Dissertação
{pt_PT=Observer biased clustering in wind turbine fault diagnosis} {} EVALUATED
{pt=Nas últimas duas décadas, a energia eólica viu um crescimento exponencial. À medida que aumenta a procura por sistemas de energia eólica, busca-se maximizar a eficiência e reduzir os custos de operação e manutenção. Sistemas de monitoramento de condições tornaram-se num campo de grande interesse nesta área. Dentro dos componentes principais, a caixa de engrenagens é responsável por uma das maiores taxas de falha e é o componente que causa o maior tempo de inatividade . O foco é a aplicação de agrupamento fuzzy para diagnóstico de falhas em caixas de engrenagens de turbinas eólicas. O algoritmo de agrupamento Gath-Geva é explorado aplicando a estrutura de agrupamento com observador. A noção de um observador permite que o agrupamento seja um processo interativo, fornecendo uma maneira intuitiva de controlar a formação de agrupamentos e permitindo que o conhecimento do domínio seja incorporado no processo. Um especialista do domínio pode escolher o nível de granularidade e é capaz de selecionar uma região específica dos dados para análise detalhada. O Gath-Geva com ponto focal é testado com dados vibracionais da caixa de engrenagens de uma turbina eólica e comparado com a sua versão original, Fuzzy C-Means com e sem observador. Para validação de agrupamento interno, duas métricas são comparadas, o popular índice Xie-Beni e o índice Kim-Lee com base no grau relativo de partilha. Os algoritmos são comparados fazendo várias execuções independentes e usando a distribuição da validação externa do índice Rand Ajustado., en=Over the last two decades wind power has undergone an exponential growth globally. As the demand for wind power systems increases, efficiency is sought to be maximized and operation and maintenance costs reduced. Condition monitoring (CM) systems have become a field of high interest in this industry. The main components of wind turbines constitute the focus of CM, they are responsible for frequent, large repair costs and operational downtime. Within the main components, the gearbox accounts for one of the highest failure rates and is the component that causes the greatest amount of downtime. The focus is on the application of fuzzy clustering for wind turbine gearboxes fault diagnosis. The Gath-Geva clustering algorithm is explored by applying the observer biased clustering framework. The notion of an observer allows clustering to be an interactive process, providing an intuitive way to control cluster formation and enabling domain knowledge to be incorporated in the process. A domain expert can choose the level of granularity and is able to select a particular region of the data space for a detailed view. The Gath-Geva with Focal Point algorithm is tested with wind turbine gearbox vibrational data and compared with its unbiased version, the Fuzzy C-Means biased and unbiased algorithms. Two metrics are employed to validate internal clustering: the Xie-Beni index and Kim-Lee index, the latter of which is based on relative degree of sharing. The algorithms are compared by performing several independent runs and using the distribution of the Adjusted Rand Index external validation metric.}
dezembro 10, 2021, 13:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Mecânica (DEM)
Professor Catedrático
