Διάγνωση βλαβών στην ημι-υποβρύχια πλωτή ανεμογεννήτρια DTU 10 MW OO-Star Wind Floater υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες με μεθόδους τύπου μηχανικής μάθησης
Η παρούσα εργασία επικεντρώνεται στο πρόβλημα της ανίχνευσης βλαβών στην πλωτή ανεμογεννήτρια DTU 10 MW OO-Star Wind Floater υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες. Οι μέθοδοι που εξετάζονται βασίζονται σε πλαίσιο μηχανικής μάθησης χρησιμοποιώντας ταλαντωτικές χρονοσειρές επιτάχυνσης. Η μεγαλύτ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/24839 |
| id |
nemertes-10889-24839 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Έλεγχος δομικής ακεραιότητας Πλωτές ανεμογεννήτριες Μεταβαλλόμενες περιβαλλοντικές συνθήκες Παραμετρική στοχαστική μοντελοποίηση Προσομοιώσεις Monte Carlo Structural health monitoring Floating wind turbines Varying environmental conditions Parametric stochastic modeling Monte Carlo Simulations |
| spellingShingle |
Έλεγχος δομικής ακεραιότητας Πλωτές ανεμογεννήτριες Μεταβαλλόμενες περιβαλλοντικές συνθήκες Παραμετρική στοχαστική μοντελοποίηση Προσομοιώσεις Monte Carlo Structural health monitoring Floating wind turbines Varying environmental conditions Parametric stochastic modeling Monte Carlo Simulations Αναστασιάδης, Νικόλας Διάγνωση βλαβών στην ημι-υποβρύχια πλωτή ανεμογεννήτρια DTU 10 MW OO-Star Wind Floater υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες με μεθόδους τύπου μηχανικής μάθησης |
| description |
Η παρούσα εργασία επικεντρώνεται στο πρόβλημα της ανίχνευσης βλαβών στην πλωτή ανεμογεννήτρια DTU 10 MW OO-Star Wind Floater υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες. Οι μέθοδοι που εξετάζονται βασίζονται σε πλαίσιο μηχανικής μάθησης χρησιμοποιώντας ταλαντωτικές χρονοσειρές επιτάχυνσης. Η μεγαλύτερη πρόκληση που πρέπει να αντιμετωπιστεί είναι οι αβεβαιότητες που εισάγονται στο σύστημα λόγω των μεταβαλλόμενων περιβαλλοντικών συνθηκών, οι οποίες μπορεί είτε να αποκρύψουν την επιρροή αρχόμενων βλαβών στη μετρούμενη δυναμική είτε να οδηγήσουν σε υψηλό ρυθμό ψευδών συναγερμών. Για την αντιμετώπιση του παραπάνω προβλήματος χρησιμοποιούνται μέθοδοι που βασίζονται σε πολλαπλά (Multiple Models, MM) στοχαστικά διανυσματικά μοντέλα αυτοπαλινδρόμησης (Vector Autoregressive, VAR), όπως και αντίστοιχα συναρτησιακά μοντέλα σώρευσης (Functional Pooled-VAR, FP-VAR & Vector Functional Pooled-VAR, VFP-VAR). Για την αποτίμηση των μεθόδων γίνονται προσομοιώσεις Monte Carlo με 1041 σενάρια άγνωστων υγιών και υπό βλάβη καταστάσεων σε διάφορες περιβαλλοντικές συνθήκες. Τα δεδομένα που χρησιμοποιούνται προέρχονται από προσομοίωση της ημι-υποβρύχιας ανεμογεννήτριας DTU 10 MW με πλωτήρα OO-Star Wind Floater στο λογισμικό FAST και αφορούν χρονοσειρές επιτάχυνσης οι οποίες μετρούνται στην υποδομή, στην κορυφή του πύργου και σε επιλεγμένο σημείο πάνω σε αυτόν. Οι βλάβες που εξετάζονται αφορούν μείωση της δυσκαμψίας στη βάση του πύργου, μείωση της απόσβεσης και της δυσκαμψίας του συστήματος μετάδοσης και σφάλμα στο σύστημα προσανατολισμού που μπορεί να οφείλεται σε διάφορες βλάβες σε εξαρτήματα του (π.χ. γρανάζια, άξονες, μετρητικά όργανα κ.α.). Οι μεταβαλλόμενες περιβαλλοντικές συνθήκες που λαμβάνονται υπόψη είναι η μέση ταχύτητα και ο προσανατολισμός του ανέμου, το σημαντικό ύψος, η περίοδος κορυφής και η κύρια διεύθυνση διάδοσης των κυμάτων, όπως και ο προσανατολισμός και η ταχύτητα των επιφανειακών ρευμάτων. Από αυτές, ανεξάρτητες θεωρούνται η μέση ταχύτητα και ο προσανατολισμός του ανέμου, ενώ οι υπόλοιπες θεωρούνται συναρτήσεις αυτών. Τα αποτελέσματα υποδεικνύουν ότι οι μέθοδοι επιτυγχάνουν ικανοποιητική ανίχνευση της μείωσης της δυσκαμψίας στη βάση του πύργου άνω του 20%, της μείωσης της δυσκαμψίας του συστήματος μετάδοσης από 10% και άνω, του σφάλματος προσανατολισμού από 8ο και άνω, ενώ καμία μέθοδος δεν ανιχνεύει τη μείωση της απόσβεσης στο σύστημα μετάδοσης. |
