Development of an unsupervised method based on the differential importance measure (DIM) for the condition monitoring of power production plants

When an abnormal condition occurs in a power production plant, operators must decide the actions to be performed, which can range from plant shutdown, to maintenance intervention, to ignoring the alarm. In this context, fault diagnostic systems can support operators in the identification of the cause of the abnormal condition from the analysis of the monitored signals. In this work, we develop an unsupervised fault diagnostic method based on the use of a sensitivity analysis technique. The proposed method differs from the traditional fault diagnostic approaches since it does not require the availability of labelled datasets containing the signal measurements collected in correspondence of known abnormal conditions occurred in the past, which are typically not available in the power production industry. The proposed method is built on a fault detection model which reconstructs the expected values of the monitored signals under normal condition and detects the occurrence of an anomaly when the difference between the reconstructed and the monitored signals (residuals) exceeds a threshold. The Differential Importance Measure (DIM), which quantifies the contribution of the different signals to the variation of an indicator of the plant level of abnormality, obtained from the residuals, is considered. Specifically, a decision logic based on the analysis of the DIM of groups of signals measured from the same component and then on the analysis of the DIM of the individual signals, is adopted to identify the cause of the abnormal condition. The proposed method has been applied to a three-blades wind turbine. The results show its capability of distinguishing abnormal conditions caused by modifications of operational conditions (e.g., abnormal behaviors of the wind), which rarely require operator intervention, from abnormal conditions caused by anomalies in turbine components, and, in this latter case, to identify the cause of the anomaly.

Quando in un impianto di produzione di energia elettrica si verifica una condizione anomala, gli operatori devono decidere le azioni da eseguire, che possono andare dallo spegnimento dell'impianto, all'intervento di manutenzione, all'ignorare l'allarme. In questo contesto, i sistemi di diagnostica dei guasti possono supportare gli operatori nell'identificazione della causa della condizione anomala grazie all'analisi dei segnali monitorati. In questo lavoro, sviluppiamo un metodo di diagnosi dei guasti unsupervised basato sull'uso di una tecnica di analisi di sensibilità. Il metodo proposto si differenzia dai tradizionali approcci di diagnosi dei guasti in quanto non richiede la disponibilità di set di dati etichettati contenenti le misurazioni dei segnali raccolti in corrispondenza di condizioni anomale verificatesi in passato, che in genere non sono disponibili nel settore della produzione di energia. Il metodo proposto si basa su un modello di rilevazione dei guasti che ricostruisce i valori attesi dei segnali monitorati in condizioni normali e rileva il verificarsi di un'anomalia quando la differenza tra i segnali ricostruiti e quelli monitorati (residui) supera una soglia. Viene considerata la Differential Importance Measure (DIM), che quantifica il contributo dei diversi segnali alla variazione di un indicatore che misura il livello di anomalia dell'impianto, ottenuto dai residui. In particolare, viene adottata una logica decisionale basata sull'analisi del DIM di gruppi di segnali appartenenti allo stesso componente e poi sull'analisi del DIM dei singoli segnali, per identificare la causa della condizione anomala. Il metodo proposto è stato applicato ad una turbina eolica a tre pale. I risultati mostrano la sua capacità di distinguere le condizioni anomale causate da modifiche delle condizioni operative (ad esempio, comportamenti anomali del vento), che raramente richiedono l'intervento dell'operatore, dalle condizioni anomale causate da anomalie nei componenti della turbina, e, in quest'ultimo caso, di identificare la causa dell'anomalia.