Hybrydowy system neuronalny inteligentnego monitoringu turbiny wiatrowej

mgr Mateusz Wójcik

Promotor: Dr hab. Andrzej Bielecki, prof. AGH
Dyscyplina: Informatyka


Dysertacja doktorska dotyczy detekcji potencjalnych usterek i stanów przedawaryjnych dla turbin wiatrowych. Tematyka skutecznego monitoringu i diagnostyki turbin wiatrowych podejmowana jest od wielu lat. Popularnie wykorzystywanymi w tym zakresie metodami przetwarzania danych są metody statystyczne, analizy trendów i analizy spektralne. Ponieważ większość systemów bazujących na tych metodach analizuje poszczególne dane pomiarowe niezależnie, co jest niewystarczające z uwagi na chaotyczny charakter oddziaływania wiatru na turbinę, zaczęto wykorzystywać również inne, inteligentne metody bardziej kompleksowego przetwarzania danych. W dysertacji został wprowadzony nowatorski inteligentny system hybrydowy, który charakteryzuje się autonomicznością, kompleksowością przetwarzania wielowymiarowych danych w czasie rzeczywistym oraz faktem, że do wykonywania swoich zadań potrzebuje stosunkowo niewielkiej wiedzy wstępnej o monitorowanym obiekcie.

Zaproponowany w pracy system przetwarza strumień wielowymiarowych danych opisujących działanie poszczególnych komponentów turbiny wiatrowej i jej środowiska. Każdy wejściowy wielowymiarowy punkt danych kierowany jest do podsystemu VBMoG (Variational Bayssian Mixture of Gaussians), który wykorzystywany jest w początkowej fazie działania systemu do detekcji szczególnych punktów danych. Używany jest tu algorytm VBEM (Variational Bayssian Expectation-Maximization). Następnie dane przekazywane są do modułów MoG (Mixture of Gaussians), które pełniąc funkcję klasyfikatora OCC (One Class Classifier) mają na celu zapamiętywanie stabilnych stanów pracy maszyny. Jeden moduł MoG reprezentuje jeden ogólny stan operacyjny w jakim przez dłuższy czas znajdowała się maszyna. Początkowo system nie posiada żadnych modułów MoG, a każdy nowy dodawany jest poprzez użycie algorytmu EM (Expectation-Maximization), który wyznacza obszar obejmujący wszystkie jeszcze niesklasyfikowane, ale zarejestrowane już dane. Moduły MoG sprawdzają każdorazowo czy wejściowy punkt danych pasuje do jednego z wcześniej wyznaczonych obszarów. Jeśli tak, wówczas system przechodzi do następnego punktu danych. W przeciwnym przypadku punkt danych jest kierowany poprzez moduł realizujący dodatkowy preprocesing danych do sieci neuronowej ART-2 (Adaptive Resonance Theory). Sieć ART-2 jest główną składową całego systemu, której aplikowalność dla zadań monitoringu stanów operacyjnych turbiny wiatrowej została wykazana przez autora we wcześniejszych badaniach. Przewagą sieci ART-2 nad większością innych inteligentnych metod monitoringu jest nienadzorowany proces jej nauki. Daje to większą elastyczność systemu, nie wymagając kosztownego czasowo treningu na dużych zbiorach danych przygotowanych przez eksperta. Zadaniem sieci ART-2 w systemie jest klasteryzacja przetwarzanych lokalnych, bo ograniczonych przez moduły MoG, danych. System posiada proces kontrolny, który sprawdza czy liczba wyznaczonych przez sieć ART-2 klastrów zmienia się. Utrzymywanie się przez dłuższy czas jednakowej liczby klastrów oznacza, że maszyna jest w stabilnym stanie operacyjnym. Proces kontrolny wyzwala wówczas procedurę dodania nowego obszaru MoG i usunięcia lokalnych klastrów znalezionych przez sieć ART-2, przygotowując ją do dalszej pracy. Proces kontrolny sprawdza również czy liczba rozpoznanych przez sieć ART-2 klastrów mieści się w określonym przedziale, a jeśli nie - modyfikuje parametr czułości tej sieci, co zapewnia systemowi wrażliwość na zmianę charakteru danych wejściowych. Parametr czułości inicjowany jest przez podsystem VBMoG po określonym czasie działania systemu. Na wyjściu dla każdego punktu danych wejściowych system zwraca identyfikator rozpoznanego obszaru MoG lub identyfikator lokalnie przyporządkowanego przez sieć ART-2 klastra danych.

