Vibration-based imbalance detection in a population of offshore wind turbines under varying environmental conditions via neural networks and statistical time series based methods
| datacite.contributor.RelatedPerson | Φασόης, Σπήλιος | |
| datacite.contributor.RelatedPerson | Νικολακόπουλος, Παντελής | |
| datacite.contributor.Supervisor | Σακελλαρίου, Ιωάννης | |
| dc.contributor.author | Παπαδοπούλου, Αλεξάνδρα-Αθανασία | |
| dc.contributor.other | Papadopoulou, Alexandra-Athanasia | |
| dc.date.accessioned | 2025-03-11T06:24:14Z | |
| dc.date.available | 2025-03-11T06:24:14Z | |
| dc.date.issued | 2025-03-07 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | The increasing global demand for renewable energy has driven a rise in offshore wind turbine installations due to their higher energy yields and reduced maintenance needs compared to onshore turbines. However, offshore turbines are vulnerable to various forms of damage, including rotor imbalances, which can induce excessive vibrations, mechanical stress, and costly downtime. Early detection through Structural Health Monitoring (SHM) is crucial to mitigating these issues. This research formulates an unsupervised methodology for detecting both mass and aerodynamic rotor imbalances in an offshore wind turbine population within the same farm. The approach relies on vibrational data from nacelle-mounted accelerometers, collected over a year during normal operation when the turbine produces rated power. To enhance robustness, the methodology accounts for uncertainty factors introduced by varying environmental conditions and structural inconsistencies across turbines, ensuring a more reliable and scalable detection framework. The detection framework integrates Artificial Neural Networks (ANN) and Statistical Time Series (STS) methods. An Autoencoder (AE) is employed for ANN-based detection, while the Multiple Model (MM) concept is applied for STS-based methods. System dynamics are represented through both parametric and non-parametric techniques, including Welch-based Power Spectral Density (PSD), Cross Power Spectral Density (CSD), and parametric models such as Autoregressive (AR) and Vector Autoregressive (VAR). Vibrational signals are analyzed in three directions—side-to-side, fore-aft, and longitudinal—and two of the healthy turbines are used to train the models, establishing a reference standard for unsupervised detection capable of distinguishing between healthy and faulty turbines. The results demonstrate that the detection methods generally provide reliable performance. Both non-parametric (PSD and CSD) and parametric (AR) modeling effectively represent system dynamics for imbalance detection, except for VAR modeling. MM-based methods achieve the highest overall detection rates for both types of imbalances; however, AE-PSD outperforms all other approaches in mass imbalance detection. The fore-aft and longitudinal axial signals are more effective for detecting aerodynamic imbalance, while the side-to-side signals are better for mass imbalance, aligning with the distinct vibration patterns of each imbalance type. These findings highlight the effectiveness and scalability of the proposed methodology for detecting rotor imbalances across multiple turbines within a wind farm under varying environmental conditions. | |
| dc.description.translatedabstract | Η αυξανόμενη παγκόσμια ζήτηση για ανανεώσιμες πηγές ενέργειας έχει οδηγήσει σε αύξηση των εγκαταστάσεων υπεράκτιων ανεμογεννητριών λόγω της υψηλότερης ενεργειακής απόδοσης και των μειωμένων αναγκών συντήρησης σε σύγκριση με τις χερσαίες ανεμογεννήτριες. Οι υπεράκτιες ανεμογεννήτριες είναι ευάλωτες σε διάφορες μορφές φθοράς, συμπεριλαμβανομένων των αζυγοσταθμιών του ρότορα, οι οποίες μπορεί να προκαλέσουν έντονες ταλαντώσεις, μηχανικές καταπονήσεις και δαπανηρούς χρόνους ακινητοποίησης. Η έγκαιρη ανίχνευση μέσω της παρακολούθησης της δομικής ακεραιότητας (Structural Health Monitoring, SHM) είναι