Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
- Tez No: 888530
- Danışmanlar: PROF. DR. SERDAR BEJİ
- Tez Türü: Doktora
- Konular: Enerji, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Gemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Gemi ve Deniz Teknolojisi Mühendisliği Bilim Dalı
- Sayfa Sayısı: 139
Özet
Giderek artan sayıda şirketin, fosil yakıtlardan küresel enerji geçişinin önemli bir bileşeni olarak offshore rüzgar enerjisinin geliştirilmesine önemli harcamalar ayırması sebebiyle, açık deniz rüzgar teknolojisinin güvenilirliğini sağlamanın önemi daha da artmaktadır. Bu bağlamda, bakım zamanlarının tahmin edilebilmesi, açık deniz rüzgar türbinlerinin operasyonel olarak kullanılabilirliğini arttırmak için önemli bir araçtır. Açık deniz rüzgar türbinlerinin kullanılabilirliği (enerji üretimi için uygunluğu), tipik olarak %95-97 kullanılabilirlik oranına sahip olan karadaki rüzgar türbinlerinden önemli ölçüde daha düşük olabilir. Aynı zamanda, açık deniz rüzgar santrallerinin işletme ve bakımı (O&M), rüzgar enerjisi tesislerinin verimliliğini ve performansını artırmak için giderek yapay zekanın (AI) entegrasyonuna odaklanmaktadır. Başarısızlık tahminlerine dayalı karar destek stratejileri bu eğilimin önemli bir unsurudur. Sonuç olarak yapay zeka, rüzgar türbinlerine yerleştirilen sensörlerden toplanan büyük miktarda veriye dayanarak arızanın meydana gelme zamanını tahmin etmek için daha sık kullanılıyor. Bununla birlikte, denetlenmeyen bileşenler veya alt sistemler de zaman zaman arızalara yol açabilmektedir. Bu çalışmanın temel odağını, gerçek hayattaki bir rüzgar türbini sisteminin denetlenemeyen alt sistemlerindeki, özellikle de sapma sisteminin fren balatalarındaki, arızaları tahmin etme metodolojisinin tasarımı, geliştirilmesi ve pratik uygulaması ile bu önerilen metodolojinin gerçeklenmesi için veriye dayalı yaklaşımların kullanılmasını oluşturur. Bu tez, 3MW'lık bir rüzgar türbininin sapma frenleri gibi tek bir bileşene odaklanarak arızaları tahmin etmek için yapay zekanın pratik bir uygulamasını geliştirmektedir. Türbin kontrolörlerinden toplanan veriler kullanılarak sapma frenlerine ait fren balatalarının zamanla nasıl aşındığı analiz edilmektedir. Bu arızaların ne zaman meydana geleceğini tahmin etmek için, ilgili verilerin kümelenmesi için Destek Vektör Makinesi (SVM) uygulayarak önceden işlenmiş bir veri kümesiyle desteklenen Uzun Kısa Süreli Bellek (LSTM) kullanılmıştır. SVM ve LSTM'nin bu kombinasyonu, açık deniz rüzgar enerjisi sistemlerinin operasyonel güvenilirliğini ve maliyet verimliliğini artırabilecek tahmine yönelik bakım stratejilerini geliştirmeye yönelik alternatif bir yaklaşım sunmaktadır. Sunulan metodoloji özellikle çevrimiçi kümeleme teknikleriyle bağlantılı olan derin öğrenme modellerinden yararlanmaktadır ve böylece açık deniz rüzgar enerjisi sistemlerinde tahmine dayalı bakım için sağlam bir temel oluşturulmuştur. Buna göre, açık deniz rüzgar türbinlerinin tahmine dayalı bakımının gelişen ortamına yeni katkılar