An Artificial Intelligence Neural Network PredictiveModel for Anomaly Detection and Monitoring ofW

Amin Amini, Jamil Kanfoud & Tat-Hean Gan

To cite this article: Amin Amini, Jamil Kanfoud & Tat-Hean Gan (2022) An Artificial Intelligence

Neural Network Predictive Model for Anomaly Detection and Monitoring of Wind Turbines Using

SCADA Data, Applied Artificial Intelligence, 36:1, 2034718, DOI: 10.1080/08839514.2022.2034718

To link to this article: https://doi.org/10.1080/08839514.2022.2034718

一、 摘要：

        空气驱动的故障排除工具在高效诊断和监测过程中发挥着重要的作用，特别是对于由包括风力涡轮机（WTs）在内的几个部件组成的系统。使用这些方法不仅减少了故障排除和诊断时间，而且还可以通过预测不同组件的行为和计算近期故障的概率来实现故障预防。

        本文评估、比较和对比了8种不同的人工神经网络（ANN）模型，用于诊断和监测wt，这些模型基于内部组件的传感器信号和产生温度来预测机器的系统故障。

        本文采用了一种具有两隐层的机器学习模型方法，采用多层线性回归来实现其目标。所开发的系统预测了WT发电机温度的输出，精度为99.8%，并提前2个月进行了测量预测。

二、 引言

        工业4.0为机器的监测和诊断程序引入了一个新的范例。近年来，受人工智能（AI）和物联网（IoT）等概念的进步的推动，工业4.0已被证明是数字化和自动化的一个有效和可靠的趋势（Haag和Anderl 2018）。

        包括风力涡轮机（WTs）在内的大多数机械会产生大量与能耗、电流、电压、振动和环境因素相关的数据，这些因素不一定被利用。从这些收集到的数据中处理出来的信息可用于改进故障排除、监控和维护程序。连接在wt不同部分的传感器将提供仪器健康状态的重要数据，这需要解释和处理。

。。。。。。

1.  Shihavuddin et al. (Shihavuddin et al. 2019 )开发了一个更快的R-CNN深度学习模型来评估检查无人机捕获的图像，用于WT叶片的自动损伤分析。为监督交易学习模型定义并手动标注了四个不同的类，包括前缘侵蚀、涡旋发生器面板和闪电受体。总的来说，训练数据集标注了305个标签，测试标注了173个标签。本研究建立了一种精度较高的稳健检测系统。

2. Saenz-Aguirre et al. 2019 提出了一种基于神经网络的主动轮床皮瓣流控制模型，以提高风电机组的气动适应能力。流量控制系统的设计是为了根据天气的快速变化实现最佳运行。利用气象站获得的风速数据进行基于叶片单元动量（BEM）的计算，分析WT叶片的空气动力行为，并将计算流体动力学（CFD）计算的空气动力数据输入所开发的人工神经网络（ANN）模型。

3. Qian et al. (Qian, Ma, and Zhang 2017 )提出了一种在线序列极端学习机（OS-ELM）算法来估计WTs动力传动系统的健康条件。利用物理动能校正模型对额定功率输出处的温度变化进行归一化处理，以消除风电机组速度变化的影响。结果表明，该方法对齿轮箱的长期老化特性和短期故障均具有较高的处理效率。

4.Amini et al. (Amini, Kanfound, and Gan 2019) 提出了一种基于单隐层前馈神经网络（SLFN）和基于梯度的反向传播（BP）训练的神经网络算法来监测WT发生器的健康状况。研究人员使用数据收集从六个传感器八通道包括两个单轴加速度计，一个三轴加速度计，一个声学（麦克风），一个温度，和一个光传感器（转速）采样数据采集率51.2 kHz预测WT的轴承健康状况和代表它在实时动态三维数字双胞胎模型。所开发的模型在15 Hz、9 Hz和12 Hz三种不同的旋转速度下，基于振动的CM预测精度达到了83.33%。

5. Canizo et al. (Canizo et al. 2017 )基于云的预测维护模型开发的故障预测wt包括三个主要模块包括预测模型为每个WT基于随机森林算法，监控代理提供故障预测间隔10分钟间隔的数据收集，和一个GUI界面可视化从开发的模型获得的信息。该研究在可伸缩性、自动化和数据处理速度方面对以前的尝试进行了改进，同时提供了一个集中的访问点来收集和分析从wt接收到的所有数据，从而降低了操作和维护成本。

6.Kusiak and Verma 2012  从嵌入在24个wt中的现场传感器中收集的数据被用于开发一种分析不同轴承故障的方法。本研究提出了一种数据挖掘算法，以训练和测试三种不同的神经网络模型的评估结果，以收集正常条件下WTs发电机轴承温度与输入参数之间的关系信息。研究结果确定了轴承的故障，这是CM和wt轴承行为预测的主要影响因素。

        该论文探索并评估了 三种不同的神经网络算法用于诊断和监测，以基于其内部组件的传感器信号和产生温度预测WT的系统故障。该算法使用了历史监督控制和数据采集（SCADA）数据，这些数据来自位于英国斯温顿的9个风电工厂。

三、 方法

        实验在~0.0016 Hz的采样频率下，获得了9个WTs的约12 GB的SCADA数据记录。记录频率为10分钟，包括每个传感器节点的报警数据。

        图1显示了使用几种不同输入的已开发的温度ML模型的输入和输出的流程图。

（最初开发了5个ML模型，以比较和对比不同的WT传感器的数据配置作为其输入）