Desarrollo y validación de sistemas de monitorización inteligente para aerogeneradores
Yolanda Vidal
Control, Data, and Artificial Intelligence (CoDAlab), Departamento de Matemáticas,
Universitat Politècnica de Catalunya
Institut de Matemàtiques de la UPC-BarcelonaTech (IMTech), Universitat Politècnica de
Catalunya,
Urko Leturiondo
Ikerlan Technology Research Centre, Basque Research and Technology Alliance (BRTA). Área de Control y Monitorización
Óscar Salgado
Ikerlan Technology Research Centre, Basque Research and Technology Alliance (BRTA). Área de Control y Monitorización
Francesc Pozo
Control, Data, and Artificial Intelligence (CoDAlab), Departamento de Matemáticas,
Universitat Politècnica de Catalunya
Institut de Matemàtiques de la UPC-BarcelonaTech (IMTech), Universitat Politècnica de
Catalunya
1. INTRODUCCIÓN
La energía eólica es una de las energías renovables que ha experimentado un mayor crecimiento. La tendencia hacia aerogeneradores de mayor tamaño ha llevado a incrementar los requerimientos de fiabilidad de sus componentes para reducir el coste de la energía. Es por ello que resulta vital el mantenimiento basado en la condición. En este trabajo se presentan los resultados del proyecto coordinado FloWinTurCoM (UPC e Ikerlan), con referencias DPI2017- 82930-C2-1-R y DPI2017-82930-C2-2-R, en el que se proponen diferentes sistemas de monitorización de la condición basados en análisis de vibraciones para la detección y localización de fallos/daños. En particular, se presentan estrategias enfocadas a la monitorización del rodamiento del pitch; así como estrategias de monitorización de la integridad estructural (SHM, por sus siglas en inglés) de soportes tipo jacket en aerogeneradores marinos.
Las dimensiones de los rodamientos de pitch hacen que su movimiento se produzca a un máximo de 5 revoluciones por minuto (rpm) y que las señales de vibración tengan una relación señal ruido particularmente alta (Kandukuri, 2016). Esto hace difícil la identificación de la condición de estos rodamientos (Moodie, 2009). Este trabajo propone el uso de indicadores basados en la entropía (IE, por sus siglas en inglés) para monitorizar el estado de un rodamiento a baja velocidad. Los indicadores utilizados son aproximación (AppEn), dispersión (DisEn), descomposición de valor singular (SvdEn) y entropía espectral de la entropía de permutación (SepEn). Este enfoque ha sido probado con señales de vibración adquiridas en un banco de pruebas con rodamientos en diferentes condiciones de salud. Los resultados muestran que los indicadores de entropía pueden discriminar el daño con mayor precisión en rodamientos que trabajan a bajas velocidades en comparación con los indicadores clásicos (IC) como raíz cuadrática media (RMS), factor de forma (SF), factor de cresta (CF), factor de impulso (IF) y factor de margen (MF), varianza, asimetría, curtosis, actividad, movilidad, complejidad, centro de frecuencia (FC), frecuencia cuadrática media raíz (RMSF) y frecuencia de varianza raíz (RVF).
En el caso de los aerogeneradores marinos existen diferentes tipos de soportes en función de la profundidad a la que se vaya a instalar el aerogenerador. A partir de 30 metros de profundidad, los instaladores se decantan por los jackets, soportes con una armadura de celosía que incorporan tres o cuatro puntos de anclaje al fondo marino. Las técnicas estándar de SHM, como ondas guiadas con una excitación conocida, no se pueden utilizar fácilmente en esta aplicación donde siempre están presentes perturbaciones externas desconocidas como el viento y las olas. Para afrontar este desafío, se proponen estrategias SHM basadas únicamente en las vibraciones causadas por excitaciones desconocidas a través de métodos de aprendizaje automático. En particular, la técnica de redes neuronales tipo autoencoder es aplicada. Finalmente, la metodología propuesta es validada en un laboratorio experimental.