sağlamak ve sistemin iç yüzünü kavramaya yönelik önerilerde bulunmak için burada kapsamlı bir çerçeve, metodoloji, deney düzeneği ve sonuçlar sunulmaktadır. Açık deniz rüzgar enerjisinin geçmişine genel bir bakış ve açık deniz rüzgar türbinleri ile rüzgar santrallerinin sınıflandırılması ikinci bölümde verilmektedir. Bu bölüme, tasarım açısından karadaki rüzgar enerjisinden temel olarak farklı olan açık deniz rüzgar türbini geliştirme ve işletimiyle ilgili zorlukların ana hatları da dahil edilmiştir. Örneğin gelecekteki açık deniz rüzgar santrallerindeki hem mesafelerinin hem de rüzgar türbinlerinin boyutlarının artacak olması, sınırlı erişilebilirlik nedeniyle çalışma koşulları ile ilgili zorlukları daha da arttıracaktır. İşletme ve Bakım, farklı normlara bağlı olarak sınıflandırmaları ve tanımlarının sunulduğu üçüncü bölümde tartışılmıştır. İşletme ve Bakım aracı olarak Karar Destek Mekanizması ve Stratejileri tanıtılmış ve Temel Performans Göstergelerine dayalı stratejiler geliştirilmiştir. Bakım stratejileri için farklı modellerin verilere bağımlılığı ayrıntılı olarak sunulmuştur. Operasyonu ve bakımı etkileyen koşullar açık deniz rüzgar enerjisi özelinde çalışılmış ve gruplandırılmıştır. Açık deniz rüzgar türbinlerinin İşletme ve Bakımı ile ilgili zorluklar tartışılmıştır. Bu zorluklar esas olarak işletme sırasında ortaya çıkan veri miktarı ve bu verilerden eyleme dönüştürülebilir bir bilgi elde etme görevi ile ilgilidir. Karar Destek Stratejileri bu açıdan yararlı araçlardır, ancak ikinci bölümde de tartışıldığı gibi, örneğin hava koşullarına benzer nedenlerle sınırlı erişilebilirlik ile ilgili zorluklar durumunda ihtiyaç duyulan yeterli reaksiyon süresinin dikkate alınması en önemli meselelerden biridir. Örneğin, başarılı bir şekilde ileriye dönük planlama yapmak için en az iki haftalık bir reaksiyon süresinin dikkate alınması gerektiği gösterilmiştir. Dördüncü bölüm, açık deniz rüzgar türbinleriyle ilgili veri kaynakları ve algılama tekniklerinden başlayarak veri toplama ve işlemeyi açıklamaktadır. Ana veri kümeleri, bileşenlerin durumu ve çalışma durumları dahil olmak üzere koşul verileri, hava durumu ve deniz durumu bilgileri gibi çevresel veriler ve gemilerin, personelin, araçların ve yedek parçaların mevcudiyeti gibi durum (envanter) verileridir. Veriler, rüzgar türbinindeki sensörler gibi dahili kaynaklardan veya hava durumu hizmetleri gibi harici kaynaklardan elde edilmiştir. Veri toplama aşamasından o verileri kullanmaya kadar olan zincirde önemli bir adım olan veri işleme anlatılmaktadır. Burada önemli olan, hatalı veri girişlerinin temizlenmesi veya eksik verilerin tespit edilmesinin yanı sıra, analitik sürecin takip edilmesi için verilerin yararlı ve yüksek kalitede bir temel oluşturmasını sağlayacak şekilde bütün adımların bağlamsallaştırılmasıdır. Bir sonraki adımda veri işleme, yapay zeka ve Makine Öğrenimi (ML) stratejilerine bağlanmıştır. Veri iletim ve depolama çözümleri, tarihsel geçmişleri anlatılarak ve avantaj ile dezavantajları tartışılarak