Health monitoring of blades using blade load sensors

This thesis project focuses on the development and implementation of novel fault detection techniques for Wind Turbines, focusing in particular on the root bending moment measurements to monitor the health condition of the blades. The implemented fault detection strategies started with a straightforward alarm signal computed over the root bending moments. Afterwards, the main implemented approaches involved constructing a data-driven model of the system, first using a linear technique through Principal Component Analysis, and then with a nonlinear technique, using Autoencoders. After the training of a model of the system using real-life data from a healthy wind turbine, it was employed to reconstruct new data from a turbine with unknown health condition. A Fault Detection Algorithm was then applied to the distance between the measured data and their reconstruction, initially utilizing a simple static threshold and subsequently employing a Generalized Likelihood Ratio Test (GLR Test). The implemented approaches proved effective in detecting various failure modes in the root bending moment signals, demonstrated through both simulated faulty signals and real-life data collected from wind turbines experiencing blade faults.

Questo progetto di tesi si focalizza sullo sviluppo e l'implementazione di nuove tecniche di rilevamento delle anomalie per le Turbine Eoliche, concentrandosi in particolare sulle misurazioni dei momenti flettenti per monitorare lo stato di salute delle pale. La prima strategia implementata è stata un semplice segnale di allarme calcolato direttamente sulla base dei momenti flettenti misurati. Successivamente, gli approcci principali che sono stati implementati hanno entrambi coinvolto la costruzione di un modello data-driven del sistema, prima con una tecnica lineare attraverso l'Analisi delle Componenti Principali (PCA) e poi con una tecnica non lineare, usando Autoencoder. Dopo la costruzione del modello, ottenuto usando dati reali provenienti da una turbina che non mostrava alcuna anomalia, esso è stato utilizzato per ricostruire nuovi dati, questa volta provenienti da una turbina della quale non si conosce lo stato di salute. Successivamente, un algoritmo di rilevamento dei guasti è stato applicato alla distanza tra i dati misurati e la loro ricostruzione, inizialmente utilizzando una semplice soglia statica, e successivamente impiegando un General Likelihood Ratio Test (GLR Test). Gli approcci implementati si sono dimostrati efficaci nel rilevare vari scenari di gusto sulle pale, ottenuti sia simulando anomalie nei segnali misurati sia tramite dati reali raccolti da turbine eoliche che presentavano guasti sulle pale.