ζωτικής σημασίας για τον μετριασμό αυτών των ζητημάτων. Η παρούσα έρευνα διαμορφώνει μια μη επιτηρούμενη μεθοδολογία για την ανίχνευση αεροδυναμικής αζυγοσταθμίας και μάζας, του ρότορα σε έναν πληθυσμό υπεράκτιων ανεμογεννητριών εντός του ίδιου αιολικού πάρκου. Η προσέγγιση βασίζεται σε ταλαντωτικά δεδομένα από επιταχυνσιόμετρα τοποθετημένα στη νασέλα, τα οποία συλλέχθηκαν για ένα έτος κατά τη διάρκεια κανονικής λειτουργίας της ανεμογεννήτριας, όταν αυτή παράγει ονομαστική ισχύ. Για την ενίσχυση της αξιοπιστίας ανίχνευσης, η μεθοδολογία λαμβάνει υπόψη παράγοντες αβεβαιότητας που προκύπτουν από τις μεταβαλλόμενες περιβαλλοντικές συνθήκες και τις δομικές αποκλίσεις μεταξύ των ανεμογεννητριών. Το πλαίσιο ανίχνευσης ενσωματώνει Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks, ANN) και Στατιστικές Μεθόδους Χρονοσειρών (Statistical Time Series, STS). Για την ανίχνευση μέσω Νευρωνικών Δικτύων, χρησιμοποιείται ένας Αυτοκωδικοποιητής (Autoencoder, AE), ενώ για τις μεθόδους των Στατιστικών Χρονοσειρών εφαρμόζεται η προσέγγιση του Πολλαπλού Μοντέλου (Multiple Model, MM). Η δυναμική του συστήματος αναπαρίσταται μέσω παραμετρικών και μη παραμετρικών τεχνικών, συμπεριλαμβανομένων της Πυκνότητας Φασματικής Ισχύος (PSD) και της Διασταυρούμενης Πυκνότητας Φασματικής Ισχύος (CSD), και παραμετρικών μοντέλων όπως αυτό της Αυτοπαλινδρόμησης (AR) και το Διανυσματικό μοντέλο Αυτοπαλινδρόμησης (VAR). Τα Ταλαντωτικά σήματα αναλύονται σε τρεις κατευθύνσεις—πλάγια, εμπρός-πίσω και διαμήκης—και δύο υγιείς ανεμογεννήτριες χρησιμοποιούνται για την εκπαίδευση των μοντέλων, δημιουργώντας ένα πρότυπο αναφοράς για μη επιτηρούμενη ανίχνευση, ικανό να διακρίνει μεταξύ υγιών και ελαττωματικών ανεμογεννητριών. Τα αποτελέσματα δείχνουν ότι οι μέθοδοι ανίχνευσης αποδίδουν αξιόπιστα. Τόσο η μη παραμετρική (PSD και CSD) όσο και η παραμετρική (AR) μοντελοποίηση αποτυπώνουν αποτελεσματικά τη δυναμική του συστήματος για την ανίχνευση αζυγοσταθμίας, με εξαίρεση τη μοντελοποίηση VAR. Οι μέθοδοι MM επιτυγχάνουν τα υψηλότερα ποσοστά ανίχνευσης και για τους δύο τύπους βλάβης, ενώ η AE-PSD υπερέχει έναντι όλων των άλλων προσεγγίσεων στην ανίχνευση αζυγοσταθμίας μάζας. Τα σήματα της εμπρός-πίσω και διαμήκης κατεύθυνσης είναι πιο αποτελεσματικά για την ανίχνευση αεροδυναμικής αζυγοσταθμίας, ενώ τα πλάγια σήματα είναι πιο κατάλληλα για την ανίχνευση ανισορροπίας μάζας, κάτι που ευθυγραμμίζεται με τις ταλαντώσεις που προκαλεί ο κάθε τύπος δόνησης. Τα ευρήματα αυτά υπογραμμίζουν την αποτελεσματικότητα και την επεκτασιμότητα της προτεινόμενης μεθοδολογίας για την ανίχνευση αζυγοσταθμιών του ρότορα σε πολλαπλές ανεμογεννήτριες εντός ενός αιολικού πάρκου υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες. | |
| dc.identifier.uri | https://hdl.handle.net/10889/29292 | |
| dc.language.iso | en | |
| dc.rights | CC0 1.0 Universal | en |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | |
| dc.subject | Offshore wind turbine population | |
| dc.subject | Rotor imbalance detection | |
| dc.subject | Neural networks | |
| dc.subject | Statistical time series method | |
| dc.subject | Acceleration data | |
| dc.subject | Varying environmental conditions | |
| dc.subject.alternative | Πληθυσμός υπεράκτιων ανεμογεννητριών | |
| dc.subject.alternative | Ανίχνευση αζυγοσταθμίας ρότορα | |
| dc.subject.alternative | Νευρωνικά δίκτυα | |
| dc.subject.alternative | Στατιστική μέθοδος χρονοσειρών | |
| dc.subject.alternative | Δεδομένα επιτάχυνσης | |
| dc.subject.alternative | Μεταβαλλόμενες περιβαλλοντικές συνθήκες | |
| dc.title | Vibration-based imbalance detection in a population of offshore wind turbines under varying environmental conditions via neural networks and statistical time series based methods | |
| dc.title.alternative | Ανίχνευση αζυγοσταθμίας σε πληθυσμό υπεράκτιων ανεμογεννητριών βάσει σημάτων ταλάντωσης υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες μέσω νευρωνικών δικτύων και στατιστικών μεθόδων χρονοσειρών |