleri ve bulunduğu durum ile ilgili veriler elde edilebilmektedir. SCADA, modern rüzgar türbinlerinin çoğunda ekstra maliyet gerektirmeden bulunan bir sistemdir. Bu nedenle, SCADA verileri değerlendirilerek tasarlanan hata öngörü sistemleri maliyet etkin bir çözüm sunabilmektedir. Öte yandan, SCADA sistemlerinin temel tasarım amaçları türbin aktivitelerinin izlenmesidir. Dolayısıyla hata öngörü sistemleri için veri kalitesi açısından özel olarak yerleştirilmiş sensörler kadar uygun değildir. Örnekleme periyodu genellikle 10 dakikadır ve sık sık eksik verilerle karşılaşılmaktadır. Bu nedenle, SCADA verilerinin hata öngörüsü amaçlı kullanımında, bu dezavantajlara toleransı olan gelişmiş bir algoritma yapısının kurulması önem kazanmaktadır. Ayrıca, rüzgar türbinleri, doğrusal olmayan birçok alt sistemden ve kompleks kontrol bölümlerinden oluşmaktadır. Bu tezde önerilen algoritmaların temelinde bulunan Yapay Sinir Ağları (YSA) bu tür problemlerde etkili çözümler sunabilmektedir. Bu sayede, sistemin giriş-çıkışları arasındaki ilişkilerin çözümlenerek hata tespitinin yapılabilmesi hedeflenmiştir. Bu tez çalışması 3 ana bölümden oluşmaktadır. Birinci bölümde, sıcaklık sensörleri için bir sensor validasyon tekniği tasarlanmıştır. İlgili metotta, SCADA sisteminden alınan 4 sıcaklık sensörünün ölçümleri kullanılarak herhangi birinde hata olup olmadığı tespit edilmeye çalışılmıştır. Bu sayede, sensörlerin yerlerinden alınarak kontrol edilmesi yerine sürekli durum izleme ile hata tespiti yapılması amaçlanmıştır. Öz-İlişkili ve Çok-Giriş-Tek-Çıkışlı YSA yapıları ile farklı başlangıç koşulları ve ağ mimarileri kullanılarak problemin çözülmesi sağlanmıştır. SCADA sistemi, sensor hatalarına dair bilgi içermediği için, sensörlerden birinde kalibrasyon kayması şeklinde bir hata yapay olarak modellenmiştir. Kalibrasyon kayması, yüksek ölçekte olmadığı sürece genel davranıştan çok farklı ölçümlere neden olmadığı için bu tip bir durum hata tespiti açısından zorlayıcı bir koşuldur. Önerilen sistemin etkinliğinin değerlendirilebilmesi ve kalibrasyon hatasının çevresel koşullardan kaynaklanabilecek gerçek sıcaklık değişiminden ayrıştırılabilmesi için, YSA modelleri eğitildikten sonra farklı koşullarda test edilmiştir. Öncelikle tüm ölçümlerin orijinal test veri setinden alındığı, ikinci durumda sensörlerden birinde kalibrasyon hatasının modellendiği, üçüncü durumda ise çevresel nedenlerden kaynaklı olabilecek şekilde tüm sensör ölçümlerinin değiştirildiği bir test yapısı kurulmuştur. Alınan sonuçlar, tasarlanan sistemin kalibrasyon hatasını tespit edebildiği ve bu hatadan kaynaklanan durumun çevresel koşullardan kaynaklanan sıcaklık değişiminden ayrıştırılabildiğini göstermiştir. Tezin ikinci bölümünde, rüzgar türbininin genelinde oluşan hataların tespit edilebilmesi için tasarlanan YSA modellerinde kullanılmak üzere özellik oluşturma ve seçme yöntemleri uygulanmıştır. Bu tür ön işlemler, yapay zeka uygulamalarında oluşturulan modellerin hızlı ve yüksek başarımlı olarak çalışabilmesi için kullanılan yöntemlerdendir. Böylece, YSA girişlerine sistematik bir şekilde karar verilerek performansın iyileştirilmesi amaçlanmaktadır. Öncelikle, SCADA'dan toplanan ham verilerden çeşitli işlemlerle yeni özellikler oluşturulmuştur. Bu sayede, hatalar hakkında ham verilerden daha iyi bilgi verebilecek özellikler elde etmek amaçlanmıştır. Yeni veriler oluşturulurken, ham veriler arasındaki ilgili ölçümler arasındaki farklar, istatistiksel parametreler, zaman serisi özellikleri ve sistemin genel prensipleri ile ilgili bilgilerden yararlanılmıştır. Ham özellikler ve oluşturulan özellikler arasından