Достижения в обнаружении неисправностей в ветровой энергетике с использованием методов глубокого обучения

Растущее значение обнаружения неисправностей в ветроэнергетике

Ветроэнергетика зарекомендовала себя как краеугольный камень глобального перехода на возобновляемую энергию. По состоянию на 2024 год установленная мощность ветра превышает 900 ГВт по всему миру, при этом турбины растут в размерах и сложности. Современные турбины могут иметь диаметры ротора более 150 метров и высоту башни более 100 метров, что делает их восприимчивыми к широкому спектру механических, электрических и структурных неисправностей. Одно незапланированное простоевое мероприятие может стоить операторам десятки тысяч долларов в день в виде упущенных доходов и расходов на ремонт. Следовательно, разработка надежных автоматизированных систем обнаружения неисправностей стала главным приоритетом для ветроэнергетики.

Традиционные методы обнаружения неисправностей обычно основаны на ручных проверках, плановом обслуживании или простых сигнализациях на основе пороговых значений с использованием систем надзорного контроля и сбора данных (SCADA). Хотя эти подходы обеспечивают базовый уровень мониторинга, они часто слишком медленные, не чувствительные и не способны улавливать сложные нелинейные модели неисправностей, которые возникают в реальных операциях. Высокая переменная природа ветра и динамическая нагрузка на компоненты турбины еще больше усугубляют эти проблемы.

Недавние прорывы в глубоком обучении открыли новые возможности для обнаружения неисправностей в системах ветровой энергии. Модели глубокого обучения могут автоматически изучать иерархические особенности из необработанных данных датчиков, выявлять тонкие аномалии и предоставлять ранние предупреждения, которые позволяют операторам принимать превентивные меры. В этой статье исследуется текущее состояние обнаружения неисправностей на основе глубокого обучения, охватывая требования к данным, популярные архитектуры моделей, реальные тематические исследования и будущие направления исследований.

Основные проблемы в обнаружении ветровых турбин

Прежде чем погрузиться в решения для глубокого обучения, важно понять конкретные препятствия, которые затрудняют обнаружение неисправностей в ветровых турбинах:

• Переменная условий эксплуатации: Скорость ветра, направление, турбулентность и плотность воздуха постоянно меняются, создавая широкий диапазон нормальных рабочих точек.Модель должна различать законные изменения в поведении из-за факторов окружающей среды и фактических прекурсоров неисправностей.
• Множество типов неисправностей и режимов отказа: Турбины состоят из множества подсистем — лопастей, коробки передач, генератора, подшипников, системы рыскания, системы шага, силовой электроники — каждая с различными сигнатурами отказа. Неисправности могут быть начальными (медленно развивающимися) или резкими, и они могут влиять на несколько датчиков одновременно.
• Сбалансированные наборы данных: Нормальные данные о работе многочисленны, но данные о неисправностях (особенно помеченные данные о неисправностях) скудны. Этот дисбаланс создает проблему для контролируемых подходов к обучению.
• Шум и неисправности датчиков: Дрифт датчиков, отсева связи и шум окружающей среды ухудшают качество данных, что затрудняет изолирование истинных сигналов неисправности.
• Ограничения в реальном времени: Модели обнаружения неисправностей должны работать на высокой скорости, чтобы обеспечить своевременное вмешательство, часто на периферийных устройствах с ограниченными вычислительными ресурсами.

Для преодоления этих проблем требуются не только передовые алгоритмы, но и тщательная разработка данных и интеграция знаний в домен.

Как глубокое обучение решает проблему обнаружения ошибок

Глубокое обучение превосходит извлечение шаблонов из высокоразмерных, шумных данных без необходимости ручной работы. В обнаружении неисправностей ветряных турбин модели глубокого обучения обычно обучаются на данных временных рядов SCADA (температура, вибрации, выходная мощность, углы тона и т. Д.) или на высокочастотных вибрационных сигналах из систем мониторинга состояния. Способность захватывать как пространственные, так и временные зависимости делает глубокое обучение особенно подходящим для этой области.

Сбор и предварительная обработка данных датчика

Высококачественные данные являются основой любого успешного приложения для глубокого обучения. Ветровые турбины оснащены десятками датчиков, которые регистрируют переменные каждые несколько секунд или минут. Общие сигналы SCADA включают:

• Скорость ветра и направление
• скорость вращения ротора и крутящий момент
• генераторный статор и температура ротора
• температура на передних колесах
• углы наклона лопасти и токи двигателя
• выходная мощность и коэффициент мощности
• Уровни вибрации (ускорение) в ключевых местах

Шаги предварительной обработки включают:

• Отключение посторонних и фильтрация шума: Средняя фильтрация, фильтры нижних частот или денозирование вейвлетов уменьшают высокочастотный шум.
• Нормализация или стандартизация: Масштабирование значений датчиков до общего диапазона (например, нулевой средней, единицы дисперсии) предотвращает доминирование сигналов большой величины в процессе обучения.
• Сегментация: Непрерывные потоки данных делятся на окна фиксированной длины (например, 10-минутные интервалы), которые становятся отдельными образцами для модели.
• Пересмотр: Данные SCADA, зарегистрированные с нерегулярными интервалами, повторно отбираются на последовательный шаг времени.
• Вычисление: Недостающие значения из-за неисправностей датчика заполняются с помощью интерполяции или методов ближайшего соседа.

Правильная предварительная обработка напрямую влияет на точность и обобщение модели, особенно при работе с реальными наборами данных, которые содержат артефакты.

Ключевые архитектуры глубокого обучения для обнаружения ошибок

Для обнаружения неисправностей ветровых турбин успешно применено несколько архитектур глубокого обучения. Выбор архитектуры зависит от характера данных и конкретной задачи обнаружения неисправностей.

• Связные нейронные сети (CNN):] CNNs искусны в изучении локальных закономерностей в данных. Для сигналов 1D-сенсоров 1D-CNN могут извлекать функции из необработанных временных окон, в то время как 2D-CNN могут применяться к спектрограммам или другим представлениям частоты времени. CNN обычно используются для обнаружения вибраций на основе ошибок, где они различают нормальные и вызванные неисправностями частотные компоненты.
• Рекуррентные нейронные сети (RNN) и сети с длинной кратковременной памятью (LSTM): RNN и LSTM захватывают временные зависимости в последовательных данных. Они идеально подходят для моделирования эволюции показаний датчиков с течением времени. Модели на основе LSTM показали высокую точность в обнаружении постепенных дефектов, таких как износ зуба коробки передач или деградация подшипника. Двунаправленные LSTM могут дополнительно улучшить производительность, учитывая как прошлый, так и будущий контекст.
• Автокодеры:]Автокодеры — это неконтролируемые модели, которые учатся реконструировать нормальные рабочие шаблоны. При возникновении неисправности ошибка реконструкции увеличивается, сигнализируя об аномалии. Этот подход ценен, когда помеченные данные о неисправности скудны. Вариационные автокодеры (VAE) и денозирующие автокодеры добавляют надёжность.Аутокодеры также могут использоваться для извлечения признаков, уменьшая размерность пространства датчика при сохранении заметной информации.
• Трансформаторы и механизмы внимания:] Совсем недавно для обнаружения неисправностей временных рядов были исследованы архитектуры на основе трансформаторов. Самовнимание позволяет модели взвешивать важность различных этапов времени и каналов датчиков, потенциально захватывая зависимости на большие расстояния более эффективно, чем LSTM. В то время как трансформаторы требуют больших наборов данных и высоких вычислительных ресурсов, они предлагают многообещающие результаты в бенчмарк-исследованиях.
• Гибридные модели: Комбинирование CNN и LSTM (CNN-LSTM) использует сильные стороны обоих: CNN извлекают локальные функции и временную динамику модели LSTM. Гибридные подходы часто достигают самых современных показателей производительности на тестах обнаружения неисправностей.

