Detection and diagnosis of faults and damage in wind turbines

Abstract

(English) Wind turbines are huge structures with technological and industrial development on land and sea. These structures are located in remote areas with difficult access, with extreme environmental conditions. These factors greatly increase the cost of operation and maintenance (O&M). Additionally, low reliability directly reduces wind power availability dueto downtime. Therefore, it is crucial to create and apply strategies for the early detection of damage and failures. On the one hand, structural health monitoring (SHM) addresses the detection of structural damage in wind turbines by monitoring parameters indicative of the state of the examined structure. On the other hand, condition monitoring (CM) addresses the detection of faults in rotating wind turbine components, such as shafts, bearings, gearbox, or generator, among others. The main objective is to identify any abnormal change in condition or specific events that may indicate an incipient damage/failure. This thesis states different techniques for wind turbine SHM (first part of the thesis) and CM (second part of the thesis). The first overall objective of this doctoral thesis is to propase and validate different SHM strategies for detecting and diagnosing damage in jacket-type offshore support. The development of the SHM system uses a laboratory down-scaled jacket-type support, which positions this research at the technological readiness level (TRL) 4. The main contributions in this area correspond to (i) the conversion of the vibration signals to multichannel grayscale images with as many channels as the number of sensors, (ii) the experimentation is carried out for all the operating regions of the wind turbines, (iii) the comparison between convolutional neural networks and Siamese networks is made, where in the first case an increase in data is presented, and for the second case a small amount of data is used, and (iv) its viability is demonstrated through different metrics. lt may be surprising that many wind turbines do not have specific CM systems. Currently, CM systems are installed on new wind turbines on the first day of operation. However, many older wind turbines do not have these types of system installed that involve high-frequency sensors specifically tailored to monitor the condition of the rotating machinery in the drive train. In wind turbines clase to their lite expentancy, a technological upgrade is not economically viable for the owners. With this background, the second overall objective of this thesis is to develop early faul prediction strategies based only on real SCADA data, which positions this research at TRL 7 level. This is a cost-effective ap proach that does not require the installation of expensive sensors. The main contributions are: (i) Early detection is achieved using only SCADA data. (ii) The proposed methods only require healthy data to be developed; therefore, they can be applied to any wind farm, even where no faulty data have been recorded. (iii) Normality models that avoid the imbalance problem in the data are developed and contrasted using artificial neural networks and gated recurrent unit (GRU) neural networks. And (iv) the validity and performance of the established methodologies are demonstrated in two real in-production wind farms. The results obtained show that early detection strategies based solely on SCADA data can predict failures several months before fatal failure occurs and, thus, allow wind turbine operators to plan their maintenance operations.

(Español) Las turbinas eólicas son estructuras de gran tamaño, con un desarrollo tecnológico e industrial en tierra y mar. Estas estructuras están ubicadas en áreas remotas de difícil acceso, con condiciones ambientales extremas. Estos factores aumentan en gran medida el costo de operación y mantenimiento (O&M). Además, la baja confiabilidad reduce directamente la disponibilidad de energía eólica debido al tiempo de inactividad. Por lo tanto, es crucial crear y aplicar estrategias para la detección temprana de daños y fallos. Por un lado, el monitoreo de la salud estructural (SHM) aborda la detección de daños estructurales en aerogeneradores mediante el monitoreo de parámetros indicativos del estado de la estructura examinada. Por su parte, el monitoreo de la condición (CM) se ocupa de la detección de fallos en los componentes giratorios del aerogenerador, como ejes, rodamientos, caja de cambios o generador, entre otros. El objetivo principal es identificar cualquier cambio anormal en la condición o eventos específicos que puedan indicar un daño/fallo incipiente. Esta tesis establece diferentes técnicas para aerogeneradores en SHM (primera parte de la tesis) y CM (segunda parte de la tesis). El primer objetivo general de esta tesis doctoral propone y valida diferentes estrategias de SHM para la detección y diagnóstico de daños en soportes marinos tipo chaqueta. El desarrollo del sistema SHM utiliza una cimentación tipo chaqueta a escala en laboratorio, lo que posiciona esta investigación en el nivel de preparación tecnológica (TRL) 4. Las principales contribuciones en esta área corresponden a: (i) La conversión de las señales de vibración a imágenes multicanal en escala de grises con tantos canales como sensores. (ii) La experimentación se realiza para todas las regiones de operación de los aerogeneradores. (iii) Se realiza la comparación entre redes neuronales convolucionales y redes neuronales siamesas, donde en el primer caso se presenta un aumento de datos, y para el segundo caso se utiliza una pequeña cantidad de datos. Y (iv) se demuestra su viabilidad a través de diferentes métricas. Puede resultar sorprendente que muchas turbinas eólicas no tengan sistemas CM específicos. Actualmente, los sistemas CM se instalan en los aerogeneradores nuevos el primer día de funcionamiento. Sin embargo, muchas turbinas eólicas más antiguas no tienen instalados estos tipos de sistemas que involucran sensores de alta frecuencia diseñados específicamente para monitorear la condición de la maquinaria giratoria en el tren de transmisión. En turbinas eólicas cercanas a su vida útil, una actualización tecnológica no es económicamente viable para los propietarios. Con estos antecedentes, el segundo objetivo general de esta tesis es el desarrollo de estrategias de predicción temprana de fallos basados únicamente en datos SCADA reales, lo que posiciona esta investigación en el nivel TRL 7. Este es un enfoque rentable que no requiere la instalación de sensores costosos. Las principales contribuciones son: (i) La detección temprana se logra utilizando solo datos SCADA. (ii) Los métodos propuestos solo requieren que se desarrollen datos saludables; por lo tanto, se pueden aplicar a cualquier parque eólico, incluso donde no se hayan registrado datos defectuosos. (iii) Los modelos de normalidad que evitan el problema de desequilibrio en los datos se desarrollan y contrastan utilizando redes neuronales artificiales y redes neuronales de unidades recurrentes (GRU). Y (iv) se demuestra la validez y rendimiento de las metodologías establecidas en un parque eólico real en producción. Los resultados obtenidos muestran que las estrategias de detección temprana basadas únicamente en datos SCADA pueden predecir fallos varios meses antes de que ocurra un fallo fatal y, por lo tanto, permitir que los operadores de aerogeneradores planifiquen sus operaciones de mantenimiento.