hata tespiti problemi için kullanılabilecek etkili bir alt kümenin seçilmesi için çeşitli özellik seçme yöntemleri uygulanmıştır. Öncelikle, filtreleme yöntemleriyle tüm özellikler arasından ilk eleme yapılarak problemle yüksek derecede ilgisi bulunan özellikler belirlenmiştir. Filtreleme yöntemleri olarak Fischer ve Relief algoritmalarından yararlanılmıştır. Filtre yöntemleri ile elde edilen özellikler sarmal özellik seçme yöntemi ile bir kez daha değerlendirilerek, özellikler arasındaki karşılıklı ilişkiler incelenmiş ve uygun YSA girişlerine ulaşılmıştır. Elde edilen sonuçlar, özellik oluşturma ve seçme yöntemlerinin hata tespit performansı üzerinde olumlu etkileri olduğunu göstermiştir. Özellikle, SCADA verileri ile oluşturulan hata tespit sistemlerinde karşılaşılan önemli bir problem olan yüksek sayıda yanlış hata alarmının düşürülmesi konusunda yüksek başarım gözlenmiştir. Uygulanan özellik oluşturma ve seçme yöntemleri ile, jeneratör ısınma hatası için 3 aylık test verisinde karşılaşılan yanlış hata alarm süresi 210 dakikadan 30 dakikaya düşürülmüştür. Son aşamada, sistem genelinde 3 seviyeden oluşan bir hata sınıflandırması yaklaşımı tasarlanarak, rüzgar türbini genelinde hata tespiti, izolasyonu ve öngörüsü gerçekleştirilmiştir. SCADA sistemi sayesinde çeşitli alt sistemlere dair hata bilgisine ulaşılabilmektedir. Böylece, sensör validasyonu bölümünden farklı olarak bu bölümde hataların yapay olarak modellenmesi yerine gerçek hata verisi üzerinde çalışılmıştır. Bu tezde kullanılan rüzgar türbininde bir yıllık veri toplama süresince temel türbin bileşenlerinden herhangi birinin çok ciddi bir hasara maruz kalmadığı gözlenmiştir. Fakat, tüm rüzgar türbinlerinde olduğu gibi sık sık büyük sonuçlara neden olmadığı halde enerji üretiminin düşmesine ve türbin güvenilirliğinin azalmasına neden olan hatalar oluşmuştur. Bu tip hatalar önemli belirtiler vermediği için tespit edilmesi temel bileşenlerdeki büyük hatalardan daha zordur. Literatürde, aylar öncesinden tespit edilebilen temel bileşenlerdeki fatal hataların aksine, sık gerçekleşen hataların öngörü aralığının saatlerle sınırlı olduğu görülmektedir. Ayrıca, hata sınıflandırma problemlerinde sağlıklı ve hatalı veri setlerinin doğal olarak dengeli bir sayıda olmaması, veri setinin büyük oranda normal çalışmaya dair örneklerden oluşması da model başarımının düşmesine sebep olmaktadır. Bu duruma önlem olarak, özellik oluşturma ve seçme yöntemlerinin yanı sıra hata sınıfına ait yapay örnekler oluşturarak ve normal çalışma sınıfının örnek sayısı azaltılarak farklı eğitim setleriyle de eğitim gerçekleştirilmiştir. 3 seviyeli hata sınıflandırma sisteminin ilk seviyesi olan hata tespit aşamasında, türbinin normal veya hatalı bir durumda olup olmadığı tespit edilmeye çalışılmıştır. Hata izolasyonu seviyesinde, hatanın hangi alt sistemden kaynaklandığının tespit edilmesi hedeflenmiştir. Son olarak, hata öngörüsü seviyesinde ise oluşacak hatalar önceden tahmin edilmeye çalışılmıştır. Çeşitli sınıflandırma seviyelerinden oluşan bu yaklaşım sayesinde, operatörlere mevcut veya gelecekte oluşacak hatalarla ilgili bilgi verebilecek bir hata sınıflandırma sistemi oluşturulmuştur. Elde edilen sonuçlar, oluşturulan sistemin her 3 seviyede de yüksek başarımlara sahip olduğunu göstermiştir. Böylece, SCADA verisinin dezavantajlarına rağmen, YSA modelleri ve yardımcı algoritmalar uygulanarak rüzgar türbinlerinde etkili bir şekilde hata tespiti, izolasyonu ve öngörüsü yapılabileceği görülmüştür. Önerilen sistem, rüzgar türbinlerinde akıllı bakım yöntemlerinin geliştirilmesi konusuna maliyet etkin çözümlere katkıda bulunmaktadır.