2. INDICADORES BASADOS EN LA ENTROPÍA PARA LA MONITORIZACIÓN DE RODAMIENTOS A BAJA VELOCIDAD (PITCH)
Mientras que los conjuntos de datos abiertos están disponibles para rodamientos regulares en diferentes repositorios (Smith, 2015), (Nectoux, 2012), (Lee, 2020), los datos de rodamientos de baja velocidad son escasos y generalmente propietarios. En este trabajo, para evaluar la estrategia propuesta, se obtuvo un conjunto de datos de señales de vibración de rodamientos de baja velocidad a través de un equipo de prueba experimental (Figura 1). Así, las condiciones específicas de operación de los rodamientos se establecieron de acuerdo con la literatura (Han, 2019), (Wang, 2019), (Bao, 2019): (i) Los rodamientos giraron a una velocidad muy baja (entre 5 y 10 rpm), y (ii) el banco de pruebas aplicó una alta fuerza (50 kN) al rodamiento, la cual lleva a los elementos del rodamiento a sufrir unas tensiones equivalentes a las que se producen en un rodamiento de grandes dimensiones.
Figura 1. Banco de pruebas para rodamientos de baja velocidad: (a) Vista general del banco de pruebas. La posición del disco de soporte superior está resaltada con una flecha verde. (b) Detalle de la superficie del disco de apoyo superior. La posición del sensor está resaltada con una flecha verde. (c) Daño en pista. (d) Daño en bolas. (Sandoval, 2021).
El conjunto de datos incluye señales de tiempo para diferentes velocidades (5, 8 y 10 rpm) en cada uno de los cinco escenarios, que se denotan de la siguiente manera: escenario saludable (HS), escenario de daño pequeño en pista (RS), escenario de daño grande en pista (RL), escenario de daño pequeño en bolas (BS) y escenario de daño grande en bolas (BL). El daño utilizado en cada escenario tiene la forma de tres círculos del mismo diámetro y 0.3 mm de profundidad. Los círculos están separados por 1 mm entre sí, y se utilizaron diferentes diámetros según el tamaño del daño: 1.5 mm para daños pequeños y 3 mm para daños grandes.
En la Figura 2 se muestra un diagrama del método de diagnóstico de daños. Primero, las señales de vibración se dividen en series temporales de 10,240 puntos de datos (un segundo). Para cada serie temporal se calculan los indicadores para extraer información de los datos. Luego, el análisis se realiza para cada rotación completa, donde cada rotación tiene un conjunto de indicadores. El valor por indicador se calcula como el promedio de los indicadores del número de series de tiempo consecutivas de las señales de vibración requeridas para representar el tiempo de una rotación completa en la pista, que depende de la velocidad de rotación. Finalmente, los indicadores de cada rotación se utilizan como características para entrenar y validar modelos de random forest (RF).
Figura 2. Diagrama del método propuesto. Valores para el método general (izquierda). Diagrama para detallar el entrenamiento y validación del modelo de random forest (derecha)
La Figura 3 muestra las matrices de confusión de los resultados obtenidos variando el tipo de indicador y la velocidad de rotación de los datos.
Figura 3. Matrices de confusión. La primera fila muestra los resultados a 10 rpm, la segunda fila a 8 rpm y la última fila a 5 rpm. La primera columna muestra los resultados para los indicadores clásicos (ICs), la segunda columna para los indicadores de entropía (EIs), y la última columna muestra los indicadores clásicos y de entropía (CEIs). (Sandoval, 2021)
Los resultados muestran que los EI y su uso para la clasificación de señales de vibración de rodamientos de baja velocidad son factibles, ya que se puede obtener información útil de las señales para el diagnóstico. La investigación también demuestra que para velocidades de rotación más bajas, la exactitud de clasificación obtenida usando EI podría ser más de 20 puntos porcentuales más alta que los IC. Finalmente, los resultados muestran que el uso de IE en conjunto con IC podría clasificar un conjunto de datos con mayor precisión en comparación con la clasificación con los indicadores por separado.
3. ESTRATEGIAS DE MONITORIZACIÓN DE LA SALUD ESTRUCTURAL PARA SOPORTES TIPO JACKET EN AEROGENERADORES MARINOS
En este estudio, se utiliza la réplica reducida de una turbina eólica marina (WT, por sus siglas en inglés) que se muestra en la Figura 4. La estructura mide 2.7 m de altura y está compuesta por tres partes principales: el jacket, la torre y la góndola. La última parte se simula mediante una viga que soporta un vibrador inercial, que simula los efectos ambientales del viento sobre el rotor. La señal eléctrica aplicada al vibrador es proporcionada por un generador de funciones que produce una señal de ruido blanco (WN, por sus siglas en inglés), que pasa a través de un amplificador y luego se envía al agitador inercial. Para tener en cuenta las diferentes regiones de operación del WT, se utilizan tres amplitudes diferentes con factores de 0.5, 1 y 2 como señal de entrada al vibrador.
Figura 4. Ubicación de los sensores (acelerómetros triaxiales) en la estructura. (Feijóo, 2021)
El daño más común en cimientos marinos es causado por grietas de fatiga por corrosión de la estructura, ver (Jacob, 2021), (Shittu, 2020). La probabilidad de detección de una fisura por fatiga es baja para tamaños de fisura pequeños. Sin embargo, para grietas por fatiga más grandes y, por lo tanto, mejor detectables, la tasa de crecimiento de grietas se acelera rápidamente (Ziegler, 2016). En consecuencia, solo existe una pequeña ventana de tiempo para la detección y reparación de este tipo de grietas antes de la falla. Así, en este trabajo se considera una fisura de 5 mm ubicada en diferentes barras de la estructura jacket, una a la vez, como se muestra en la Figura 5.
Figura 5. Ubicación de los daños en los diferentes niveles de la estructura jacket (imagen superior), [19]. Daño por fisura donde L es la longitud de la barra, d = 5 mm es el tamaño de la fisura y X = L/3 es la ubicación de la fisura en la barra (imagen inferior). (Feijóo, 2021)
En total, se realizaron 105 ensayos experimentales: 45 con la estructura sana y los 60 restantes simulando diferentes tipos de daños, los cuales se detallan en la Tabla 1. Además, como se mencionó anteriormente, la torre experimental de laboratorio operó en las tres diferentes regiones de viento, con pruebas realizadas para cada uno con cuatro tipos de daños diferentes. La Tabla 1 enumera el número de experimentos realizados en diferentes amplitudes de entrada de WN en cada uno de los estados estructurales.
Tabla 1. Número de ensayos experimentos realizados para las diferentes amplitudes de WN (simulando las distintas regiones de operación) en cada uno de los estados estructurales estudiados
A continuación, la metodología de detección de daños se establece de manera integral y su diagrama de flujo se muestra en la Figura 6. Primero, se recopilan los datos experimentales para diferentes estados estructurales: saludable y la estructura con una barra agrietada en cuatro ubicaciones diferentes. En segundo lugar, los datos se dividen en conjuntos de entrenamiento (70%), validación (15%) y test (15%). Es de destacar que los datos del entrenamiento y la validación solo contienen muestras sanas. Luego, el conjunto de datos de prueba contendrá todos los estados posibles: muestras saludables y muestras dañadas asociadas con los cuatro escenarios de daño estudiados. La razón por la que los conjuntos de entrenamiento y validación solo contienen datos relacionados con la estructura sana es que el modelo autoencoder se entrenará para reproducir en la salida los mismos valores utilizados como entrada (con algún error asociado que se indica aquí como el error de reconstrucción) solo con datos saludables.
Luego, al realizar la prueba, en caso de que se utilice una muestra de daño como entrada, el modelo entrenado no podrá reconstruir correctamente las salidas a partir de las entradas, es decir, se obtendrá un error de reconstrucción mayor. De esta manera, el modelo entrenado es el denominado modelo de normalidad. Solo necesita datos normales (saludables) para ser entrenado. Entonces, cuando se utilizan como entrada datos que no siguen la normalidad, el autoencoder no podrá reconstruir con la misma fidelidad las salidas y el error de reconstrucción más alto activará una alarma avisando que se ha encontrado una muestra anormal. En tercer lugar, los datos se normalizan mediante el escalado de columnas Z-score obteniendo una nueva matriz donde cada columna (asociada a cada sensor) tiene media 0 y desviación estándar 1. El cuarto y crucial paso es la ingeniería de remodelado de los datos de tal manera que cada muestra contenga información de diferentes pasos de tiempo consecutivos de cada sensor (como se muestra en la Figura 6) y finalmente diseñar las características que se utilizarán como entradas, en este caso son la media, la desviación estándar y la entropía espectral instantánea para cada uno de los 24 sensores (8 acelerómetros triaxiales). En quinto lugar, se establecen la estructura de la red neuronal del codificador automático, el método de optimización, la función de pérdida y los hiperparámetros asociados. Sexto y último paso, se propone un indicador de daño basado en el error de reconstrucción. Cuando su valor es superior a un umbral prescrito, se activa una alarma para advertir de un posible daño.
