Performance optimization of model-free fault diagnosis schemes

• Autorzy: Kalisch M. , Przystałka P. , Katunin A. , Timofiejczuk A.

Warianty tytułu

PL

Optymalizacja sprawności schematów diagnostycznych bez wsparcia modelowego

• Języki publikacji: EN

Abstrakty

EN

This paper describes the method of model-free fault detection and isolation. The main purpose of the research is to present one possibility of the development of diagnostic schemes for which the component structure and behavioural parameters are tuned automatically in order to obtain the maximal efficiency of the fault detection and isolation system. The proposed approach can be viewed as the intersection of elementary methods (classic and soft computing) such as discrete wavelet analysis, machine learning (using decision trees or artificial neural networks), and evolutionary algorithms. The fundamental verification of the method was conducted for data made available within the benchmark problem involving a wind turbine. The achieved results confirm the effectiveness of the proposed approach while also showing its limitations.

PL

Artykuł opisuje metodę detekcji i izolacji uszkodzeń bez użycia modelu. Głównym celem badań jest pokazanie możliwości opracowania schematów diagnostycznych, których struktura oraz parametry są dostrajane automatycznie w celu osiągnięcia najwyższej możliwej sprawności detekcji i izolacji uszkodzeń. Zaproponowane podejście może być postrzegane jako połączenie elementarnych metod (klasyczne metody oraz obliczenia miękkie) jak np. analiza falkowa, metody uczenia maszynowego (drzewa decyzyjne i sztuczne sieci neuronowe) oraz algorytmy ewolucyjne. Weryfikacja metody została przeprowadzona na danych symulacyjnych wygenerowanych za pomocą modelu turbiny wiatrowej. Uzyskane wyniki potwierdziły wysoką skuteczność metody oraz pokazały jej ograniczenia.

Słowa kluczowe

EN

fault detection; fault isolation; evolutionary optimization; data mining techniques; wavelet analysis; wind turbine system

PL

detekcja uszkodzeń; izolacja uszkodzeń; optymalizacja ewolucyjna; techniki eksploracji danych; analiza falkowa; turbina wiatrowa

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2016
• Tom: Vol. 17, No. 1
• Strony: 51--58
• Opis fizyczny: Bibliogr. 23 poz., rys., tab., wykr.

Twórcy

autor

Kalisch M.

• Institute of Fundamentals of Machinery Design, Silesian University of Technology, Konarskiego 18A, 44-100 Gliwice, Poland

autor

Przystałka P.

• Institute of Fundamentals of Machinery Design, Silesian University of Technology, Konarskiego 18A, 44-100 Gliwice, Poland

autor

Katunin A.

• Institute of Fundamentals of Machinery Design, Silesian University of Technology, Konarskiego 18A, 44-100 Gliwice, Poland

autor

Timofiejczuk A.

• Institute of Fundamentals of Machinery Design, Silesian University of Technology, Konarskiego 18A, 44-100 Gliwice, Poland

Bibliografia

• [1] Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa, W.: (Eds.), Fault diagnosis. Models, artificial intelligence, applications, Springer, Berlin/Heidelberg, 2004.
• [2] Kościelny J. M.: Diagnostyka zautomatyzowanych procesów przemysłowych. Warszawa, Akademicka Oficyna Wydawnicza EXIT, 2001.
• [3] Kumar D., Kumar A., Ranjan A.: Monitoring and fault diagnosis in wind turbine using wavelet transform, Undergraduate Academic Research Journal, 1, 2012.
• [4] Tabatabaeipour S. M., Odgaard P. F., Bak T., Stoustrup J.: Fault detection of wind turbines with uncertain parameters a set-membership approach. Energies, 5, 2012, pp. 2424-2448.
• [5] Verma A., Kusiak A.: Fault monitoring of wind turbine generator brushes: a data-mining approach, Journal of Solar Energy Engineering, 2012, 134.
• [6] Yang S., Li W., Wang C.: The intelligent fault diagnosis of wind turbine gearbox based on artificial neural networks, In International Conference on Condition Monitoring and Diagnosis, Beijing, China, 2008.
• [7] Amirat Y., Benbouzid M. E. H., Al-Ahmar E., Bensaker B., Turri S.: A brief status on condition monitoring and fault diagnosis in wind energy conversion systems, Renewable and Sustainable Energy Reviews, 13, 2009, pp. 2629-2636.
• [8] Cross P., Ma X.: Model-based condition monitoring for wind turbines, Automation and Computing (ICAC), 19th International Conference, 2013, pp. 1-7.
• [9] Hwas A., Katebi R.: Model-based fault detection and isolation for wind turbine, Control (CONTROL), UKACC International Conference, 2012, pp. 876-881.
• [10] Kumar R., Manimozhi M., Enosh M.: A survey of fault detection and isolation in wind turbine drives, Power, Energy and Control (ICPEC), International Conference, 2013, pp. 648-652.
• [11] Kusiak A., Verma A.: A data-mining approach to monitoring wind turbines, Sustainable Energy, IEEE Transactions 3(1), 2012, pp. 150-157.
• [12] Laouti N., Sheibat-Othman N., Othman S.: Support vector machines for fault detection in wind turbines, 18th IFAC World Congrees, Milano, Italy, 2011.
• [13] Wei X., Verhaegen M., van den Englen T.: Sensor fault detection and isolation and Kalman filter techniques, International Journal of Adaptive Control and Signal Processing, 24, 2010, pp. 687-707.
• [14] Manrique R., Giraldo F., Esmeral J.: Fault detection and diagnosis for wind turbines using data-driven approach, 7th Colombian Computing Congress (CCC), 2012, pp. 1-6.
• [15] Yan R., Gao R., Xuefeng C.: Wavelets for fault diagnosis of rotary machines: A review with applications, Signal Processing 96, 2014, pp. 1-15.
• [16] Jigar P., Vaishali P., Amit P.: Fault diagnostics of rolling bearing based on improve time and frequency domain features using artificial neural networks, International Journal for Scientific Research & Development, 1, 2013, pp. 781-788.
• [17] Haykin S.: Neural Networks: A Comprehensive Foundation. 2nd edition, Prentice Hall International, 1999.
• [18] Specht D.: Probabilistic neural networks, Neural Networks 3, 1990, pp. 109-118.
• [19] Breiman L., Richard Olshen J. F., Stone C.: Classification and Regression Trees, Chapman & Hall, 1984.
• [20] Timofeev R.: Classification and Regression Trees (CART) Theory and Applications, Master's thesis, Humboldt University, Berlin, 2004.
• [21] Marler R., Arora J.: Survey of multi-objective optimization methods for engineering, Structural and Multidisciplinary Optimization 26(6), 2004, pp. 369-395.
• [22] Deb K.: Multi-objective optimization using evolutionary algorithms, Wiley, 2009.
• [23] Odgaard P., Stoustrup J., Kinnaert M.: Fault tolerant control of wind turbines - a benchmark model, 7th IFAC Symposium on Fault Detection, Supervision and Safety of Technical Processes, 2011, pp. 155-160.

Uwagi

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.