This Master’s Thesis investigates model-based fault detection and diagnosis (FDD) in an electrically operated pitch system by using multi-body dynamic technique with artificial neural networks (ANN). A dynamical model of the pitch system is developed using MSC ADAMS and CAD system, and the parametrization of the model is conducted based on GH bladed and NREL reference data. The main aim of fault detection and diagnosis scheme is to understand the dynamic response of pitch system, to improve the performance condition monitoring of pitch system for wind turbine. The pitch system modeled as a multi-body system with the parameters require for 2MW wind turbine load condition. The major focus of this simulation method contribution is on the slew bearing and pitch gear of mechanical subsystem with respect to the dynamic loads condition with healthy and fault condition. The simulation signal processed at time, frequency, and time–frequency domains. Time-domain signals were transformed into the frequency and time–frequency domains using Fast Fourier Transform (FFT). Further, the extracted features were used as inputs to an artificial neural network for the primary classification based. Classification accuracy of artificial neural network in detecting and classifying slew bearing and pitch gear fault in time, frequency, and time–frequency domains have obtained. Results show that the proposed methodology can detect and classify defects the fault occurrence.

In questa tesi di maestro indaga rilevamento basato su modello guasti e diagnosi (FDD) in sistema a passo azionato elettricamente mediante tecnica dinamica multi-corpo con le reti neurali artificiali (ANN). Un modello dinamico del sistema pitch viene sviluppato utilizzando MSC ADAMS e sistema CAD, e la parametrizzazione del modello si basa sulla condotta lame GH e dati di riferimento NREL. Lo scopo principale del sistema di rilevamento e diagnosi degli errori è capire la risposta dinamica del sistema di pitch. Il sistema di pitch è modellato come un sistema multi-body con i parametri necessari per le condizioni di carico della turbina eolica da 2 MW. L'obiettivo principale di questo metodo di simulazione è il sottosistema di cuscinetti volventi e ingranaggi meccanici con condizioni di integrità e di guasto. Il segnale di simulazione elaborato nei domini di tempo, frequenza e frequenza temporale. I segnali nel dominio del tempo sono stati trasformati nei domini di frequenza e frequenza temporale utilizzando Fast Fourier Transform (FFT). Inoltre, le caratteristiche estratte sono state utilizzate come rete neurale artificiale per la classificazione primaria basata. L'accuratezza della classificazione della rete neurale artificiale nel rilevare e classificare l'errore di cuscinetto di rotazione e ingranaggio del passo nel dominio del tempo, della frequenza e della frequenza del tempo ha ottenuto. I risultati mostrano che la metodologia proposta può rilevare e classificare l'occorrenza di un errore

Model-based fault diagnostic of electrically operated pitch system for wind turbine using multi-body dynamic analysis with artificial neural network (ANN)

PRAKASH, NAVAMANI
2017/2018

Abstract

This Master’s Thesis investigates model-based fault detection and diagnosis (FDD) in an electrically operated pitch system by using multi-body dynamic technique with artificial neural networks (ANN). A dynamical model of the pitch system is developed using MSC ADAMS and CAD system, and the parametrization of the model is conducted based on GH bladed and NREL reference data. The main aim of fault detection and diagnosis scheme is to understand the dynamic response of pitch system, to improve the performance condition monitoring of pitch system for wind turbine. The pitch system modeled as a multi-body system with the parameters require for 2MW wind turbine load condition. The major focus of this simulation method contribution is on the slew bearing and pitch gear of mechanical subsystem with respect to the dynamic loads condition with healthy and fault condition. The simulation signal processed at time, frequency, and time–frequency domains. Time-domain signals were transformed into the frequency and time–frequency domains using Fast Fourier Transform (FFT). Further, the extracted features were used as inputs to an artificial neural network for the primary classification based. Classification accuracy of artificial neural network in detecting and classifying slew bearing and pitch gear fault in time, frequency, and time–frequency domains have obtained. Results show that the proposed methodology can detect and classify defects the fault occurrence.
ING - Scuola di Ingegneria Industriale e dell'Informazione
4-ott-2018
2017/2018
In questa tesi di maestro indaga rilevamento basato su modello guasti e diagnosi (FDD) in sistema a passo azionato elettricamente mediante tecnica dinamica multi-corpo con le reti neurali artificiali (ANN). Un modello dinamico del sistema pitch viene sviluppato utilizzando MSC ADAMS e sistema CAD, e la parametrizzazione del modello si basa sulla condotta lame GH e dati di riferimento NREL. Lo scopo principale del sistema di rilevamento e diagnosi degli errori è capire la risposta dinamica del sistema di pitch. Il sistema di pitch è modellato come un sistema multi-body con i parametri necessari per le condizioni di carico della turbina eolica da 2 MW. L'obiettivo principale di questo metodo di simulazione è il sottosistema di cuscinetti volventi e ingranaggi meccanici con condizioni di integrità e di guasto. Il segnale di simulazione elaborato nei domini di tempo, frequenza e frequenza temporale. I segnali nel dominio del tempo sono stati trasformati nei domini di frequenza e frequenza temporale utilizzando Fast Fourier Transform (FFT). Inoltre, le caratteristiche estratte sono state utilizzate come rete neurale artificiale per la classificazione primaria basata. L'accuratezza della classificazione della rete neurale artificiale nel rilevare e classificare l'errore di cuscinetto di rotazione e ingranaggio del passo nel dominio del tempo, della frequenza e della frequenza del tempo ha ottenuto. I risultati mostrano che la metodologia proposta può rilevare e classificare l'occorrenza di un errore
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
MASTER THESIS.pdf

Open Access dal 25/09/2019

Descrizione: MASTER THESIS
Dimensione 3.17 MB
Formato Adobe PDF
3.17 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/143085