تشخيص عيب سنسورهاي گام پره‌هاي توربين بادي با استفاده از الگوريتم ماشين بردار پشتيبان و شبكه‌ي عصبي

Fault detection of wind turbine blade step sensors using support vector machine algorithm and neural network

انرژي بادي از انرژي‌هاي تجديدپـذير و سـازگار بـا محيط زيست است. اين انرژي توسط توربين‌هاي بادي به الكتريسيته تبديل مي‌شود. سيستم توربين بادي از اجزاي بسيار زيادي تشكيل شده و به عنوان يك سيستم پيچيده تلقي مي‌گردد. امكان وقوع عيب در چنين سيستم‌هايي بسيار بالا بوده و اگر وقوع عيب به موقع تشخيص داده نشود ممكن است خسارات فراواني برجاي گذاشته شود. براي تشخيص عيب تا كنون روش‌هاي زيادي ارائه شده است. يك دسته از اين روش‌ها كه نيازي به مدل صريح رياضي سيستم ندارد، تكنيك‌هاي داده‌كاوي مي‌باشد. از پركاربردترين الگوريتم‌هاي داده‌كاوي در تشخيص عيب سيستم، الگوريتم‌هاي ماشين بردار پشتيبان (SVM) و شبكه عصبي هستند. در اين مقاله تشخيص عيب توربين بادي با استفاده از اين دو روش مورد بررسي قرار گرفته است. نتايج شبيه سازي‌هاي صورت گرفته بيان‌گر عملكرد مناسب اين دو روش براي تشخيص عيب اجزاي توربين بادي مي‌باشد.

Wind energy is a renewable and environmentally friendly energy source. This energy is converted by wind turbines to electricity. The wind turbine system are made up of many components and treated as a complex system. Similar to any other complex system, wind turbines are susceptible to different types of faults that if not diagnosed and treated properly could lead to safety hazards and substantial losses. Many methods have been proposed for fault diagnosis in the past decades. A category of methods that do not explicitly require a mathematical model of the system, are data based techniques. Support Vector Machine (SVM) and Neural Networks are two of the most popular of these methods. In this article, wind turbine fault diagnosis based on SVM is developed and compared to neural networks