Figura 6. Diagrama de flujo de la metodología de detección de daños indicada. (Feijóo, 2021)
Para determinar el comportamiento de la red con datos nuevos y desconocidos, es necesario determinar un indicador que a través del análisis de los nodos de entrada y los nodos de salida de la red neuronal, permita identificar los datos saludables de los datos no saludables. El indicador utilizado en este estudio es el error de reconstrucción, RE, definido como:
donde y representa los valores de la capa de entrada e la aproximación de la capa de salida. Los datos se recopilan de ensayos realizados a diferentes amplitudes. Es de destacar que se propone un único modelo de autoencoder entrenado para todas las amplitudes (que simulan las distintas regiones de operación). Sin embargo, para lograr una mejor estrategia de detección de daños, se determina un umbral específico para cada una de las amplitudes. Para determinar el valor de los umbrales, se supone que la señal RE sigue una distribución normal y que la mayoría de los datos están dentro del 99,7% de la curva, lo que corresponde a tres desviaciones estándar. Por lo tanto, los umbrales se definen como la media más tres veces la desviación estándard del RE sobre el conjunto de entrenamiento, de manera separada para cada amplitud.
En la Figura 7, solo se muestran los datos correspondientes a la amplitud 0.5, y el umbral se indica en el valor RE de 0.6017. En este caso, la grieta en el nivel 3 tiene un RE de un orden de magnitud más alto que las otras grietas y el caso saludable, como se puede ver en el gráfico de la izquierda de la Figura 7. Cuando el gráfico se amplía en la región con el eje y desde 0 a 6 (gráfico derecho de la Figura 7) se puede observar que las grietas en los niveles 1, 3 y 4 tienen RE de la misma magnitud, siendo todas ellas superiores al valor umbral. Solo unas pocas muestras de los datos saludables de la prueba tienen valores de RE por encima del umbral definido (falsos positivos).
Figura 7. RE para muestras correspondientes a amplitud 0.5 (izquierda) y zoom (derecha). (Feijóo, 2021)
En la Figura 8, solo se trazan los datos para la amplitud 1 y el valor de umbral está marcado en 0.6759. En este caso, nuevamente, la fisura en el nivel 3 tiene el RE más alto. En este caso, ni una sola muestra de los datos sanos de la prueba traspasa el umbral.
Figura 8. RE para muestras correspondientes a amplitud 1 (izquierda) y zoom (derecha). (Feijóo, 2021)
Finalmente, la Figura 9 corresponde a la amplitud 2, y el umbral se muestra en 0.9119. En este caso, las grietas en el nivel 1 y 3 tienen valores de RE más altos. Cuando se amplía el gráfico en la región con el eje y de 0 a 6 (gráfico derecho de la Figura 9), se puede ver que las grietas en los niveles 2 y 4 tienen RE de la misma magnitud, siendo todas ellas superiores al valor umbral. . Solo unas pocas muestras de los datos saludables de la prueba tienen valores de RE por encima del umbral definido. Este caso, relacionado con la región de mayor velocidad del viento, es en el que las distribuciones de RE difieren más entre las distintas fisuras.
Figura 9. RE para muestras correspondientes a amplitud 2 (izquierda) y zoom (derecha)
4. CONCLUSIONES
En la primera parte de este trabajo, se propuso el uso de indicadores basados en entropía para la clasificación de señales de vibración de rodamientos de baja velocidad como una alternativa a los indicadores clásicos utilizados en la literatura. Para demostrar la viabilidad y los beneficios de los indicadores basados en entropía, se propuso la clasificación de un conjunto de rodamientos mediante el análisis de vibraciones. Los resultados indican que los indicadores basados en entropía son especialmente beneficiosos en el caso de rodamientos a bajas velocidades de rotación, y su complementación con los indicadores clásicos puede llevar a un mejor desempeño.
En una segunda parte de este trabajo, se propuso y probó un sistema de método avanzado de detección de daños para detectar una grieta de 5 mm en diferentes niveles de la estructura de la chaqueta. Las ventajas de la metodología de detección de daños propuesta que cabe destacar son:
- No hay necesidad de datos históricos defectuosos.
