Please use this identifier to cite or link to this item:
Title: Εύρωστη ανίχνευση και προσδιορισμός θέσης βλάβης σε υπό κλίμακα πτερύγιο ανεμογεννήτριας μέσω σημάτων στοχαστικής ταλάντωσης υπό θερμοκρασιακή αβεβαιότητα με χρήση νευρωνικών δικτύων
Other Titles: Random vibration based robust damage detection and localization on a scale wind turbine blade under temperature-induced uncertainty via a neural network framework
Authors: Μαστρογιαννόπουλος, Κωνσταντίνος
Keywords: Ανίχνευση βλαβών
Προσδιορισμός θέσης βλαβών
Μεταβαλλόμενες θερμοκρασιακές συνθήκες
Πτερύγιο ανεμογεννήτριας
Στοχαστικά ταλαντωτικά σήματα
Στοχαστικές μέθοδοι
Keywords (translated): Damage detection
Damage localization
Vibration-based method
Varying temperature conditions
Wind turbine blade
Abstract: Η παρούσα Διπλωματική Εργασία ασχολείται με την ανίχνευση και τον προσδιορισμό θέσης βλαβών σε υπό κλίμακα μοντέλο πτερυγίου ανεμογεννήτριας μέσω σημάτων στοχαστικής ταλάντωσης υπό μεταβαλλόμενη θερμοκρασία με χρήση νευρωνικών δικτύων. Μέθοδοι που βασίζονται σε στοχαστικά ταλαντωτικά σήματα βρίσκονται σε συμφωνία με την τάση της βιομηχανίας για απομακρυσμένο, ασύρματο και διαρκή έλεγχο δομικής ακεραιότητας κατασκευών και συστημάτων με ταυτόχρονη απαίτηση την σύντομη και μικρή σε κόστος εφαρμογή του. Επιπλέον η χρήση δεδομένων που αντιπροσωπεύουν μόνο την απόκριση της κατασκευής σε διέγερση λευκού θορύβου προερχόμενα μόνο από ένα αισθητήριο καθιστούν την μεθοδολογία που θα παρουσιαστεί πιο εφαρμόσιμη. Η έγκαιρη ανίχνευση και ταυτόχρονα ο προσδιορισμός θέσης βλαβών σχετίζονται άμεσα με θέματα συντηρήσεων και ασφάλειας, ενώ εμμέσως σχετίζονται και με την προστασία άλλων μείζονος σημασίας εξαρτημάτων της ανεμογεννήτριας (όπως ο πύργος στήριξης, την ηλεκτρογεννήτρια κ.α.) με αποτέλεσμα την αύξηση ηλεκτρικής ενέργειας. Παρόλα αυτά, οι μεταβολές των περιβαλλοντικών συνθηκών (όπως η θερμοκρασία) εισάγουν αβεβαιότητα στο σύστημα, προκαλώντας διαφοροποιήσεις στα δυναμικά χαρακτηριστικά της κατασκευής καθιστώντας έτσι το πρόβλημα της ορθής ανίχνευσης βλαβών δύσκολο. Στην παρούσα εργασία θα γίνει χρήση νευρωνικών δικτύων (ANN) βασισμένα σε παραμέτρους μοντέλου αυτοπαλινδρόμησης (AR) για να αντιμετωπιστεί η προαναφερθείσα πρόκληση. Θα εξεταστούν 10 σενάρια βλάβης που προσομοιώνονται με προσθήκη μάζας σε 10 διαφορετικά σημεία επί του άξονα του πτερυγίου, ενώ η θερμοκρασία μεταβάλλεται από τους [0⁰C,+20⁰C]. Η ανίχνευσης βλαβών θα πραγματοποιηθεί με χρήση αυτοσυσχετιζόμενων νευρωνικών δικτύων (ΑΑΝΝ) με μη επιβεβλημένη μάθηση, ενώ ο προσδιορισμός θέσης τους θα πραγματοποιηθεί με χρήση απλούστερης δομής νευρωνικού δικτύου (ANN) και με επιβεβλημένη μάθηση. Συμπερασματικά σημειώνεται πολύ καλή επίδοση της μεθοδολογίας και στα δύο προβλήματα με 100% ορθή ανίχνευση βλαβών με εξαλειμμένους τους ψευδείς συναγερμούς, ενώ το σφάλμα κατηγοριοποίησης για τον προσδιορισμό θέσης βλαβών προκύπτει <1% για όλο το θερμοκρασιακό φάσμα.
Abstract (translated): The present Diploma Thesis deals with damage detection and localization on a scale wind turbine blade under varying temperature via a neural network framework. Vibration-based methods are in line with industry trend for remote, wireless, and continuous structural health monitoring with simultaneous requirement of its short-time and low-cost implementation. In addition, the use of data representing only the structure’s response to white noise excitation from a single sensor makes the presented methodology more applicable. Timely detection and localization of damage are directly related to maintenance and safety issues, while indirectly related to the protection of other major components of the wind turbine (such as the support tower, generator, etc.) resulting in increased electrical power generation. However, changes in environmental conditions (such as temperature) introduce uncertainty into the system, causing differences in the dynamic characteristics of the structure masking those caused by damage thus rendering the problem of correct damage detection difficult. In the present work, neural networks (ANN) based on auto-regressive models (AR) parameters are being employed to address the aforementioned challenge. Ten damage scenarios simulated by adding a mass at 10 different points on the blade axis will be considered, while the temperature varies from [0⁰C, + 20⁰C]. Damage detection will be performed using AANN trained only on the healthy subspace (unsupervised learning), while their positioning will be decided by a simpler version of ANN with supervised learning. In conclusion, a very good performance in both problems is achieved with 100% correct damage detection while false alarms are eliminated. Also, the misclassification error for determining the damage location results in <1% for the whole temperature range.
Appears in Collections:Τμήμα Μηχανολόγων και Αεροναυπηγών Μηχανικ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
DT_M_Μαστρογιαννόπουλος_Κωνσταντίνος_246979.pdf3.91 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.