عيب يابي خطوط مهاري توربين بادي شناور با استفاده از روش كلاس بندي فازي

Damage Identification of the Floating Wind Turbine Mooring Line by Fuzzy Classification

پايش وضعيت سلامت سازه براي اطمينان از عملكرد درست سازه در طول عمر سرويس آن، امري ضروري مي‌باشد. اين فرآيند براي توربين‌هاي بادي شناور كه در معرض شرايط بحراني محيطي دريا قرار مي‌گيرند، از اهميت بسزايي برخوردار است. در اين پژوهش عيب‌يابي خطوط مهاري توربين بادي شناور از نوع اسپار بر پايه پاسخ ديناميكي سازه و روش كلاس‌بندي فازي پيشنهاد گرديده است. به اين منظور ابتدا معادلات غير خطي حركت سازه با استفاده از تيوري بقاي مومنتم زاويه‌اي و قانون دوم نيوتن استخراج و شبيه‌سازي گرديده است. سپس تغييرات فركانسي سازه در درجات آزادي مختلف آن به دليل تغييرات در سفتي خطوط مهاري (عيب مفروض) به عنوان مشخصه‌‌هاي ورودي به سيستم فازي در نظر گرفته شده‌است. همچنين با تنظيم توابع توزيع احتمالي هر يك از مشخصه‌ها در هر يك از كلاس‌هاي عيب تعريف شده، سيستم كلاس‌بندي فازي آموزش داده شده‌است. براي اعتبار سنجي روش عيب‌يابي، نويز با قدرت‌هاي مختلف به مشخصهها اضافه و درصد موفقيت عيب‌يابي محاسبه گرديده است. با تحليل نتايج، مشخص مي‌گردد كه سيستم پيشنهادي قادر به تشخيص درست عيب سازه با درصد قابل قبولي مي‌باشد.

Structural health monitoring is essential for ensuring the structural safety performance during the service life. The process is of paramount importance in case of the floating wind turbine due to the structural parts subjected to the marine environmental risky conditions. In this paper a fuzzy-based damage identification method using dynamic response of the Spar floating wind turbine has been proposed. In the first step, the nonlinear equations of motion of the floating wind turbine system derived using the theorem of conservation of angular momentum and Newton’s second law. Then the variation values of the frequency characteristics of the structure in each DOFs due to stiffness changes of mooring lines (simulated damage) are considered as input features to the fuzzy system. Also the fuzzy system was trained based on calibrating of the membership functions by defining the damage classes properly. For validating the proposed method, noise with different SNRs was contaminated to the measured features and the success rate of the damage detection was calculated. The results showed that the proposed method is able to identify the damage classes with acceptable success rate.