- Funciona bajo todas las regiones de operación consideradas en este estudio.
- Se basa únicamente en los datos de vibración de salida recopilados por los sensores del acelerómetro (se supone que se desconoce la excitación proporcionada por el viento). Por lo tanto, es una metodología de respuesta de vibración únicamente.
- Durante el seguimiento a largo plazo, el enfoque propuesto puede distinguir entre las variaciones naturales del comportamiento dinámico del aerogenerador (por ejemplo, debido al desgaste del aerogenerador) y el daño real basado en la evolución del error de reconstrucción a lo largo del tiempo (redefiniendo los valores umbral utilizando datos de los últimos años).
- Los indicadores de desempeño muestran todos los resultados por encima del 99,4%.
5. BIBLIOGRAFÍA
Bao, W.; Wang, H.; Chen, J.; Zhang, B.; Ding, P.; Wu, J.; He, P. Life Prediction of Slewing Bearing Based on Isometric Mapping and Fuzzy Support Vector Regression. Trans. Inst. Meas. Control 2019.
Feijóo, M.d.C.; Zambrano, Y.; Vidal, Y.; Tutivén, C. Unsupervised Damage Detection for Offshore Jacket Wind Turbine Foundations Based on an Autoencoder Neural Network. Sensors 2021, 21, 3333. https://doi. org/10.3390/s21103333
Han, T.; Liu, Q.; Zhang, L.; Tan, A. Fault Feature Extraction of Low Speed Roller Bearing Based on Teager Energy Operator and CEEMD. Meas. J. Int. Meas. Confed. 2019, 138, 400–408.
Jacob, A.; Mehmanparast, A. Crack growth direction effects on corrosion-fatigue behaviour of offshore wind turbine steel weldments. Mar. Struct. 2021, 75, 102881.
Kandukuri, S.; Klausen, A.; Karimi, H. A review of diagnostics and prognostics of low-speed machinery towards wind turbine farm level health management. Renewable and Sustainable Energy Reviews Vol. 53, p. 697– 708, 2016, doi: https://doi.org/10.1016/j.rser.2015.08.061
Lee, J.; Qiu, H.; Yu, G.; Services, R.T. “Bearing Data Set”, NASA Ames Prognostics Data Repository. 2007. Available online: https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data- repository/publications/#bearing (accessed on 22 October 2020).
Moodie, C., “An investigation into the condition monitoring of large slow speed slew bearings”. University of Wollongong Thesis Collection 19542016, 2009.
Nectoux, P.; Gouriveau, R.; Medjaher, K.; Ramasso, E.; Chebel-Morello, B.; Zerhouni, N.; Varnier,
C. PRONOSTIA: An Experimental Platform for Bearings Accelerated Degradation Tests. In Proceedings of the IEEE International Conference on Prognostics and Health Management, PHM’12, Denver, CO, USA, 18–21 June 2012.
Sandoval, D.; Leturiondo, U.; Vidal, Y.; Pozo, F. Entropy Indicators: An Approach for Low-Speed Bearing Diagnosis. Sensors 2021, 21, 849. https:// doi.org/10.3390/s21030849
Shittu, A.A.; Mehmanparast, A.; Shafiee, M.; Kolios, A.; Hart, P.; Pilario, K. Structural reliability assessment of offshore wind turbine support structures subjected to pitting corrosion-fatigue: A damage tolerance modelling approach. Wind Energy 2020, 23, 2004–2026.
Smith, W.A.; Randall, R.B. Rolling Element Bearing Diagnostics Using the Case Western Reserve University Data: A Benchmark Study. Mech. Syst. Signal Process. 2015, 64–65, 100–131.
Wang, S.; Chen, J.; Wang, H.; Zhang, D. Degradation Evaluation of Slewing Bearing Using HMM and Improved GRU. Measurement 2019.
Ziegler, L.; Muskulus, M. Comparing a fracture mechanics model to the SN-curve approach for jacket-supported offshore wind turbines: Challenges and opportunities for lifetime prediction. In Proceedings of the ASME 2016 35th International Conference on Ocean, Offshore and Arctic Engineering, Busan, Korea, 19–24 June 2016; American Society of Mechanical Engineers Digital Collection: New York, NY, USA, 2016.
Homelowertripezone500x180px.png)
.jpg)