| author2 |
Anastasiadis, Nikolas |
| author_facet |
Anastasiadis, Nikolas Αναστασιάδης, Νικόλας |
| author |
Αναστασιάδης, Νικόλας |
| author_sort |
Αναστασιάδης, Νικόλας |
| title |
Διάγνωση βλαβών στην ημι-υποβρύχια πλωτή ανεμογεννήτρια DTU 10 MW OO-Star Wind Floater υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες με μεθόδους τύπου μηχανικής μάθησης |
| title_short |
Διάγνωση βλαβών στην ημι-υποβρύχια πλωτή ανεμογεννήτρια DTU 10 MW OO-Star Wind Floater υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες με μεθόδους τύπου μηχανικής μάθησης |
| title_full |
Διάγνωση βλαβών στην ημι-υποβρύχια πλωτή ανεμογεννήτρια DTU 10 MW OO-Star Wind Floater υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες με μεθόδους τύπου μηχανικής μάθησης |
| title_fullStr |
Διάγνωση βλαβών στην ημι-υποβρύχια πλωτή ανεμογεννήτρια DTU 10 MW OO-Star Wind Floater υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες με μεθόδους τύπου μηχανικής μάθησης |
| title_full_unstemmed |
Διάγνωση βλαβών στην ημι-υποβρύχια πλωτή ανεμογεννήτρια DTU 10 MW OO-Star Wind Floater υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες με μεθόδους τύπου μηχανικής μάθησης |
| title_sort |
διάγνωση βλαβών στην ημι-υποβρύχια πλωτή ανεμογεννήτρια dtu 10 mw oo-star wind floater υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες με μεθόδους τύπου μηχανικής μάθησης |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/24839 |
| work_keys_str_mv |
AT anastasiadēsnikolas diagnōsēblabōnstēnēmiypobrychiaplōtēanemogennētriadtu10mwoostarwindfloaterypometaballomenesperiballontikessynthēkesmemethodoustypoumēchanikēsmathēsēs AT anastasiadēsnikolas damagediagnosisinthesemisubmersiblewindturbinedtu10mwoostarwindfloaterundervaryingenvironmentalconditionsviamachinelearningtypemethods |
| _version_ |
1771297133244186624 |
| spelling |
nemertes-10889-248392023-03-18T04:35:06Z Διάγνωση βλαβών στην ημι-υποβρύχια πλωτή ανεμογεννήτρια DTU 10 MW OO-Star Wind Floater υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες με μεθόδους τύπου μηχανικής μάθησης Damage Diagnosis in the semi-submersible wind turbine DTU 10 MW OO-Star Wind Floater under varying environmental conditions via machine learning type methods Αναστασιάδης, Νικόλας Anastasiadis, Nikolas Έλεγχος δομικής ακεραιότητας Πλωτές ανεμογεννήτριες Μεταβαλλόμενες περιβαλλοντικές συνθήκες Παραμετρική στοχαστική μοντελοποίηση Προσομοιώσεις Monte Carlo Structural health monitoring Floating wind turbines Varying environmental conditions Parametric stochastic modeling Monte Carlo Simulations Η παρούσα εργασία επικεντρώνεται στο πρόβλημα της ανίχνευσης βλαβών στην πλωτή ανεμογεννήτρια DTU 10 MW OO-Star Wind Floater υπό μεταβαλλόμενες περιβαλλοντικές συνθήκες. Οι μέθοδοι που εξετάζονται βασίζονται σε πλαίσιο μηχανικής μάθησης χρησιμοποιώντας ταλαντωτικές χρονοσειρές επιτάχυνσης. Η μεγαλύτερη πρόκληση που πρέπει να αντιμετωπιστεί είναι οι αβεβαιότητες που εισάγονται στο σύστημα λόγω των μεταβαλλόμενων περιβαλλοντικών συνθηκών, οι οποίες μπορεί είτε να αποκρύψουν την επιρροή αρχόμενων βλαβών στη μετρούμενη δυναμική είτε να οδηγήσουν σε υψηλό ρυθμό ψευδών συναγερμών. Για την αντιμετώπιση του παραπάνω προβλήματος χρησιμοποιούνται μέθοδοι που βασίζονται σε πολλαπλά (Multiple Models, MM) στοχαστικά διανυσματικά μοντέλα αυτοπαλινδρόμησης (Vector Autoregressive, VAR), όπως και αντίστοιχα συναρτησιακά μοντέλα σώρευσης (Functional Pooled-VAR, FP-VAR & Vector Functional Pooled-VAR, VFP-VAR). Για την αποτίμηση των μεθόδων γίνονται προσομοιώσεις