Dissertação
The Impact of Feature Causality on Normal Behaviour Models for SCADA-based Wind Turbine Fault Detection EVALUATED
Os custos de operação e manutenção de turbinas eólicas podem representar até 30% do custo total. Tem havido investigação para detectar falhas incipientes em turbinas a partir da recolha de grandes quantidades de dados gerados pelo seu sistema SCADA. Isto permite aos proprietários de parques eólicos adotarem uma manutenção preditiva, que pode reduzir consideravelmente os custos. Um dos métodos principais para monitorizar a condição de turbinas eólicas é a utilização de modelos de funcionamento normal. Mas não existe consenso relativamente a como diferentes features afetam os resultados. Para além disso, a maior parte dos trabalhos utiliza redes neuronais, conhecidas por serem pouco interpretáveis e com altos custos computacionais. Este trabalho apresenta uma taxonomia baseada nas relações causais entre as features e a target. Com base nesta taxonomia, o impacto dos diferentes tipos de features nos resultados do modelo é avaliado. Para tal, a detecção de falhas é formulada como um problema de classificação, enquanto a abordagem padrão da literatura é por análise visual dos resı́duos. Por fim, gradient boosting machines serão testadas como uma alternativa às redes neuronais. Os resultados deste trabalho indicam que os diferentes tipos de features definidos na taxonomia afetam de forma diferente os resultados. Nomeadamente, os modelos com variáveis autoregressivas obtiveram os melhores resultados. Também foi demonstrado que a framework de detecção de falhas obteve resultados alinhados com os obtidos através de análise visual dos resı́duos. Para além disso, também foi demonstrado que as gradient boosting machines obtiveram resultados competitivos com os de redes neuronais.
junho 21, 2019, 11:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar