Data-Driven Model-Based Fault Diagnosis in a Wind Turbine With Actuator Faults
Notice bibliographique
Résumé
Wind turbines are renewable energy conversion devices that are being deployed in greater numbers. However, today’s wind turbines are still expensive to operate, and maintain. The reduction of operational and maintenance costs has become a key driver for applying low-cost, condition monitoring and diagnosis systems in wind turbines. Accurate and timely detection, isolation and diagnosis of faults in a wind turbine allow satisfactory accommodation of the faults and, in turn, enhancement of the reliability, availability and productivity of wind turbines. The so–called model-based Fault Detection and Diagnosis (FDD) approaches utilize system model to carry out FDD in real-time. However, wind turbine systems are driven by wind as a stochastic aerodynamic input, and essentially exhibit highly nonlinear dynamics. Accurate modeling of such systems to be suitable for use in FDD applications is a rather difficult task. Therefore, this paper presents a data-driven modeling approach based on artificial intelligence (AI) methods which have excellent capability in describing complex and uncertain systems. In particular, two data-driven dynamic models of wind turbine are developed based on Fuzzy Modeling and Identification (FMI) and Artificial Neural Network (ANN) methods. The developed models represent the normal operating performance of the wind turbine over a full range of operating conditions. Consequently, a model-based FDD scheme is developed and implemented based on each of the individual models. Finally, the FDD performance is evaluated and compared through a series of simulations on a well-known large offshore wind turbine benchmark in the presence of wind turbulences, measurement noises, and different realistic fault scenarios in the generator/converter torque actuator.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».