Data driven fault detection and isolation: a wind turbine scenario

• Manrique Piramanrique, Rubén Francisco ^[1] ; Sofrony Esmeral, Jorge ^[2]
  1. [1] Universidad Sergio Arboleda

     Universidad Sergio Arboleda

     Colombia

     
  2. [2] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
• Localización: Tecnura: Tecnología y Cultura Afirmando el Conocimiento, ISSN-e 2248-7638, ISSN 0123-921X, Vol. 19, Nº. 44, 2015, págs. 71-82
• Idioma: inglés
• Títulos paralelos:
  • Detección y aislamiento de fallas guiadas por datos: escenario turbina de viento
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    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.

  • English

    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.