Przedstawiony w dysertacji system został zaimplementowany w środowisku MATLAB. Wykonano weryfikację jego działania przy użyciu posiadanych danych z monitoringu turbiny wiatrowej. Pokazano, że system może być traktowany jako w pełni samodzielny system monitorujący turbinę, działający jako system wczesnego ostrzegania. Może również być używany przez eksperta jako dodatkowe źródło informacji o bieżącym stanie operacyjnym, a także o archiwalnych ułożeniach stanów w jakich się znajdowała monitorowana turbina. System potrafi przetwarzać dowolne dane liczbowe, a dzięki temu nie musi być traktowany wyłącznie jako alternatywa dla innych systemów monitoringu turbin wiatrowych. Możliwa jest taka konfiguracja systemów monitoringu, w której przedstawiony w dysertacji system zarządzałby informacjami przekazywanymi z systemów bazujących na innych metodach przetwarzania danych, co świadczy o uniwersalności stworzonego rozwiązania.

Pełna wersja pracy doktorskiej Mateusz Wójcik - Rozprawa doktorska.pdf

- Dr hab. inż. Rafał Scherer, prof. PCz recenzja_1.pdf
- Dr hab. Janusz Jurek recenzja_2.pdf

1. Barszcz, T., Bielecka, M., Bielecki, A. & Wójcik, M. (2012).
   Wind speed modelling using Weierstrass function fitted by a genetic algorithm.
   Journal of Wind Engineering and Industrial Aerodynamics, vol. 109, 68–78
2. Bielecki, A., Barszcz, T. & Wójcik, M. (2015).
   Modelling of a chaotic load of wind turbines drivetrain.
   Mechanical Systems and Signal Processing, 54-55, 491-505
3. Barszcz, T., Bielecki, A. & Wójcik, M. (2010).
   ART-Type Artificial Neural Networks Applications for Classification of Operational States in Wind Turbines.
   Lecture Notes in Artificial Intelligence, vol. 6114, 11-18
4. Barszcz, T., Bielecki, A. & Wójcik, M. (2011).
   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, 225-234
5. Bielecka, M., Barszcz, T., Bielecki, A. & Wójcik, M. (2012).
   Fractal modelling of various wind characteristics for application in a cybernetic model of a wind turbine.
   Lecture Notes in Computer Science, vol. 7268
6. Barszcz, T., Bielecki, A., Wójcik, M. & Bielecka, M. (2013).
   Art-2 artificial neural networks applications for classification of vibration signals and operational states of wind turbines for intelligent monitoring.
   Diagnostyka, vol. 14, no 4, 21-26
7. Barszcz, T., Bielecki, A. & Wójcik, M. (2013).
   Vibration signals processing by cellular automata for wind turbines intelligent monitoring.
   Diagnostyka, vol. 14, no 2, 31-36
8. Bielecki, A., Barszcz, T., Wójcik, M. & Bielecka, M. (2014).
   Hybrid System of ART and RBF Neural Networks for Classification of Vibration Signals and Operational States of Wind Turbines.
   Lecture Notes in Computer Science, vol. 8467, 3-11
9. Barszcz, T., Bielecka, M., Bielecki, A., Wójcik, M. & Włuka, M. (2014).
   Stability of power grids with significant share of wind farms.
   Proceedings of international conference on Advances in Mechanical and Robotics Engineering – AMRE 2014 — ISBN: 978-1-63248-031-6. — S. 74–78
10. Spurek, P., Tabor, J. & Wójcik. M. (2015).
    Cross-Entropy Clustering Approach to One-Class Classification.
    Lecture Notes in Computer Science, vol. 9119, 481-490
11. Barszcz, T., Bielecki, A., Bielecka, M., Wójcik, M. & Włuka, M. (2016).
    Vertical axis wind turbine states classification by an ART-2 neural network with a stereographic projection as a signal normalization.
    In Advances in Condition Monitoring of Machinery in Non-Stationary Operations, 265-275