KR102097595B1 - 풍력발전기 진단방법 - Google Patents

풍력발전기 진단방법 Download PDF

Info

Publication number
KR102097595B1
KR102097595B1 KR1020190063206A KR20190063206A KR102097595B1 KR 102097595 B1 KR102097595 B1 KR 102097595B1 KR 1020190063206 A KR1020190063206 A KR 1020190063206A KR 20190063206 A KR20190063206 A KR 20190063206A KR 102097595 B1 KR102097595 B1 KR 102097595B1
Authority
KR
South Korea
Prior art keywords
power generator
wind power
wind
abnormal
defect
Prior art date
Application number
KR1020190063206A
Other languages
English (en)
Inventor
서윤호
김상렬
마평식
이성현
김봉기
김현실
김재승
Original Assignee
한국기계연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국기계연구원 filed Critical 한국기계연구원
Priority to KR1020190063206A priority Critical patent/KR102097595B1/ko
Application granted granted Critical
Publication of KR102097595B1 publication Critical patent/KR102097595B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • F03D80/50—Maintenance or repair
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/303—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/333—Noise or sound levels
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/30—Control parameters, e.g. input parameters
    • F05B2270/334—Vibration measurements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Wind Motors (AREA)

Abstract

본 발명은 풍력발전기 진단방법에 관한 것이다. 본 발명의 목적은 장시간 축적된 풍력발전기의 결함 데이터를 활용하여 기계학습 모델을 구축하고, 훈련을 통해 결함 인식 패턴을 스스로 업그레이드하면서 풍력발전기의 결함 진단을 수행하는, 풍력발전기 진단방법을 제공함에 있다. 특히 본 발명의 목적은, 풍력발전기의 다양한 결함원인에 대하여 각각 별도의 결함모드에 대한 단독훈련이 이루어지도록 함으로써 학습효율을 개선시킨, 풍력발전기 진단방법을 제공함에 있다.