Monte Carlo με 1041 σενάρια άγνωστων υγιών και υπό βλάβη καταστάσεων σε διάφορες περιβαλλοντικές συνθήκες. Τα δεδομένα που χρησιμοποιούνται προέρχονται από προσομοίωση της ημι-υποβρύχιας ανεμογεννήτριας DTU 10 MW με πλωτήρα OO-Star Wind Floater στο λογισμικό FAST και αφορούν χρονοσειρές επιτάχυνσης οι οποίες μετρούνται στην υποδομή, στην κορυφή του πύργου και σε επιλεγμένο σημείο πάνω σε αυτόν. Οι βλάβες που εξετάζονται αφορούν μείωση της δυσκαμψίας στη βάση του πύργου, μείωση της απόσβεσης και της δυσκαμψίας του συστήματος μετάδοσης και σφάλμα στο σύστημα προσανατολισμού που μπορεί να οφείλεται σε διάφορες βλάβες σε εξαρτήματα του (π.χ. γρανάζια, άξονες, μετρητικά όργανα κ.α.). Οι μεταβαλλόμενες περιβαλλοντικές συνθήκες που λαμβάνονται υπόψη είναι η μέση ταχύτητα και ο προσανατολισμός του ανέμου, το σημαντικό ύψος, η περίοδος κορυφής και η κύρια διεύθυνση διάδοσης των κυμάτων, όπως και ο προσανατολισμός και η ταχύτητα των επιφανειακών ρευμάτων. Από αυτές, ανεξάρτητες θεωρούνται η μέση ταχύτητα και ο προσανατολισμός του ανέμου, ενώ οι υπόλοιπες θεωρούνται συναρτήσεις αυτών. Τα αποτελέσματα υποδεικνύουν ότι οι μέθοδοι επιτυγχάνουν ικανοποιητική ανίχνευση της μείωσης της δυσκαμψίας στη βάση του πύργου άνω του 20%, της μείωσης της δυσκαμψίας του συστήματος μετάδοσης από 10% και άνω, του σφάλματος προσανατολισμού από 8ο και άνω, ενώ καμία μέθοδος δεν ανιχνεύει τη μείωση της απόσβεσης στο σύστημα μετάδοσης. The present study focuses on the problem of damage detection in the floating wind turbine DTU 10 MW OO-Star Wind Floater under varying environmental conditions. The examined methods are based on a machine learning framework using acceleration time series. The greatest challenge that must be addressed is the uncertainties introduced into the system due to changing environmental conditions, which can either conceal the influence of incipient damages on the measured dynamics or lead to a high rate of false alarms. To address the above problem, various methods which are based on Vector Autoregressive Multiple Models (MM-VAR) and Functionally Pooled (FP) models of scalar and vector operating parameters (FP-VAR, Vector FP-VAR) are utilized. The assessment of the methods is performed using Monte Carlo simulations including 1041 scenarios of (unknown) healthy and damaged states under various environmental conditions. The data used for the evaluation are generated from the simulation of the wind turbine DTU 10 MW equipped with the semi-submersible substructure OO-Star Wind Floater using the Fatigue Aerodynamics Structure and Turbulence model (FAST) and are acceleration time series measured at the floater substructure, at the tower top and at a selected position on it. The examined damages correspond to the stiffness reduction at the tower base, damping and stiffness reduction at the drivetrain and error in the yaw control system which may be due to various damages in its components (e.g., gears, axles, measuring instruments, etc.). The considered varying environmental conditions include the mean wind speed and direction, the significant height, peak period, and direction of waves, as well as the orientation and speed of surface currents. From these, the mean wind speed and direction are considered independent, while the rest are considered as functions of them. The results indicate that the methods achieve adequate detection performance for stiffness reduction at the tower base for over 20%, over 10% for the drivetrain and over 8 degrees for yaw error, while no method detects the reduction of damping in the drivetrain. 2023-03-17T06:05:27Z 2023-03-17T06:05:27Z 2023-03-16 https://hdl.handle.net/10889/24839 el application/pdf |
