Διάγνωση βλαβών σε μοντέλο πλωτής ανεμογεννήτριας υπό μεταβαλλόμενη ταχύτητα και διεύθυνση ανέμου μέσω μεθόδων μηχανικής μάθησης και μετρήσεων σημάτων ταλάντωσης
| datacite.contributor.RelatedPerson | Σπήλιος Φασόης | |
| datacite.contributor.RelatedPerson | Σαραβάνος Δημήτριος | |
| datacite.contributor.Supervisor | Ιωάννης Σακελλαρίου | |
| dc.contributor.author | Κορολής, Ιωάννης | |
| dc.contributor.other | Korolis, Ioannis | |
| dc.date.accessioned | 2023-07-14T12:46:35Z | |
| dc.date.available | 2023-07-14T12:46:35Z | |
| dc.date.issued | 2023-07-10 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Η διαρκής Παρακολούθηση της Δομικής Ακεραιότητας (Structural Health Monitoring - SHM) σε υπεράκτιες ανεμογεννήτριες (Offshore Wind Τurbins - OWTs), συμπεριλαμβανομένης της ανίχνευσης και ταυτοποίησης πρώιμων βλαβών, είναι πολύ σημαντική καθώς συνδέεται άμεσα με την αδιάκοπη και επιτυχημένη λειτουργία τους. Τα σήματα ταλάντωσης μπορούν να συλλέγονται εύκολα και οικονομικά από μία OWT κατά τη διάρκεια της κανονικής λειτουργίας της, παρέχοντας πλούσιες πληροφορίες για τη δυναμική της, οι οποίες μπορούν να χρησιμοποιηθούν αποτελεσματικά για την παρακολούθηση της δομικής υγείας της. Ωστόσο, οι OWTs λειτουργούν υπό μεταβαλλόμενες συνθήκες, κυρίως λόγω των αεροδυναμικών διεγέρσεων, οι οποίες επηρεάζουν τα σήματα ταλαντώσεων με παρόμοιο τρόπο με τις πιθανές βλάβες. Επομένως, είναι απαραίτητες εύρωστες μέθοδοι για την ανίχνευση και ταυτοποίηση βλαβών σε OWTs υπό μεταβαλλόμενες συνθήκες λειτουργίας, με στόχο την εξάλειψη ψευδών συναγερμών και διακοπών λειτουργίας των κατασκευών αυτών. Η παρούσα μελέτη εξετάζει την ανίχνευση και ταυτοποίηση πρώιμων βλαβών σε περιστρεφόμενη OWT κάτω από μεταβαλλόμενη ταχύτητα και κατεύθυνση του ανέμου. Χρησιμοποιούνται μέθοδοι μηχανικής μάθησης, μαζί με ένα μικρό αριθμό μετρήσεων από ταλαντωτικά σήματα για την εκπαίδευσή τους. Η ανίχνευση βλαβών επιτυγχάνεται μέσω δύο στατιστικών μεθόδων χρονοσειρών μηχανικής μάθησης, την U-MM-AR και U-MM-PCA-AR. Και οι δύο μέθοδοι ερμηνεύουν την υγιή δυναμική της OWT χρησιμοποιώντας τα διανύσματα των παραμέτρων πολλαπλών συμβατικών μοντέλων AR, με τη δεύτερη να χρησιμοποιεί έναν μειωμένο διάνυσμα παραμέτρων που προκύπτει από την ανάλυση κυρίων συνιστωσών (PCA). Για την ταυτοποίηση βλαβών, εξετάζονται πέντε μέθοδοι μηχανικής μάθησης. Οι τρεις πρώτες βασίζονται στην ιδέα των πολλαπλών μοντέλων, με δύο από αυτές (MM-AR και MM-PCA-AR) να χρησιμοποιούν τυπικά μοντέλα AR, και η τρίτη από αυτές (MM-PSD) να χρησιμοποιεί την εκτίμηση της Πυκνότητας Φασματικής Ισχύος κατά Welch ως χαρακτηριστικό ευαίσθητο ως προς τον τύπο βλάβης. Οι δύο άλλες μέθοδοι, που βασίζονται στους αλγορίθμους k-NN και K-Means αντίστοιχα, βασίζονται επίσης σε τυπικά μοντέλα AR για την εξαγωγή του διανύσματος παραμέτρων το οποίο χρησιμοποιείται ως το χαρακτηριστικό διάνυσμα για την ταυτοποίηση των βλαβών. Τα σήματα ταλαντώσεων καταγράφονται χρησιμοποιώντας ένα μόνο επιταχυνσιόμετρο τοποθετημένο σε εργαστηριακό μοντέλο μικρής κλίμακας πλωτής υπεράκτιας ανεμογεννήτριας. Το μοντέλο λειτουργεί υπό τρεις διαφορετικές ταχύτητες ανέμου και τρεις διαφορετικές κατευθύνσεις ανέμου, που παράγονται αποτελεσματικά από έναν τυπικό ανεμιστήρα. Η απόδοση των μεθόδων αξιολογείται συστηματικά βάσει εκατοντάδων πειραμάτων που πραγματοποιούνται στο υγιές μοντέλο OWT, καθώς και με τρία επίπεδα αποσύσφιξης στους κοχλίες στερέωσης του πύργου, δύο διαφορετικά επίπεδα ρωγμών στο πτερύγιο και δύο διαφορετικές προσθήκες μαζών στο πτερύγιο, προσομοιώνοντας πιθανή συσσώρευση πάγου. Τα αποτελέσματα ανίχνευσης βλαβών παρουσιάζονται μέσω καμπυλών ROC (Receiving Operator Characteristic), που δείχνουν την συνολική ανωτερότητα της μεθόδου U-MM-AR για όλα τα εξεταζόμενα σενάρια βλάβης η οποία επιτυγχάνει 100% σωστής ανίχνευσης για 2.2% ψευδών συναγερμών. Η αξιολόγηση κάθε μεθόδου στην ταυτοποίηση βλάβης γίνεται με χρήση πινάκων σύγχυσης (confusion matrices), και τα αποτελέσματα δείχνουν ότι η μέθοδος MM-PSD επιτυγχάνει το υψηλότερο ποσοστό σωστής ταυτοποίησης. | |
