Deep Learning for Fault Prediction in Offshore Wind Turbines

Abstract

Denne oppgaven beskriver et feilprediksjonssystem for offshore vindturbiner basert på SCADA data. Hensikten med systemet er å gi tidlig advarsel for kommende feil. Dette vil kunne bidra til reduserte vedlikeholdskostnader og økt fortjeneste ved å unngå tapt produksjon. En fullstendig arkitektur av systemet er beskrevet og implementert, inkludert datakilder, fremgangsmåte for merking av data, forbehandling av data, oppdeling i trenings-, test-, og valideingssett, klassifiseringskomponent, samt et alarmkontrollsystem. Hovedfokuset for oppgaven har vært å evaluere prestasjon for ulike klassifiseringskomponenter i systemet. Dyp læring har vist lovende resultater for tidsserieklassifisering, og flere klassifiseringsmodeller basert på dyp læring har blitt implementert som klassifiseringskomponenten av systemet. Disse er sammenlignet mot en “random forest”-modell, som er vurdert til å være “state-of-the-art” i dette domenet. De dyp læring-baserte modellene gir bedre resultater enn “random forest”-modellen på alle eksperimenter. Jeg viser at systemet kan detektere feil før de oppstår, men antallet falske alarmer som blir gitt, varierer stort mellom ulike feilkategorier. Noen feilkategorier viser seg å egnes bedre for å modelleres enn andre. Store forskjeller er også observert med hensyn til hvor lang tid i forveien vi ønsker å predikere en feil. Det er ikke mulig å kåre en definitiv vinner blant dyp læring-modellene, da de presterer bedre på ulike feilkategorier. Om resultatene fra denne oppgaven er gode nok til å rettferdiggjøre å produksjonssette et slikt system må vurderes nøye fra et forretningsperspektiv av domeneeksperter. Hovedbidraget for denne oppgaven er design og implementering av et komplett feilprediksjonssystem for offshore vindturbiner basert på SCADA data. I tillegg har flere dyp læring-baserte klassifiseringsmodeller vist å gi bedre resultater enn det som er vurdert til å være “state-of-the-art”. Flere innblikk i problem-spesifikke utfordringer er også gitt, med mål om å bidra til fremtidig arbeid.

This thesis investigates the application of a deep learning-based fault prediction system for offshore wind turbines based on SCADA data. The goal of the system is to provide early warning of faults, and thus reduce both the maintenance costs, as well as cost related to downtime. The machine learning components of the fault prediction system are described complete with source code, including the labelling procedure, data sources, data preprocessing, train/test/validation split procedure, classification component and alarm control system. Deep learning has shown great promise for time series classification problems, and several deep learning architectures are evaluated as the classification component of the system. These are then compared to a random forest model. Such models are considered to be the state-of-the-art in this domain. The deep learning models show better performance than the random forest model on all experiments. I show that the system is able to detect faults in advance, but the number of false alarms given in order to do so varies greatly with different fault categories. Some fault categories are found to be better suited for modelling than others, and large variations in results are also observed with regards to how long time in advance we want to be able to predict a fault. The performance of the investigated deep learning models varies across the fault categories, and it is not possible to declare a ”winner” across the board. Whether the amount of faults predicted vs. the false alarm rate justify building a production version of the system, must be further evaluated from a business perspective by domain experts. The primary contribution of this thesis is the design and implementation of a complete fault prediction system for offshore wind turbines based on SCADA data. Additionally, different deep learning architectures have been evaluated as the classifier component of this system, and demonstrated ability to improve upon the state-of-the-art. Additional problem-specific insights are also presented, in order to facilitate future work in this area.