sunulmuştur. Veri toplama ve işlemeyle ilgili zorluklarla ilgili bir tartışma, bölümün sonunda sunulmuştur. Bu tartışma temel olarak veri kullanılabilirliği ve açık deniz rüzgar türbinlerindeki her bileşen veya örneğin yeterince denetlenmediği ve verilerin uygun şekilde kaydedilmediği gerçeğidir. Beşinci bölüm, açık deniz rüzgar enerjisi uygulamaları için veri kullanımına odaklanmaktadır. Açık deniz rüzgar santralleri ve çevresinden toplanan verilerin kullanılmasında, açık deniz rüzgar enerjisinin işletilmesi ve bakımında karar almaya temel olacak makine öğrenmesi ve yapay zeka tekniklerine dayalı stratejilerin uygulanması gerektiği ortaya konmuştur. Bir rüzgar santrali projesinde, sınıflandırma algoritmalarının eğitimi ve test prosedürü aşamalarında özellik olarak kullanılabilecek çeşitli değişkenler izlenir ve kaydedilir. Ancak bu değişkenlerin, birçoğu birbiriyle ilişkili olsa dahi, hiçbiri değerlendirilecek sürecin durumu hakkında bilgi vermez. Bu nedenle, ilk adım olarak, Negatif Olmayan Matris Faktorizasyon ve Temel Bileşen Analizi, mevcut verileri temel odaktaki soruna daraltmak için yapılması gereken özellik azaltma ve boyut azaltma işlemlerini gerçekleştirmeye yönelik araçlar olarak açıklanmıştır. Bu adımdan sonra veriler, veri kullanım stratejilerine uygun olacak şekilde sınıflandırılabilir ve ölçeklendirilebilir hale getirilmiştir. Yetenekli bir sınıflandırıcı olarak SVM ayrıntılı olarak açıklanmıştır. Uygun veri kullanım stratejileri olarak Yapay Sinir Ağları, İleri Beslemeli Sinir Ağları ve Uzun Kısa Süreli Bellek Tekrarlayan Sinir Ağları (LSTM) gibi farklı Sinir Ağları sunulmuş ve tahmin amaçlı bakım stratejileri için veri entegrasyonunun sağlanma adımları açıklanmıştır. Altıncı bölümde, mevcut bir rüzgar türbininin sapma sistemindeki, rüzgar türbininin çalışmasında sorunlara yol açacak şekilde bozulan bir denetlenmeyen bileşenin bozulma süresi için bir tahmin modeli geliştiren bir vaka çalışması sunulmaktadır. Spesifik olarak, bu rüzgar türbininin sapma sisteminde, fren balatalarının denetimsiz aşınması nedeniyle ve sapma sisteminin rüzgar türbinini sabit tutamamasından dolayı artan sayıda istenmeyen kayma olayıyla karşılaşılmıştır. Bu durum, sapma faaliyetlerinin artmasına ve rüzgar türbininin hizmet ömrünün azalmasına neden olmuştur. Bu vaka çalışması için, 3MW doğrudan tahrikli bir rüzgar türbininden altı aydan fazla sürede gerçek veriler alınmıştır. Altı aylık bir süre boyunca kaydedilen değişkenlerin sayısı 216 ile oldukça yüksektir. Türbinden toplanan verilerin sınıflandırılması açıklanmış ve tahminlerde kullanılacak verileri temsil eden altı özelliğe indirgenmesi için özellik azaltma teknikleri uygulanmıştır. Ayrıca, derin öğrenme modellerinin kullanımına önemli ölçüde güven veren, artan sayıda kayma olayının gelişimini tahmin etmek için sınıflandırıcı olarak SVM'nin LSTM ile birleşimi olarak seçilen metodolojinin titiz bir değerlendirmesi sağlanmaktadır. Sorunun kapsamlı formülasyonu ve tahmine dayalı bakım stratejileri için önemli olan temel kabullerin açıklanması, özellikle de denetlenemeyen alt sistemlerin ve bileşenlerinin tahmine dayalı bakım stratejilerine dahil edilmesi detaylı bir şekilde verilmiştir. Bu dikkate alınacak hususların ayrıntılı olarak tanımlaması, tahmin stratejilerinin bundan sonraki çalışmalarda geliştirilmesi için temel teşkil etmektedir. Son olarak, denetlenemeyen alt sistemler için seçilen tahmin stratejisinin uygulanmasıyla elde edilen sonuçlar sunulmaktadır. Bu sonuçlar, açık deniz rüzgar türbinleri için tahmine dayalı bakım yönteminin daha geniş bir bağlamdaki etkilerinin ve öneminin kapsamlı bir değerlendirmesini sunmak için ayrıntılı olarak incelenmiştir. Yedinci bölümdeki sonuçların değerlendirilmesinde, önerilen tahmine dayalı bakım metodolojisinin uygulanmasından kaynaklanan temel bulgular ortaya konmuştur. Bu çalışma ve özellikle altıncı bölümdeki örnek olay incelemesinden elde edilen sonuçlar, büyük miktardaki mevcut verilere dayanarak tahmine dayalı bakımın daha da geliştirilmesi için yapay zekanın potansiyelini göstermektedir. Vaka çalışması aynı zamanda sadece yıkıcı arızaların meydana gelmesinin değil, aynı zamanda hata frekans limitlerinin aşıldığı zamanların da güvenilir bir şekilde tahmin edilebileceğini kanıtlamaktadır. SVM'nin kümeleme yetenekleri, güvenilir tahmin sonuçları elde etmek için seçilen LSTM'nin performansını arttırmıştır. Bu çalışmada, %98'in üzerinde bir genel tahmin doğruluğu ile 15 günlük bir tahmin süresi elde edilmiştir ve bu model, önleyici veya güvenilirlik merkezli bakım stratejilerine odaklanan karar destek stratejileri için yeterli girdi olacak hale getirilmiştir. Sonuç olarak bu çalışma, alan uzmanlığını makine öğrenimi teknikleriyle birleştirmenin, türbin kullanılabilirliği, güvenilirlik, daha düşük işletme maliyeti ve dolayısıyla güç çıkışı, fizibilite ve hatta hizmet ömrü üzerinde de etkisi olan daha önceden denetlenemeyen alanları dahil ederek açık deniz rüzgar endüstrisindeki veri tabanlı ve tahmine dayalı bakım uygulamalarını nasıl geliştirebileceğini göstermektedir. Bu yöntemin gelecekteki uygulamalar için diğer denetlenmeyen bileşenlere veya alt sistemlere uygulanması ile entegre karar destek stratejilerine olan güvenin üst düzey olmasını sağlamak mümkündür. Denetlenmeyen bileşenleri, alt sistemleri veya olayları tahmin etmek için iyi geliştirilmiş ve literatürde kapsamlı olarak sunulan yapay zeka yöntemlerinin bir kombinasyonunun açık deniz rüzgar enerjisi alanına uygulanması, literatüre önemli bir yeni yön ve bakış açısı katmaktadır. Sekizinci bölümde, akademi ve endüstrideki olası araştırma ve geliştirme alanlarına yönelik aydınlatıcı tavsiyeler sağlanmakta ve böylece bu özel araştırma alanında gelecekteki çabalar için bir yol haritası çizilmektedir. Odak noktası, yöntemin karar destek stratejileri entegrasyonunu, geliştirilen yöntemin ihtiyaç fazlalığını önlemek için denetlenen bileşenlerde kullanılmasında ve dolayısıyla işletme güvenliğinin eklenmesinde ve diğer endüstrilere aktarılması için kullanılmasında yatmaktadır.