Description

풍력발전기 진단방법 {Diagnosis method for wind generator}
본 발명은 풍력발전기 진단방법에 관한 것으로, 보다 상세하게는 풍력발전기에 대한 다양한 데이터를 바탕으로 보다 효과적으로 풍력발전기의 상태를 진단할 수 있도록 하는 풍력발전기 진단방법에 관한 것이다.
풍력발전기란 바람을 받는 블레이드가 회전함으로써 회전축에 연결된 발전기를 통해 발전을 하는 장치를 가리킨다. 도 1은 일반적인 풍력발전기를 간략하게 도시하고 있다. 도시된 바와 같이 풍력발전기는, 회전축에 구비되어 바람에 의해 회전되는 복수 개의 블레이드, 회전축에 연결되어 전기를 생산하는 발전기를 포함한다. 도 2는 풍력발전기의 내부 구조를 간략하게 도시한 것으로, 도시된 바와 같이 풍력발전기의 내부에는, 블레이드(1)가 연결되는 저속축(2), 상기 저속축(2)의 회전을 고속 회전으로 변환하는 기어박스(3), 상기 기어박스(3)에 의하여 상기 저속축(2)의 회전이 변환 전달됨으로써 고속으로 회전하는 고속축(4), 상기 고속축(4)에 연결되어 발전을 수행하는 발전기(5)가 구비된다.
풍력발전기는 수시로 풍속 및 풍향이 변화하는 바람을 계속 받도록 이루어져 있으며, 이러한 바람에 의한 진동, 충격, 하중편향 등의 요인에 의하여 풍력발전기의 고장이 발생하는 것은 자명하다. 그런데 풍속 및 풍향 값은, 거시적인 관점에서는 어느 정도 예측이 가능하다 할지라도 미시적인 관점에서는 실질적으로 매우 무작위적으로 변화하는 값으로서 거의 예측이나 패턴을 찾는 것이 불가능한 변화 양상을 가지는 값이다. 따라서 풍력발전기에서 발생하는 고장을 제대로 감시하고 진단하는 것은 쉽지 않다.
한국특허공개 제2017-0084955호("풍력 발전기의 고장 진단 방법 및 장치", 2017.07.21.)에서는 풍력발전기에 연결된 복수의 센서에 의해 감지되는 진동주파수, 센싱값 및 입력풍속에 따른 파워레벨을 이용하여, 퍼지 이론에 기반하여 고장을 진단하는 방법이 개시된다. 또한 일본특허공개 제2017-122635호("풍력 발전 설비의 이상 진단 장치", 2017.07.13.)에서는 풍력발전기 이상을 진단하기 위하여 메인베어링, 증속기 입력단, 증속기 출력단, 발전기 입력단 4곳에서 각각 직교 위치에 설치된 적어도 8개의 진동센서들을 구비하여 감시하는 장치가 개시된다.
그러나 이러한 선행문헌들에 기반한 기술 역시, 상술한 바와 같이 매우 변화 양상이 높은 바람에 의해 발생되는 복잡다단한 풍력발전기 고장 요인을 제대로 진단하기에는 모자람이 있다. 특히 선행문헌에 기반한 기술의 경우, 새로운 부품이 추가되는 등의 변화가 발생하였을 때 이를 새롭게 진단하기 위한 새로운 구조물이나 알고리즘을 꾸미기가 쉽지 않아, 다양한 풍력발전기에 쉽게 적용이 어려운 문제가 있었다. 이에 따라 보다 신뢰도 높은 풍력발전기 진단 방법에 관한 요구가 당업자 사이에서 꾸준히 커지고 있는 실정이다.
1. 한국특허공개 제2017-0084955호("풍력 발전기의 고장 진단 방법 및 장치", 2017.07.21.) 2. 일본특허공개 제2017-122635호("풍력 발전 설비의 이상 진단 장치", 2017.07.13.)
따라서, 본 발명은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 장시간 축적된 풍력발전기의 결함 데이터를 활용하여 기계학습 모델을 구축하고, 훈련을 통해 결함 인식 패턴을 스스로 업그레이드하면서 풍력발전기의 결함 진단을 수행하는, 풍력발전기 진단방법을 제공함에 있다. 특히 본 발명의 목적은, 풍력발전기의 다양한 결함원인에 대하여 각각 별도의 결함모드에 대한 단독훈련이 이루어지도록 함으로써 학습효율을 개선시킨, 풍력발전기 진단방법을 제공함에 있다.