FenixEdu™

Dissertação

{en_GB=The Impact of Feature Causality on Normal Behaviour Models for SCADA-based Wind Turbine Fault Detection} {} EVALUATED

Detalhes: {pt=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., en=The operation and maintenance costs of wind turbines can account for up to 30% of the cost of wind energy. There have been recent efforts to detect faults in turbines by harvesting the high amounts of data generated by their SCADA system. This enables the wind farm owners to employ a predictive maintenance strategy, which can reduce costs. One of the main methods for monitoring the condition of wind turbines is building normal behaviour models. But there is a lack of consensus in how different features affect the results. Besides that, most works use artificial neural networks, which are known to be black-box models with high computational costs. In this work, a new taxonomy based on the causal relations between the features and the target is presented. Based on this taxonomy, the impact of different feature types on the model performance is evaluated. To this end, the detection of faults will be formulated as a classification problem, compared to the standard literature approach by visual residual analysis. Finally, gradient boosting machines will be tested as an alternative to artificial neural networks. The results from this work indicate that the feature types differently affect model performance. The models with autoregressive features performed best overall. Whereas the use of simultaneity features completely eliminated the fault detection performance. It was also shown that the fault detection framework obtained results aligned with those from visual residual analysis. Furthermore, it was demonstrated that gradient boosting machines obtain competitive results with those from artificial neural networks.}
Keywords: {pt=causal, NBM, turbina, falha, SCADA, en=causal, NBM, turbine, fault, SCADA}

Discussão: junho 21, 2019, 11:0