Özet (Çeviri)
Increasingly, enterprises allocate substantial funds to offshore wind energy both development and deployment as a key element of the global energy transition from fossil energies; hence, the importance of ensuring the technical reliability of offshore wind turbines becomes significant for the viability of the industry. Availabilities of offshore wind turbines can be significantly lower, by 15% or more, than the onshore wind turbines, with a typical availability of 95-97%, leading to a reduced electricity production of similar magnitude. In that context, predictive maintenance is an essential tool for increasing offshore wind turbines' operational availability to maximize the energy yield. At the same time, artificial intelligence (AI) is progressively introduced to operation and maintenance (O&M) of offshore wind farms for enhancing the efficiency and performance of the wind energy power plants and projects. An important trend hereby are decision support strategies based on failure predictions. This results in AI being more frequently used to create time-to-failure predictions based on large amount of data collected from sensors deployed to wind turbines. However, components or subsystems that are unsupervised are not covered here and may occasionally lead to failures. The central focus of this work lies in the design, development, and practical application of a prediction method of failures of unsupervised sub-systems in a real-life wind turbine system to increase the overall technical availability of offshore wind turbines utilizing data-driven approaches to validate the proposed methodology. As an example, the brake pads of the yaw system are selected, to prove the methods developed in a real environment. As a result of the research works performed, an AI-based method has been established for predicting component failures which has been verified in practical application taking the yaw brakes of a 3MW wind turbine as an example. It is analyzed how the brake pads of these yaw brakes wear out over time, using the data collected from turbine controllers. To predict when these failures are likely to occur, Long-Short-Term Memory (LSTM) is employed which is empowered by a pre-processed dataset using Support Vector Machine (SVM) for clustering of the relevant data. This combination of SVM and LSTM presents an alternative approach to enhancing predictive maintenance strategies, which can improve the operational reliability and cost-efficiency of offshore wind energy systems. In particular, the presented methodology leverages deep learning models in conjunction with online clustering techniques, thus establishing a robust foundation for predictive maintenance in offshore wind energy systems. Accordingly, a comprehensive framework, methodology, experimental setup, and results are presented here for giving new contributions and suggesting insights into the evolving landscape of predictive maintenance of offshore wind turbines. An overview of the history of offshore wind energy and a classification of offshore wind turbines and wind farms is given including the outlining of challenges related to offshore wind turbine development and operation that fundamentally differs from onshore wind energy in light of design and operations conditions due to for example limited accessibility. Operation and Maintenance is discussed presenting O&M classifications and definitions based on different norms. Decision Support Strategies (DSS) as tool for O&M are introduced and strategies based on Key Performance Indicators developed. The dependence of the different models on input data is presented for maintenance strategies in detail. Conditions that impact operation and maintenance are worked out and clustered specifically for offshore wind energy. A discussion about challenges related to data collection and handling is discussed, which are mainly data availability and the fact that not every component or instance in offshore wind turbines is sufficiently supervised and its data logged. On data utilization for offshore wind energy applications, it is laid out that, for the utilization of data collected in and around offshore wind farms, strategies based on machine learning and artificial intelligence techniques as basis for decision making in operation and maintenance of offshore wind energy must be applied. In a wind farm project several sensors are monitored and logged that can ideally be used for the training and testing procedures of classification algorithms. However, for specific processes, not all of those sensors provide conditional information that are useful to take into consideration, while several of them may be correlated. Therefore, as first step Non- Negative Matrix Factorization and Principal Component Analysis are explained as utilities for performing of feature reduction and dimensionality reduction that need to be performed to narrow down available data to the problem in focus. After this step, data can be classified and scaled to be suitable for data utilization strategies. SVM, as a capable classifier, is explained in detail. Different neural networks, such as artificial neural networks, feed-forward neural networks, and long-short-term memory recurrent neural