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 풍력발전기 진단방법은, 블레이드, 상기 블레이드가 연결되는 저속축, 상기 저속축의 회전을 고속 회전으로 변환하는 상기 기어박스, 상기 기어박스에 의하여 상기 저속축의 회전이 변환 전달됨으로써 고속으로 회전하는 고속축, 상기 고속축에 연결되어 발전을 수행하는 발전기를 포함하는 풍력발전기의 진단방법에 있어서, 상기 풍력발전기의 시운전 또는 시뮬레이션을 통해 기설정된 측정변수에 대한 신호패턴자료가 누적적으로 획득되는 자료획득단계; 상기 신호패턴자료로부터 상기 풍력발전기의 복수 개의 이상상태에 따른 각각 별도의 결함모드가 병렬적으로 도출되어 진단모델이 구축되는 모델구축단계; 상기 풍력발전기의 운용을 통해 상기 측정변수가 측정되어 상기 진단모델에 입력되고 상기 결함모드에서 상태해결 값이 도출되거나 새로운 별도의 상기 결함모드가 추가됨으로써, 상기 진단모델에서 각각의 상기 결함모드 별로 독립적인 기계학습이 이루어지는 학습훈련단계; 를 포함할 수 있다.
이 때 상기 학습훈련단계는, 상기 풍력발전기가 운용되면서 상기 측정변수가 측정되는 변수측정단계, 측정된 상기 측정변수가 상기 진단모델에 입력되고, 상기 측정변수가 나타내는 상태가 상기 진단모델에 기구축된 복수 개의 상기 결함모드 중 하나에 해당하는지 또는 신규 결함모드인지 판단되는 신규확인단계, 신규 결함모드가 아닌 경우, 상기 측정변수가 상기 진단모델에 기구축된 복수 개의 상기 결함모드 중 하나에 입력되어 상기 상태해결 값이 도출되는 결과도출단계를 포함할 수 있다. 또한 이 때 상기 학습훈련단계는, 신규 결함모드인 경우, 상기 신규 결함모드가 상기 진단모델에 추가되는 모드추가단계를 포함할 수 있다.
또한 상기 풍력발전기 진단방법은, 빅데이터 형식의 상기 신호패턴자료에 은닉 마르코프 모델(Hidden Markov Model) 기법이 적용됨으로써 상기 결함모드가 도출되어 상기 진단모델이 구축될 수 있다.
또한 상기 학습훈련단계는, 상기 풍력발전기가 운용되면서 상기 측정변수가 측정되는 변수측정단계, 측정된 상기 측정변수가 상기 결함모드에 입력되어 상기 상태해결 값이 도출되는 결과도출단계, 상기 상태해결 값의 적부가 판단되는 적부판단단계, 상기 상태해결 값이 부적합한 경우, 상기 결함모드가 적합한 상태해결 값을 도출하도록 갱신되는 모델갱신단계를 포함할 수 있다.
또한 상기 측정변수는, 상기 풍력발전기의 부품 및 위치에 따라 독립적으로 설치된 복수 개의 센서로부터 측정된 진동, 온도, 전압, 전류, 회전수, 소음 및 상기 풍력발전기에 입력되는 풍속, 풍향을 포함할 수 있다.
또한 상기 이상상태는, 상기 풍력발전기에 포함되는 부품 중 어느 부품에서 이상이 발생하였는지가 판단되기 위한 이상부품 별, 상기 이상부품 내 어느 위치에서 이상이 발생하였는지가 판단되기 위한 이상위치 별, 경미함에서 심각함까지의 범위 중 어느 정도의 이상이 발생하였는지가 판단되기 위한 이상종류 별에 따라 구분될 수 있다.
이 때 상기 이상상태는, 복수 개의 상기 측정변수에 각각 별도의 가중치가 곱해져 더해짐으로써 도출된 상태진단 값이 기설정된 상태기준 범위에 해당하는지의 여부에 따라 상기 이상상태가 발생하였는지의 여부가 결정될 수 있다. 또한 이 때 상기 이상상태는, 상기 이상부품 별, 상기 이상위치 별, 상기 이상종류 별로 상기 가중치 값이 각각 독립적으로 결정될 수 있다.
본 발명에 의하면, 장시간 축적된 풍력발전기의 결함 데이터를 활용하여 기계학습 모델을 구축하고, 훈련을 통해 결함 인식 패턴을 스스로 업그레이드하면서 풍력발전기의 결함 진단을 수행함으로써, 단순히 통합적 진단 결과를 표시하는 수준에서 그치지 않고, 이상발생, 이상부품, 이상위치, 이상종류 등으로 분화 및 상세화된 진단결과를 도출할 수 있게 되는 효과가 있다. 이러한 상세한 진단결과를 통해 사용자가 풍력발전기의 상태를 보다 상세하고 면밀하게 살펴볼 수 있어 풍력발전기의 유지보수가 종래에 비해 훨씬 원활하게 이루어질 수 있으며, 궁극적으로는 풍력발전기를 거의 항상 최상의 상태에서 운용하여 경제적 효과를 극대화할 수 있다.
