Fault Diagnosis and Fault-Tolerant Control of Wind Turbines
Authors
Esbensen, Thomas ; Sloth, Christoffer
Term
10. term
Publication year
2009
Abstract
Mange vindmøller står på fjerntliggende steder, så hurtig fejldetektion og fejltolerant styring kan sænke reparationsomkostninger og øge driftssikkerheden. I dette projekt opstilles en realistisk dynamisk model af en fiktiv, men realistisk 4,8 MW-vindmølle, og der analyseres, hvilke komponentfejl der forekommer oftest, og hvor alvorlige deres følgevirkninger er. Derefter anvendes metoder til at opdage de vigtigste fejl og holde møllen i gang på trods af dem. Fejldiagnosen bygger på en fælles struktur med et rekonfigurerbart udvidet Kalman-filter (en matematisk estimator, der udleder møllens interne tilstand ud fra støjfyldte målinger) og kan håndtere flere samtidige fejl. Abrupte (pludselige) fejl identificeres med hypotesetest-baserede metoder, mens snigende (incipiente) fejl identificeres med parameterestimerings-baserede metoder. De samme algoritmer kan bruges både til tilstandsovervågning (condition monitoring) og til aktiv fejltolerant styring. Fejltolerance opnås enten ved at korrigere fejlbehæftede sensor- eller aktuatorsignaler eller ved at indbygge fejltolerance i selve styringssystemet. Både aktive og passive fejltolerante styringer er designet med LPV-metoder (Linear Parameter-Varying), som passer til møllens parameterafhængige adfærd. Deres designkompleksitet og ydeevne sammenlignes. Verifikation viser, at disse styringer kan kontrollere vindmøllen under flere samtidige fejl, hvilket indikerer, at sådanne tilgange kan forbedre vindmøllers driftssikkerhed.
Because many wind turbines operate in remote locations, quickly detecting faults and keeping turbines running safely can reduce repair costs and improve reliability. This project builds a realistic dynamic model of a fictional 4.8 MW wind turbine and analyzes which component faults occur most often and how severe their consequences are. It then applies methods to detect the most significant faults and maintain operation despite them. The diagnosis framework uses a reconfigurable extended Kalman filter (a mathematical estimator that infers the turbine’s internal state from noisy measurements) and can handle multiple simultaneous faults. Sudden faults are identified with hypothesis-testing techniques, while slowly developing (incipient) faults are identified with parameter-estimation techniques. The same algorithms support both condition monitoring and active fault-tolerant control. Fault tolerance is achieved either by correcting faulty sensor or actuator signals or by designing the control system to be robust to faults. Both active and passive fault-tolerant controllers are designed using linear parameter-varying (LPV) methods, which match the turbine’s parameter-varying behavior. Their design complexity and performance are compared. Verification shows that these controllers can control the wind turbine under multiple simultaneous faults, indicating that such approaches can enhance wind turbine reliability.
[This abstract was generated with the help of AI]
Documents