networks (LSTM), are presented as suitable data utilization strategies, and the steps for data integration into predictive maintenance strategies are explained. A case study is presented, developing a prediction model for an unsupervised component in the yaw system of an existing wind turbine whose degrading leads to problems in the operation of the wind turbine. Specifically, the yaw system of this specific wind turbine model experiences increasing number of unintended slipping events where the yaw system is not able to keep the wind turbine stationary due to unsupervised wear out of brake pads. This leads in consequence to increased yaw activities and reduced service life of the wind turbine. For the case study, real data of over six months have been taken from a 3MW direct-drive wind turbine. The number of variables logged over a period of six months is with a count of 216 at a frequency of 1Hz very high. For this a categorization of the data collected from the turbine is elucidated and feature reduction techniques are applied leading to a reduced number of six features that represent the data to be utilized for predictions. Also, a rigorous evaluation of the selected methodology, namely SVM as classifier in combination with LSTM to forecast the evolution of increasing number of slipping events, as which places significant reliance on the utilization of deep learning models, is provided. This analysis serves to underscore the rationale behind the methodological choices. Comprehensive formulation of the problem and elucidation of underlying assumptions pivotal to predictive maintenance strategies, specifically the inclusion of unsupervised sub-systems and components into predictive maintenance strategies is given in detail. A detailed description of these considerations serves as basis for the subsequent development of prediction strategies. Finally, the results obtained through the application of the selected predictive strategy for unsupervised sub-systems is presented. These results are scrutinized in detail to offer a comprehensive assessment of their implications and significance within the broader context of predictive maintenance for offshore wind turbines. In the evaluation of the results, key findings stemming from the application of the proposed predictive maintenance methodology are laid out. This work and especially the results from the case study show the potential of AI for the further development of predictive maintenance based on large amounts of available data. The case study also proves that not only occurrence of catastrophic failures but also prediction of points in time when error frequency limits are exceeded can be predicted reliably. The clustering capabilities of SVM hereby enhance the performance of LSTM, which is selected to achieve reliable prediction outcomes. In this work a prediction period of 15 days was achieved with an overall prediction accuracy of over 98% making the model sufficient as input for DSS with focus on preventive or reliability centered maintenance strategies. In conclusion this work shows how combining domain expertise with machine learning techniques can improve data based predictive maintenance practices in the offshore wind industry by including previously unsupervised areas that have an impact on turbine availability, reliability, lower operation cost and consequently on power output and feasibility as well as on service life. Applying this method to other unsupervised components or sub-systems for future applications is possible leading to a higher level of confidence on the integrational DSS. The application of a combination of well-developed and in literature comprehensive presented AI methods to the field of offshore wind energy in order to predict unsupervised components, sub-systems or events adds an important novel aspect to the literature.
Benzer Tezler
- Rüzgar enerjisi yatırımlarındaki risk faktörleri ve enerji üretimi öngörüsünde rüzgar ölçüm verisinin etkisi
Risk factors in wind energy investments and the effect of wind measurement on estimating energy production
ATA MERT TOKER
Yüksek Lisans
Türkçe
2017
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
PROF. DR. ÖNDER GÜLER
- İnsansız deniz araçları (İDA) geliştirilmesinde model tabanlı sistem mühendisliği (MTSM) ile gereksinim yönetimi ve örnek olay incelemesi
Requirements management with model-based systems engineering (MBSE) in the development of unmanned surface vessels (USV) and case study
EYÜP AYDIN
Yüksek Lisans
Türkçe
2024
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
DOÇ. İSMAİL ÇİÇEK
- Sabit mıknatıslı senkron generatörlü rüzgar türbin sistemlerinin kaotik analizi ve senkronizasyonu
Chaotic analysis and synchronization in permanent magnet synchron generator of wind turbine systems
ABDALLAH MOUSSA YAYA
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Toplam kalite yönetimi ve ISO 9000 standartları
Başlık çevirisi yok
BANU ÇORBACIOĞLU
Yüksek Lisans
Türkçe
1996
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ.DR. MEHMET TANYAŞ
- Gemi makine dairesi bakım işlemlerinin verimlilik analizi
Efficiency analysis of maintenance of ship machinery systems
ÇAĞLAR KARATUĞ
Doktora
Türkçe
2023
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU