A machine learning framework for detection, localization, and quantification of blade pitch misalignment in wind turbines

With the growing share of wind energy in the global power mix, ensuring the reliable and cost-efficient operation of wind turbines has become increasingly important. As wind farms scale up and markets demand higher availability, timely anomaly detection emerges as a key enabler for optimizing energy production. Among critical faults, rotor blade pitch misalignment represents a major source of performance degradation, mechanical stress, and unplanned downtime. While existing model-based and machine-learning approaches can detect misalignments in general, they often fail to provide deeper diagnostic insights such as identifying which blades are affected or quantifying the severity. To address this gap, this thesis proposes a comprehensive machine-learning-based diagnostic framework for detecting, localizing, and quantifying pitch misalignment in rotor blades. The framework is organized into three functional layers, each progressively refining the characterization of the anomaly. It builds on features extracted from a limited set of sensors already integrated into modern wind turbine systems. Fault patterns initially identified for single-blade misalignment are expanded upon and investigated across broader, multi-blade misalignment scenarios. Additionally, novel time-domain correlations are introduced, complementing established frequency-domain indicators. The approach is validated across an extended operational envelope encompassing single-blade, multi-blade, and uniform pitch faults, using data generated from a state-of-the-art simulation model widely employed in the design and certification of commercial wind turbine systems. Results demonstrate high accuracy, robustness to wind variability, and strong generalization across all misalignment scenarios. Special emphasis is placed on model interpretability to support practical application.

In considerazione dell’aumento della quota di energia eolica nel mix energetico globale, risulta fondamentale garantire il funzionamento affidabile ed economico delle turbine eoliche. Con l’espansione dei parchi eolici e la richiesta di una maggiore disponibilità da parte dei mercati, il rilevamento tempestivo delle anomalie emerge come un fattore chiave per ottimizzare la produzione di energia. Tra i guasti critici, il disallineamento del passo delle pale del rotore rappresenta una delle principali cause di degrado delle prestazioni, stress meccanico e tempi di inattività non pianificati. Sebbene gli approcci attuali basati su modelli e apprendimento automatico siano in grado di rilevare i disallineamenti in generale, spesso non sono in grado di fornire informazioni diagnostiche più approfondite, come l’identificazione delle pale interessate o la quantificazione della gravità. Al fine di colmare tale lacuna, la presente tesi propone un quadro diagnostico completo basato sull’apprendimento automatico per rilevare, localizzare e quantificare il disallineamento del passo delle pale del rotore. Il sistema si basa su caratteristiche estratte da un insieme limitato di sensori già integrati nei moderni sistemi di turbine eoliche. I modelli precedentemente sviluppati per identificare e classificare il disallineamento di una singola pala, vengono estesi a scenari più complessi, incluso riconoscere disallineamenti multipli più articolati e uniformi. Come aspetto innovativo, l’analisi ha anche evidenziato nuove correlazioni nel dominio del tempo, complementari ai tradizionali indicatori nel dominio della frequenza. L’efficacia dell’approccio è stata validata in un ampio range operativo, utilizzando dati generati da un modello di simulazione all’avanguardia impiegato nella progettazione e certificazione delle turbine eoliche commerciali. I risultati ottenuti evidenziano un’elevata precisione, una robustezza significativa alla variabilità del vento e una forte generalizzazione in tutte gli scenari di disallineamento. Si evidenzia un’attenzione significativa sull’interpretabilità del modello al fine di promuoverne l’applicazione pratica.