Resumo : An Anomaly Detection Approach Based on Machine Learning and SCADA Data for Condition Monitoring of Wind Turbines

Artigo publicado na 2018 PMAPS

An Anomaly Detection Approach Based on Machine Learning and SCADA Data for Condition Monitoring of…

O texto selecionado do artigo e referências na ordem original do artigo com o link relacionado.

Introdução

Um dos obstáculos que impedem o desenvolvimento da energia eólica é o alto custo de operação e manutenção (O&M) das turbinas eólicas [2]. Analisa-se que o custo de O&M pode contribuir com até 30% do custo total de eletricidade [3]. As medidas de manutenção de aerogeradores podem ser divididas em dois tipos: manutenção preventiva e manutenção corretiva.

As abordagens atuais são baseadas principalmente na análise dos sinais mecânicos que são emitidos durante o processo de operação. A aquisição desses sinais geralmente requer sensores adicionais, como sensores de emissão acústica, que resultam em gastos extras com o monitoramento da condição [7], [8], [9]. O desenvolvimento do aprendizado de máquina fornece uma ferramenta eficaz para explorar e empregar as informações úteis ocultas por trás dos registros de dados disponíveis.

Todas as práticas comumente utilizadas demonstram a capacidade potencial da aprendizagem da máquina para construir um sistema de monitoramento de turbinas eólicas. No entanto, eles não fazem uso das informações nos logs de alarme de SCADA, que podem dar pistas úteis sobre os estados de operação de diferentes componentes também.

Alarmes

Em sistemas SCADA, um alarme é disparado quando o sinal de um componente excede o limite, o que indica a mudança nos estados de operação da turbina e nas condições de saúde do componente. Depois que os alarmes são relatados, exige que os operadores tenham ações prontas para reduzir os riscos de operação de turbinas eólicas ou organize a manutenção do cronograma para evitar danos graves de componentes [18].

Detecção de anomalia

Este artigo é um trabalho estendido de [19].

A abordagem aplica dados SCADA como entrada primitiva. Os dados incluem duas partes: dados de operação e registros de alarme. Esses valores são amostrados em média a cada dez minutos no sistema. Os logs de alarme registram os alarmes relatados, detectam o tempo e as informações do subsistema. Nessa abordagem, os dados de operação são usados ​​para estimar sinais de temperatura e logs de alarme são considerados em conjunto com os valores estimados para determinar os estados de operação.

Etapas para remover outliers:

• Primeiro, esses registros com atributos ausentes são filtrados.
• Segundo, os dados da operação são filtrados para reter as peças saudáveis. Esses registros com alarmes relatados nos logs de alarme do SCADA são considerados outliers, portanto, são excluídos nesta etapa.
• Terceiro, os dados são classificados em clusters com base na abordagem apresentada em [23]. Se a distância de Mahalanobis de um registro estiver fora de três desvios padrão do valor médio em cada cluster, o registro será considerado um valor atípico e será excluído do filtro.
• Quarto, os dados de operação são normalizados para a distribuição normal padrão para eliminar o efeito de escala.

A abordagem emprega NARX Networks, são uma espécie de redes neurais artificiais dinâmicas, que são amplamente utilizadas para prever uma série com os valores históricos e outra série temporal independente (Temperatura e Alarmes). A retropropagação de Levenberg-Marquardt é aplicada para treinar redes NARX e erros quadrados médios são aplicados para avaliar suas performances. A abordagem usa a distância de Mahalanobis [24] para medir os desvios entre as operações saudáveis ​​e possíveis avarias de turbinas eólicas. São calculados os erros absolutos, que estão entre os valores estimados dos sinais de temperatura dos modelos NARX e os valores medidos nos sistemas SCADA.

Para obter análise de anomalia precisa, a remoção de ruído com base na transformação de Wavelet discreta é utilizada para eliminar a interferência de ruídos de alta frequência nos valores de distância. Os registros de alarmes SCADA são integrados aos indicadores avaliados para realizar análises de anomalias. A análise consiste totalmente em três etapas:

• Estágio I. Definir limites: O limite determina o limite superior das distâncias de Mahalanobis sob operações saudáveis. A abordagem calcula as distâncias de Mahalanobis para remoção de ruído quando não há mau funcionamento relatadas nas turbinas eólicas. O teste estatístico de Kolmogorov-Smirnov é aplicado para testar as suposições de que os valores de distância disponíveis vêm de uma distribuição de probabilidade.
• Estágio II. Compare indicadores avaliados com limiar: Nesta fase, a abordagem compara as distâncias de Mahalanobis para remoção de ruído com o limiar calculado.
• Estágio III. Relatar avisos e alarmes: A abordagem define avisos e alarmes para medir os diferentes graus de risco de mau funcionamento. Um aviso é desencadeado quando a distância de Mahalanobis intermediária correspondente está além do limite predefinido.

Caso Estudado

A abordagem proposta é aplicada aos dados de monitoramento de uma turbina eólica de 2 MW, que está localizada em terra na Suécia. Neste caso, os dados SCADA da turbina eólica foram registrados a partir de 20 de novembro de 2010. Uma falha foi detectada no rolamento final do rotor da caixa de engrenagens em uma inspeção regular em 23 de novembro de 2012. A manutenção corretiva foi realizada até fevereiro 15, 2013.

Duas redes neurais são construídas para monitorar respectivamente a temperatura do rolamento e a temperatura do óleo de lubrificação. Quatro atributos são aplicados como sinais de entrada para ambas as redes, que são a temperatura da nacelle, velocidade do rotor, temperatura ambiente e potência de produção de grade. Como a Suécia tem quatro estações, os dados de um ano são selecionados para treinamento, a fim de coletar informações de operação suficientes em temporadas completas.

No período de treinamento, 201 alarmes são totalmente relatados nos logs de alarmes SCADA. Percebe-se que a maioria dos alarmes é proveniente do componente gerador, que representa 14,4% do total de alarmes reportados. Embora tanto o sistema de guinada quanto o sistema de inclinação tenham o menor número de alarmes relatados, o que representa 4,1%. Deve-se notar que nenhum alarme é relatado nos sistemas SCADA em relação ao componente da caixa de engrenagens, o que significa que a caixa de engrenagens está em operação saudável durante o período de treinamento.

No filtro de cluster, os dados são separados em clusters baseado na velocidade do vento, velocidade do rotor e produção de energia. Pode ser visto que os valores de ruído em cada cluster são removidos e a curva de energia fica limpa após o filtro. Este artigo aplica à rede de rolamentos com a configuração de um atraso de entrada e um atraso de retorno. O modelo de lubrificação com um atraso de entrada e dois atrasos de retorno através do teste de avaliação. É difícil determinar diretamente se o estado de operação atual é saudável ou não de acordo com os resultados dos modelos NARX.

Dos resultados e análise acima, pode-se ver que a abordagem proposta pode compensar a fraqueza dos sistemas de alarme SCADA para reportar as possíveis anomalias em turbinas eólicas. Embora a discussão da escalabilidade não seja incluída no documento, a abordagem será examinada com mais acesso à entrada de dados para o trabalho futuro e a escalabilidade será discutida também.

Conclusões

Os resultados mostram que a abordagem proposta pode compensar a fraqueza dos logs de alarme SCADA. Também é atestado que a abordagem é capaz de detectar anomalias em um estágio inicial. Em trabalhos futuros, a abordagem proposta deve ser examinada por mais casos de teste e a análise de anomalia deve ser estendida ao sistema completo de turbinas eólicas.

Obrigado pela leitura, deixe seu comentário. 🙏