Моделирование и проверка

Обучение модели глубокого обучения для обнаружения неисправностей включает разделение исторических данных на учебные, валидирующие и тестовые наборы. Поскольку неисправности редки, для устранения дисбаланса классов используются такие методы, как избыточная выборка (SMOTE), недостаточная выборка или синтетическая генерация данных. Методы адаптации домена также помогают при развертывании модели на различных типах турбин или ветряных электростанциях.

Метрики оценки моделей выходят за рамки простой точности из-за несбалансированного характера обнаружения неисправностей.

• Точность и напоминание: Точность измеряет долю предсказанных ошибок, которые являются фактическими ошибками; напоминание измеряет долю фактических ошибок, которые правильно обнаружены.
• F1-балл: Гармоническое среднее значение точности и отзыва.
• Ложно-положительный показатель (FPR): Важно держаться на низком уровне, чтобы избежать ненужных вмешательств по техническому обслуживанию.
• Задержка обнаружения: Для начинающихся неисправностей время между началом неисправности и обнаружением имеет решающее значение.

Настройка гиперпараметров с помощью байесовской оптимизации или поиска в сетке может еще больше повысить производительность модели.

Последние достижения и репрезентативные тематические исследования

В последние пять лет объем исследований по обнаружению неисправностей ветряных турбин на основе глубокого обучения быстро вырос. Ниже приведены примеры, иллюстрирующие современное состояние:

• Обнаружение неисправностей лезвий с помощью LSTM: В исследовании 2022 года были применены сложенные сети LSTM к 10-минутным данным SCADA от парка турбин мощностью 2 МВт. Модель обнаружила дисбаланс лопастей и неисправности смещения шага с точностью 96% и средним временем отведения 14 дней до того, как неисправность сработала сигнализация. Это раннее обнаружение позволило операторам планировать ремонт в периоды низкого ветра, сократив время простоя на 40%.
• Обнаружение неисправностей коробки передач с использованием 1D-CNN: Исследователи из Национальной лаборатории возобновляемых источников энергии (NREL) разработали 1D-CNN, который обрабатывает вибрационные сигналы, отобранные на частоте 10 кГц. Модель идентифицировала неисправности подшипников коробки передач с точностью 98,5% и отзывом 97,3%. Подход CNN был в 20 раз быстрее, чем традиционная базовая линия машины опорного вектора и мог работать на встроенном устройстве на площадке турбины.
• Обнаружение аномалий с помощью автокодеров: Оператор морской ветроэлектростанции развернул на данных SCADA вариационный автокодер из 50 турбин. Модель узнала представление о нормальном поведении при различных условиях ветра. Когда датчик лезвия начал дрейфовать, ошибка реконструкции увеличилась за 8 часов до порогового сигнала SCADA, дав техникам время проверить и заменить датчик, прежде чем он вызвал поездку контроллера.
• Многоразовая классификация с моделями трансформаторов:] В статье 2023 года предложен трансформатор временного ряда, который интегрирует внимание как по этапам времени, так и по каналам датчиков. На общедоступном наборе данных, содержащем 15 типов неисправностей, трансформатор достиг среднего показателя F1 0,94, превзойдя базовые линии LSTM и CNN-LSTM. Весы внимания также обеспечивали интерпретируемость, подчеркивая, какие датчики внесли наибольший вклад в каждую классификацию неисправностей.

Эти тематические исследования показывают, что модели глубокого обучения не только улучшают точность обнаружения, но и предлагают практические преимущества, такие как более ранние предупреждения, снижение ложных тревог и снижение вычислительных затрат.

Реализация в реальных ветропарках

Переход от исследований к оперативному развертыванию предполагает несколько практических соображений. Многие операторы ветропарков теперь интегрируют модели глубокого обучения в свои системы мониторинга состояния. Типичный рабочий процесс включает в себя:

• Протокол приема данных , который собирает данные SCADA, вибрации и шага / рыскания от турбин через протоколы OPC UA или Modbus и отправляет их на облачный или локальный сервер.
• Модельный выводной движок , который запускает обученные модели глубокого обучения через регулярные промежутки времени (например, каждые 10 минут).
• Система управления сигнализацией , которая пороги выходов модели, ранжирует предупреждения по степени тяжести, и интегрируется с оператором’s приборной панели или мобильного приложения.
• Непрерывный мониторинг модели , который проверяет дрейф данных, деградацию модели и триггеры переподготовки. Переподготовка может происходить ежемесячно или после известного события неисправности для включения новых примеров.

Некоторые операторы сообщили о 20-30-процентном сокращении незапланированных затрат на техническое обслуживание и 5-10% увеличении годового производства энергии после развертывания систем обнаружения неисправностей на основе глубокого обучения.

Будущие направления и исследовательские рубежи

Хотя глубокое обучение уже оказало значительное влияние, для будущих исследований и разработок остаются активными несколько областей:

• Реальный вывод о краевом времени: Вывод модели нажатия непосредственно на периферийные устройства (например, контроллеры турбин или компьютеры класса Raspberry Pi) снижает требования к задержке и пропускной способности. Легкие модели, такие как 1D-CNN на основе MobileNet или квантованные LSTM, предназначены для развертывания на турбине.
• Федерированное обучение для кросс-фермерских моделей: Производители турбин и операторы ветряных электростанций часто владеют флотами, разбросанными по разным сайтам.Федерированное обучение позволяет модели обучаться совместно, не обмениваясь сырыми данными, улучшая обобщение при сохранении конфиденциальности данных.
• Физика-информированное глубокое обучение: Включение известных физических законов (например, аэродинамические уравнения крутящего момента, модели теплопередачи) в архитектуру нейронной сети или функцию потери может улучшить интерпретируемость и экстраполяцию в необученные условия.
• Передача обучения для новых типов турбин: При установке новой модели турбины могут быть недоступны маркированные данные о неисправностях. Передача обучения из аналогичного типа турбины или из синтетических данных, генерируемых цифровыми двойниками, может запустить способность обнаружения.
• Объясняемый ИИ (XAI): Операторы и инженеры по надежности должны доверять и понимать решения моделей. Такие методы, как SHAP, LIME и визуализация внимания, помогают объяснить, какие показания датчиков вызвали оповещение о неисправности, что позволяет более уверенно принимать решения.
• Комбинированное прогнозирование и обнаружение: Будущие системы могут совместно прогнозировать оставшийся срок полезного использования (RUL) и обнаруживать неисправности. Многозадачные обучающие архитектуры могут выводить как вероятность неисправности, так и предполагаемое время до отказа, что позволяет оптимально планировать техническое обслуживание.

Заключение

Глубокое обучение превратилось в надежный инструмент для обнаружения неисправностей ветровой энергетической системы, предлагая значительные улучшения по сравнению с традиционными методами в точности, своевременности и автоматизации. Используя передовые архитектуры, такие как CNN, LSTM, автокодеры и трансформаторы, операторы ветряных электростанций могут обнаруживать дефекты лопастей, коробки передач, генератора и шага раньше и с меньшим количеством ложных тревог. Интеграция этих моделей в операционные системы мониторинга уже привела к измеримой экономии затрат и увеличению доступности турбин.

Продолжающиеся исследования в области периферийных вычислений в реальном времени, федеративного обучения, сетей, основанных на физике, и объяснимости обещают дальнейшее расширение возможностей и внедрение глубокого обучения в ветроэнергетике. По мере того, как глобальный ветропарк продолжает расти, инвестиции в интеллектуальное обнаружение неисправностей будут иметь важное значение для максимизации производства возобновляемой энергии и обеспечения долгосрочной экономической жизнеспособности ветроэнергетики.

Для дальнейшего чтения см. Национальная лаборатория возобновляемых источников энергии & #8217;s ветроисследования страница , комплексный IEEE Транзакция по преобразованию энергии обследование по ветротурбинной диагностики неисправности , и недавний ScienceDirect обзор глубокого обучения для мониторинга состояния ветротурбины .