| dc.description.translatedabstract | Structural Health Monitoring (SHM) in Offshore Wind Turbines (OWTs), including early stage damage detection and identification, is of great importance as it directly affects their reliable and successful operation. Vibration signals can be easily and inexpensively collected from an OWT during normal operation, providing rich information about its dynamics that can be effectively utilized for SHM. However, OWTs operate under varying conditions primarily due to wind ambient excitations, which affect the vibration signals in a similar manner to potential damages. Therefore, robust methods are necessary for damage detection and identification in OWTs under varying operating conditions, aiming to eliminate false alarms and downtimes. This study investigates the detection and identification of early-stage damages in OWTs under varying wind speed and wind direction. Machine Learning methods, along with a reasonable amount of vibration signal measurements for their training, are employed. Damage detection is achieved through two statistical time-series Machine Learning methods, namely U-MM-AR and U-MM-PCA-AR. Both methods interpret the healthy dynamics of the OWT using the feature vectors of multiple conventional AR models, with the latter method employing a reduced feature vector obtained via principal component analysis. For damage identification, five Machine Learning methods are explored. The first three are based on the multiple model concept, where two of them (MM-AR and MM-PCA-AR) utilize typical AR models, and the third (MM-PSD) employs Welch-based Power Spectral Density estimation as the sensitive feature with respect to damage type. The remaining two methods, based on the k-NN and K-Means algorithms, also rely on typical AR models for extracting the feature vector, which is used as the feature vector for damage identification. Vibration signals are captured using a single accelerometer mounted on a lab-scale model of a floating Wind Turbine. The model operates under three different wind speeds and three different wind directions, effectively generated by a typical air fan. The performance of the methods is systematically evaluated based on hundreds of experiments conducted on the healthy OWT model, as well as on a model with three levels of mechanical looseness at the mounting bolts of the core, two different crack levels at the blade, and two different added masses on the blade simulating potential ice accumulation. The damage detection results are presented through ROC (Receiving Operator Characteristic) curves, which demonstrate the overall superiority of the U-MM-AR method for all considered damage scenarios, which achieves 100% correct detection for 2.2% of false alarms. The evaluation of each method in damage identification is carried out using Confusion Matrices, and the results indicate that the MM-PSD method achieves the highest percentage of correct identification. | |
| dc.identifier.uri | https://hdl.handle.net/10889/25506 | |
| dc.language.iso | el | |
| dc.rights | Attribution 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by/3.0/us/ | * |
| dc.subject | Παρακολούθηση της δομικής ακεραιότητας | |
| dc.subject | Ανίχνευση και ταυτοποίηση βλαβών | |
| dc.subject | Πλωτές ανεμογεννήτριες | |
| dc.subject | Μεταβαλλόμενες συνθήκες λειτουργίας | |
| dc.subject | Στατιστικές μέθοδοι χρονοσειρών ταλαντώσεων | |
| dc.subject | Αλγόριθμοι μηχανικής μάθησης | |
| dc.subject.alternative | Structural health monitoring | |
| dc.subject.alternative | Damage detection-identification | |
| dc.subject.alternative | Floating wind turbines | |
| dc.subject.alternative | Varying operating conditions | |
| dc.subject.alternative | Vibration-based statistical time series methods | |
| dc.subject.alternative | Machine learning methods | |
| dc.title | Διάγνωση βλαβών σε μοντέλο πλωτής ανεμογεννήτριας υπό μεταβαλλόμενη ταχύτητα και διεύθυνση ανέμου μέσω μεθόδων μηχανικής μάθησης και μετρήσεων σημάτων ταλάντωσης | |
| dc.title.alternative | Structural health monitoring in an offshore wind turbine model under varying wind speed and direction using machine learning methods and measurements of vibration signals |