Vibration signals processing by cellular automata for wind turbines intelligent monitoring

• Autorzy: Barszcz T. , Bielecki A. , Wójcik M.

Warianty tytułu

PL

Przetwarzanie sygnałów drganiowych przy pomocy automatów komórkowych w celu inteligentnego monitoringu turbin wiatrowych

• Języki publikacji: EN

Abstrakty

EN

In recent years wind energy is the fastest growing branch of the power generation industry. The largest cost for the wind turbine is its maintenance. A common technique to decrease this cost is a remote monitoring based on vibration analysis. Growing number of monitored turbines requires an automated way of support for diagnostic experts. As full fault detection and identification is still a very challenging task, it is necessary to prepare an early-warning tool, which would focus the attention on cases which are potentially dangerous. There were several attempts to develop such tools, in most cases based on various classification methods. The techniques that have been used so far are based on the vibration signals analysis in which the signals are considered as time series. However such approach has crucial limitations. Therefore, new approaches for wind turbines intelligent monitoring are worked out. Artificial intelligence systems are ones of promising. In this paper such approach is proposed - a vibration signal spectrum is considered as a pixel matrix which is processed using deterministic cellular automaton (DCA). It turns out that such processing allows us to detect pre-failure states.

PL

W ostatnich latach energetyka wiatrowa jest najszybciej rozwijającą się gałęzią przemysłu energetycznego. Najkosztowniejsza w turbinach wiatrowych jest ich konserwacja. Popularną techniką obniżającą te koszta jest zdalny monitoring bazujący za analizie wibracyjnej. Rosnąca liczba monitorowanych turbin zmusza do znalezienia automatycznego wsparcia dla diagnozujących ekspertów. Ponieważ pełna detekcja i identyfikacja uszkodzeń jest wciąż wielkim wyzwaniem, potrzebne jest określenie narzędzia zdolnego wychwytywać jak najwcześniejsze symptomy awarii. Podejmowane były próby stworzenia takich narzędzi, opierając się na różnych metodach klasyfikacji. Używane techniki od dłuższego czasu bazują na analizie sygnałów wibracyjnych, które rozpatrywane są jako szeregi czasowe. Takie podejście, jednakże, ma istotne ograniczenia. Dlatego też poszukuje się nowych metod, które mogą być skutecznie użyte do inteligentnego monitoringu turbin wiatrowych. Systemy sztucznej inteligencji wydają się być obiecującym podejściem. W niniejszej publikacji testowana jest użyteczność tego podejścia - badane widmo sygnału wibracyjnego jest rozumiane jako macierz komórek, które konstytuują automat komórkowy. Przetwarzanie sygnałów przy pomocy powyższego automatu pozwoli wykrywać stany przedawaryjne.

Słowa kluczowe

EN

cellular neural networks; wind turbines; gears; intelligent monitoring

PL

deterministyczne automaty komórkowe; turbina wiatrowa; przekładnia; monitoring inteligentny

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2013
• Tom: Vol. 14, No. 2
• Strony: 31--36
• Opis fizyczny: Bibliogr. 28 poz., rys.

Twórcy

autor

Barszcz T.

• AGH University of Science and Technology, Faculty of Mechanical Engineering and Robotics, Chair of Robotics and Mechatronics, Al. Mickiewicza 30, 30-059 Cracow, Poland

autor

Bielecki A.

• AGH University of Science and Technology, Faculty of Electric Engineering, Automation, Computer Science and Biomedical Engineering, Chair of Applied Computer Science, Al. Mickiewicza 30, 30-059 Cracow, Poland

autor

Wójcik M.

• Jagiellonian University, Faculty of Physics, Astronomy and Applied Computer Science, Reymonta 4, 30-059 Cracow, Poland

Bibliografia

• [1] Barszcz T., Bielecka M., Bielecki A., Wójcik M. Wind turbines states classification by a fuzzy-ART neural network with a stereographic projection as a signal normalization. Lecture Notes in Computer Science, vol.6594, 2011, 225-234.
• [2] Barszcz T., Bielecka M., Bielecki A., Wójcik M. Wind speed modelling using Weierstrass function fitted by a genetic algorithm. Journal of Wind Engineering and Industrial Aerodynamics, vol.109, 2012, 68-78.
• [3] Barszcz T., Bielecki A., Romaniuk T. Application of probabilistic neural networks for detection of mechanical faults in electric motors. Electrical Review, vol.8/2009, 2009, 37-41.
• [4] Barszcz T., Bielecki A., Wójcik M. ART-type artificial neural networks applications for classification of operational states in wind turbines. Lecture Notes in Artificial Intelligence, vol.6114, 2012, 11-18.
• [5] Barszcz T., Bielecki A., Wójcik M., Bielecka M. ART-2 artificial neural networks applications for classification of vibration signals and operational states of wind turbine for intelligent monitoring. Lecture Notes in Computer Science, 2013, accepted.
• [6] Barszcz T., Randall R.B. Application of spectral kurtosis for detection of a tooth crack in the planetary gear of a wind turbine. Mechanical Systems and Signal Processing, vol.23, 2009, 1352-1365.
• [7] Bartelmus W. Mathematical modelling and computer simulations as an aid to gearbox diagnostics. Mechanical Systems and Signal Processing, vol.15, 2001, 855-871.
• [8] Bartelmus W, Chaari F., Zimroz R., Haddar M. Modelling of gearbox dynamics under timevarying nonstationary load for distributed fault detection and diagnosis. European Journal of Mechanics, A/Solids, vol.29, 2010, 637-646.
• [9] Bartelmus W. Zimroz R. Gearbox systems dynamic modelling for diagnostic fault detection. Proceedings of the ASME Design Engineering Technical Conference, vol.4B, 2003, 625-633.
• [10] Bartelmus W., Zimroz R. Vibration condition monitoring of planetary gearbox under varying external load. Mechanical Systems and Signal Processing, vol.23, 2009 246-257.
• [11] BartelmusW., R. Zimroz R. A new feature for monitoring the condition of gearboxes in nonstationary operation conditions. Mechanical Systems and Signal Processing, vol. 23, 2009, 1528-1534.
• [12] Bielecka M., Barszcz T., Bielecki A., Wójcik M. Fractal modelling of various wind characteristics for application in a cybernetic model of a wind turbine. Lecture Notes in Artificial Intelligence, vol.7268, 2012, 531-538.
• [13] Chua L.O., Yang L. Cellular Neural Networks. Theory, IEEE Transactions on Circuits and Systems, vol.35, 1988, 1257-1274.
• [14] Chua L.O., Yang L., Cellular Neural Networks. Applications, IEEE Transactions on Circuits and Systems, vol.35, 1988, 1275-1290.
• [15] Codd E.F., Cellular Automata, Academic Press Inc., Orlando, 1968.
• [16] Ermentrout G.B., Edelstein-Keshet L., Cellular automata approaches to biological modelling, Journal of Theoretical Biology, vol.160, 1993, 97-133.
• [17] Hameeda Z., Honga Y.S., Choa T.M., Ahnb S.H., Son C.K. Condition monitoring and fault detection of wind turbines and related algorithms: A review. Renewable and Sustainable Energy Reviews, vol.13, 2009, 1-39.
• [18] Hau E., Wind turbines: Fundamentals, Technologies, Applications, Economics, Springer, Berlin, Heidelberg, 2006.
• [19] Jabłoński A., T. Barszcz T., Procedure for data acquisition for machinery working under nonstationary operational conditions, Proceedings of the Ninth International Conference on Condition Monitoring and Machinery Failure Prevention Technologies, 2012, London.
• [20] Jabłoński A., Barszcz T., Bielecka M. Automatic validation of vibration signals in wind farm distributed monitoring systems. Measurement, vol.44, 2011, 1954-1967.
• [21] Jabłoński A., Barszcz T., Bielecka M., Brehaus P., Automatic validation of vibration signals in wind farm distributed monitoring systems, Measurement, vol.46, 2013, 727-738.
• [22] Kacprzak T., Ślot K., Sieci neuronowe komórkowe, PWN, Warszawa, 1995 (in Polish).
• [23] Kosiński R.A., Sztuczne sieci neuronowe - dynamika nieliniowa i chaos, WNT, Warszawa, 2002 (in Polish).
• [24] Kusiak A., Li W. The prediction and diagnosis of wind turbine faults. Renewable Energy, vol.36, 2011, 16-23.
• [25] Roska T., Vandewalle J., Cellular Neural Networks, Chichester, Wiley & Sons, 1993.
• [26] Wolfram S. Universality and complexity in cellular automata. Physica D: Nonlinear Phenomena, vol.10, 1984, 1-36.
• [27] Zhang Z., Verma A., Kusiak A. Fault analysis and condition monitoring of the wind turbine gearbox, IEEE Transactions of Energy Conversion, vol.27, 2012, 526-535.
• [28] Zimroz R, Bartelmus W, Gearbox condition estimation using cyclo-stationary properties of vibration signal, Key Engineering Materials, vol.413-414, 2009, 471-478.