Loading...

Fault Detection of Offshore Wind Turbines Using Data Driven Methods

Salari, Soorena | 2019

68 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 56613 (05)
  4. University: Sharif University of Technology
  5. Department: Electrical Engineering
  6. Advisor(s): Sadati, Nasser
  7. Abstract:
  8. Technology systems are vulnerable to various defects. Acuator failures reduce the performance of control systems and even they can damage the entire system. Incorrect reading from the sensors is the cause of many inefficiencies, because errors can reduce the quality and efficiency of a product line. In addition, failure of a single system's component can cause a system failure. Electromechanical energy conversion devices are composed of hundreds different components and subunits that are subject to varying adverse environmental conditions, and that is why the sensors, actuators, and components are likely to malfunction. Unexpected defects and unplanned repairs result in high operating costs and repairs that are more significant for offshore wind turbines, because of their inaccessibility and their harsh operating environment. To reduce these costs and optimize the use of wind turbines, development of fault detection systems is highly desirable for the creation of early-warning alarms, which will help to reduce the damage and catastrophic events along with providing optimal maintenance and logistics planning. In this research, by using the machine learning techniques, several fault detection methods for the NREL 5MW offshore wind turbine with SP platform is proposed
  9. Keywords:
  10. Wind Energy ; Offshore Wind Energy ; Offshore Wind Turbine ; Fault Detection ; Machine Learning ; Spar Buoy Floating Platform

 Digital Object List

 Bookmark

  • چکیده
  • فهرست مطالب
  • فهرست جداول
  • فهرست شکلها
  • فهرست علائم
  • فصل1 مقدمه
    • 1-1 اهمیت انرژی باد
    • 2-1 عیب‌یابی توربین‌های بادی فراساحلی
    • 3-1 پیشینه تحقیق
    • 4-1 نوآوری‌های تحقیق
    • 5-1 روند ارائه مطالب
  • فصل2 تشخیص عیب در توربین بادی
    • 1-2 مقدمه
    • 2-2 توربین‌های بادی محور افقی
    • 3-2 توربین‌های بادی محور عمودی
    • 4-2 توربین‌های بادی فراساحلی
      • 1-4-2 سکوهای فراساحلی
      • 2-4-2 برج
      • 3-4-2 روتور
      • 4-4-2 سیستم کنترل
      • 5-4-2 زنجیره رانش
    • 5-2 اصطلاحات مربوط به عیب
    • 6-2 تشخیص عیب در توربین بادی فراساحلی
  • فصل3 مدل استاندارد توربین بادی
    • 1-3 مقدمه
    • 2-3 مدل استاندارد توربین بادی
      • 1-2-3 سیستم کنترل
      • 2-2-3 مدل حسگرها
      • 3-2-3 مدل‌ عملگر ها
    • 3-3 عیب‌های بررسی‌شده
    • 4-3 آماده‌سازی داده‌ها
      • 1-4-3 مدل‌سازی باد
      • 2-4-3 داده‌های در دسترس با استفاده از سامانه سرپرستی و گردآوری داده
  • فصل4 یادگیری ماشین و تحلیل آماری داده‌ها برای تشخیص عیب توربین بادی فراساحلی
  • فصل4 یادگیری ماشین و تحلیل آماری داده‌ها برای تشخیص عیب توربین بادی فراساحلی
  • فصل4 یادگیری ماشین و تحلیل آماری داده‌ها برای تشخیص عیب توربین بادی فراساحلی
    • 1-4 مقدمه
    • 2-4 یادگیری ماشین
      • 1-2-4 یادگیری با سرپرست
      • 2-2-4 یادگیری بی‌سرپرست
      • 3-2-4 یادگیری تقویتی
    • 3-4 درخت تصمیم‌
    • 4-4 جنگل تصادفی
    • 5-4 شبکه‌های عصبی کانولوشنی
      • 1-5-4 عملگر کانولوشن
      • 2-5-4 ویژگی‌های مفید کانولوشن
      • 3-5-4 معماری شبکه‌های عصبی کانولوشنی
      • 4-5-4 توابع هزینه در شبکه‌های عصبی کانولوشنی
      • 5-5-4 تنظیم پارمترها در شبکه‌های عصبی کانولوشنی
    • 6-4 شبکه‌های عصبی بازگشتی
      • 1-6-4 تنظیم پارامترها در شبکه‌های عصبی بازگشتی
      • 2-6-4 شبکه عصبی بازگشتی LSTM
      • 3-6-4 شبکه LSTM کانولوشنی
    • 7-4 معیار‌های بررسی مهارت مدل یادگیری ماشین
      • 1-7-4 صحت
      • 2-7-4 بازخوانی
      • 3-7-4 دقت
      • 4-7-4 F1-Score
      • 5-7-4 ماتریس درهم‌ریختگی
      • 6-7-4 نمودار ROC و معیار AUC
  • فصل5 نتایج شبیه‌سازی
    • 1-5 مقدمه
    • 2-5 نتایج درخت تصمیم
    • 3-5 نتایج جنگل تصادفی
    • 4-5 نتایج شبکه‌های عصبی کانولوشنی
    • 5-5 نتایج شبکه عصبی کانولوشنی LSTM
    • 6-5 مقایسه نتایج
  • فصل6 نتیجه‌گیری و پیشنهاد‌ها
    • 1-6 نتیجه‌گیری
    • 2-6 پیشنهاد‌ها
  • مراجع
...see more