Early Fault Detection of Wind Turbine Generator and Rotor Bearings
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3093282Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Sammendrag
Den bærekraftige energiomstillingen er avhengig av bruk av fornybare energikilder og vindturbiner spiller en sentral rolle. Feil diagnose og prognose for større feil i vindturbiner til havs og på land, som forårsaker lang produksjonsstans, har vært et sentralt forskningsområde. Det kreves imidlertid langt større oppmerksomhet for tidlig oppdagelse av unormale forhold, mindre feil og svikt i vindturbiner. Siden akkumulering av mindre feil gradvis kan føre til uventede store feil, som reduserer vindturbinens pålitelighet betydelig. Å løse mindre feil i vindturbiner til havs har høyere kompleksitet enn vindturbiner på land. Produksjonsstansen for havvindturbiner forsterkes når tøffe værforhold, vanskeligheter med vedlikeholdsplanlegging og sikker utførelse av vedlikehold tas i hensyn. Derfor er forskning på feildeteksjon i vindturbinkomponenter for å gi tidlig indikasjon av feil til vindparkoperatører for vedlikeholdsplanlegging, hovedfokus i denne masteroppgaven. Feildeteksjon av mindre feil kan forbedre alle aspekter av pålitelighet, tilgjengelighet, vedlikehold og sikkerhet for vindturbiner.
Det legges store vekt på mindre feil i havvindturbiner som i hovedaksellagrene, siden de har en kritisk rolle. På grunn av generelt strenge datadelingsprosedyrer i industrien for tilstandsovervåkingsdata for havvindturbiner, måtte vindturbin tilstandsdata på land brukes. Vibrasjonsdata av generatorlager og rotorlager fra 2 landbaserte vindturbiner på Bessakerfjellet vindpark i Trøndelag benyttes. Helsetilstanden til lagrene er ukjent, på grunn av mangel på tilgang til vedlikeholdslogger av vindturbinene. De rå vibrasjonsdataene analyseres først ved hjelp av statistisk datavisualisering, deretter frekvensdomene vibrasjonsanalyse og til slutt en korrelasjonsstudie mellom lagervibrasjonen og vindturbinens rotorhastighet. Dette bidro til å avdekke helsetilstanden til lagrene. Viktige funn er henholdsvis effekten av sesongmessige aspekter som viser høyere lagervibrasjoner i vintermånedene, utvikling av mindre defekter i indre ring og cage komponenter i en vindturbingenerator, og maskin resonans som oppstår ved en bestemt rotorhastighet i begge vindturbinene.
Ikke-veiledet feildeteksjonsmetoder trenes opp ved å bruke generatoren og rotorlagerets vibrasjonsdata fra en vindturbin som viser de mest unormale dataene. En forurensningsfaktor som spesifiserer prosentandelen av abnormiteter og uteliggere i dataene, er satt basert på forfatterens analyse og fra ekspertvurderinger. Modellene som er trent er isolation forest, local outlier factor, one class support vector machines og Mahalanobis distance. Ytelsen til modellene er evaluert basert på funn fra råvibrasjonsanalysen og korrelasjonsstudien. Fra en visuell sammenligning av de detekterte uteliggere og normale datapunktene til de fire modellene ved bruk av spredningsplott av rotorhastighet og vibrasjon, var den avstandsbaserte modellen Mahalanobis distance som oppdaget tidlig tegn på maskinresonans, uteliggere og lav falsk deteksjon innenfor normale lagervibrasjonsdata. Modellopplæringen har noen begrensninger, inkludert lav datastørrelse som brukes til å trene modellene og bedømmelsen av unormale, avvikende prosenter i de lagervibrasjonsdataene ved bruk av forurensningsfaktor. Til tross for dette viser resultatene fra oppgaven en tidlig avvikdeteksjonsytelse av den ikke-veiledet feildeteksjonsmodellen Mahalanobis distance og har stor potensial for bruk i vindindustrien på land og til havs. Dette vil støtte beslutningsprosessen for operatører av vindkraftparker. Evaluering av feildeteksjons modell ytelse ved bruk av havvindturbingenerator og rotorlager tilstandsdata er nødvendig for å ytterligere støtte resultatene fra denne oppgaven. The sustainable energy transition depends on the use of renewable energy sources and wind turbines play a central role. Fault diagnostics and prognostics of major failures in offshore and onshore wind turbines, causing long production downtime, have been a key research area. However, far greater attention is required for the early detection of abnormal conditions, minor faults and failures in wind turbines. Since the accumulation of minor failures can gradually lead to unexpected major failures, reducing the wind turbine reliability significantly. Resolving minor failures in offshore wind turbines has higher complexity than wind turbines onshore. The production downtime at offshore locations is amplified when harsh weather conditions, difficulties with maintenance scheduling and safe execution of maintenance is considered. Therefore, research on fault detection in wind turbine components to provide wind farm asset managers with early indication of faults for maintenance planning is the key focus in this master thesis. Fault detection of minor failures can improve all aspects of reliability, availability, maintainability and safety of wind turbines.
Emphasis is placed on offshore wind turbine minor failures such as the main shaft bearings, which have a critical role. Due to generally strict data sharing procedures in the industry for offshore wind turbine components condition monitoring data, onshore wind turbine data had to be used. Unlabeled condition monitoring vibration data of the generator and rotor bearing from 2 onshore wind turbines at the Bessakerfjellet located in Trøndelag, Norway is used. The health condition of the bearings is unknown, due to lack of wind turbine maintenance logs. The raw vibration data is first analyzed using statistical data visualization, then frequency domain vibration analysis and finally a correlation study between the bearing vibration and wind turbine rotor speed. This helped uncover the health condition of the bearings. Major findings respectively are the effect of seasonality aspects showing higher bearing vibration in winter months, developing minor defect in one wind turbine generator bearing inner ring and cage components, and machine resonance occurring at a particular rotor speed in both wind turbines.
Unsupervised fault detection methods are trained using the generator and rotor bearing vibration data of one wind turbine showing the most anomalous data. A contamination factor specifying the percentage of abnormality and outliers contained in the data is set based on the author's analysis and from expert judgement. The models trained are isolation forest, local outlier factor, one class support vector machines and Mahalanobis distance. The performance of the models is evaluated from emphasis on findings from the raw vibration analysis and correlation study. From a visual comparison of the detected outlier and normal data points of the four models using scatter plots of rotor speed and vibration, the Mahalanobis distance-based model was able to detect signs of machine resonance, outliers away from the data cluster and low false detection within the cluster of normal bearing vibration data. The model training has some limitations including low data size used to train the models and the judgement of abnormal, outlier percentage in the unlabeled bearing vibration data using the contamination factor. Despite this, the results from the thesis show a strong early outlier detection performance of the unsupervised fault detection model Mahalanobis distance and has strong implications for the use in the onshore and offshore wind industry. This will support the decision-making process for wind farm asset managers. Evaluation of fault detection model performance using offshore wind turbine generator and rotor bearing condition data is required to further support the results from this thesis.