Fault diagnosis in wind turbines using machine learning techniques

Abstract

(English) In recent years, wind power has emerged as a promising alternative to fossil fuels, with wind turbines widely used to generate clean energy. However, like complex machinery, wind turbines are prone to faults that can lead to costly downtime and maintenance expenses. To address this challenge, this thesis has proposed a comprehensive approach for fault diagnosis in wind turbines using machine learning, structural analysis, and interval and zonotope observers. These techniques complement each other to generate a hybrid fault diagnosis method.Structural analysis has provided valuable information on the redundant relationships between the components and measurable variables of the wind turbine. These redundant relationships are identified with an adaptive neurofuzzy inference system (ANFIS) and its improved multi-output (MANFIS) version. The training of neurofuzzy systems is based on completely fault-free data, unlike other methods that require learning the different possible faults. As a result of the identification with ANFIS and MANFIS, a set of Takagi Sugeno convex models is obtained. Interval and zonotopic observers are designed for fault detection from the convex models. The isolation is produced by evaluating the fault signature matrix under different metrics.To evaluate the effectiveness of the proposed methods, they were evaluated under different fault scenarios and compared with other diagnostic approaches reported in the literature.

(Català) En els últims anys, l'energia eòlica s'ha convertit en una alternativa prometedora als combustibles fòssils, amb aerogeneradors àmpliament utilitzats per generar energia neta. Sense embargo, a l'igual que la maquinaria compleja, els aerogeneradors són propensos a falles que poden generar costosos temps d'inactivitat i despeses de manteniment. Per abordar aquest desafiament, aquesta tesis s'ha proposat un enfocament integral per al diagnòstic de falles en aerogeneradors utilitzant aprenentatge automàtic, anàlisi estructural i observadors d'interval i zonotòpics. Aquestes tècniques es complementen per generar un mètode híbrid de diagnòstic de falles. L'anàlisi estructural ha proporcionat informació valiosa sobre les relacions redundants entre els components i les variables medibles de l'aerogenerador. Aquestes relacions redundants són identificades amb un sistema d'inferència neuro difuso adaptable ANFIS i la seva versió millora multi-salida MANFIS. L'entrenament dels sistemes neuro difusos es basa en dades completament lliures de falles, a diferència d'altres mètodes que requereixen l'aprenentatge de les diferents falles possibles. Com a resultat de la identificació amb ANFIS i MANFIS s'obtienen un conjunt de models convexos Takagi Sugeno. A partir dels convexos es dissenyen models observadors intervals i zonotòpics per a la detecció de falles. L'aïllament es produeix avaluant les matrius de firma de falles sota diferents mètriques. Per avaluar l'efectivitat dels mètodes proposats, van ser avaluats sota diferents escenaris de falles i comparats amb altres enfocaments de diagnòstic reportats a la literatura.