뿐만 아니라 본 발명에 의하면, 풍력발전기의 다양한 결함원인에 대하여 각각 별도의 결함모드에 대한 단독훈련이 이루어지도록 함으로써 학습시간을 비약적으로 단축하여 학습효율을 크게 개선하는 효과가 있다. 특히 이와 같이 별도의 결함모드에 대한 단독훈련 방식을 도입함으로써, 풍력발전기에 새로운 부품이 추가되는 등의 구조적 변화가 발생한다 하더라도, 전체 학습모델을 변경할 필요가 없이 새로운 결함모드를 추가하기만 하면 되기 때문에, 다양한 풍력발전기 및 추가부품에 대한 적응성 및 호환성이 극대화되는 효과 또한 있다.
도 1은 일반적인 풍력발전기.
도 2는 풍력발전기의 내부 구조.
도 3은 본 발명의 풍력발전기 진단방법의 전체 흐름도.
도 4는 종래의 신경망 확장구조에서의 결함모드 추가 시 훈련 모식도.
도 5는 본 발명의 병렬식 확장구조에서의 결함모드 추가 시 훈련 모식도.
이하, 상기한 바와 같은 구성을 가지는 본 발명에 의한 풍력발전기 진단방법을 첨부된 도면을 참고하여 상세하게 설명한다.
도 3은 본 발명의 풍력발전기 진단방법의 전체 흐름도를 도시하고 있다. 도시된 바와 같이 본 발명의 풍력발전기 진단방법은, 자료획득단계, 모델구축단계, 학습훈련단계를 포함하며, 풍력발전기 운용 중에 모드추가단계가 더 수행될 수 있다.
상기 자료획득단계에서는, 상기 풍력발전기의 시운전 또는 시뮬레이션을 통해 기설정된 측정변수에 대한 신호패턴자료가 누적적으로 획득된다. 이 때 상기 측정변수는 상기 풍력발전기의 상태를 진단하기 위한 것으로서 사용자에 의해 적절히 결정될 수 있다. 상기 측정변수의 구체적인 예를 들자면, 상기 풍력발전기의 부품 및 위치에 따라 독립적으로 설치된 복수 개의 센서로부터 측정된 진동, 온도, 전압, 전류, 회전수, 소음 등과 같은 값들이나, 상기 풍력발전기에 입력되는 풍속, 풍향 등과 같은 값들도 포함될 수 있다. 물론 이는 예시적으로 서술한 것으로, 상기 풍력발전기의 상태를 효과적으로 진단할 수 있는 것이라면 다른 어떤 것이 상기 측정변수로 채택되어도 무방하다. 이와 같이 획득된 상기 신호패턴자료는 일종의 빅데이터가 된다.
상기 모델구축단계에서는, 상기 신호패턴자료로부터 상기 풍력발전기의 복수 개의 이상상태에 따른 각각 별도의 결함모드가 병렬적으로 도출되어 진단모델이 구축된다. 보다 구체적으로는, 빅데이터 형식의 상기 신호패턴자료에 은닉 마르코프 모델(Hidden Markov Model, HMM) 기법이 적용됨으로써 상기 결함모드가 도출되어 상기 진단모델이 구축될 수 있다. 은닉 마르코프 모델이란, 상태(state)정보가 은닉된 통계적 마르코프 모델을 말한다. 기본 마르코프 모델에서는 시간(t)에 따른 상태정보가 관찰되나, 은닉 마르코프 모델에서는 상태정보가 숨겨져 있고 출력(output)정보만 관찰되는 것으로, 따라서 출력정보만을 가지고 숨겨진 상태정보를 추정한다. 은닉 마르코프 모델은 음성 인식, 자연어 처리, 몸짓 인식(gesture recognition) 등과 같이 대량으로 출력된 데이터를 통계적으로 패턴 분석하여 입력된 정보를 추론하는 데에 응용된다. 예로, 음성 인식 분야에서는 주어진 음성의 문자열(은닉 상태)을 찾기 위해 음성 신호의 변동을 확률 변수로 취급하여 입력 음성의 흔들림 등이 잘 분석된다. 상술한 바와 같이 본 발명에서 얻어진 상기 신호패턴자료는 빅데이터 형식으로 된 자료이기 때문에, 통계기반 기법인 은닉 마르코프 모델을 적용하기에 적합하다.
이 때 상기 모델구축단계에서 도출되는 상기 결함모드에 대하여 보다 구체적으로 설명하면 다음과 같다. 상기 모델구축단계는, 상기 자료획득단계에서 얻어진 빅데이터, 즉 시운전이나 시뮬레이션을 통해 어떤 상태일 때 어떤 결과가 나온다는 인과가 이미 알려져 있는 데이터를 기반으로 이루어진다. 즉 상기 풍력발전기가 정상적으로 작동하고 있을 때가 언제인지 알고 있으며, 따라서 정상운용 중에 진동, 소음, 전류 등 다양한 상기 측정변수의 신호패턴이 어떻게 나오는지 알고 있다. 한편으로, 예를 들어 메인베어링에 윤활이 부족할 때 진동 및 소음의 신호패턴이 어떻게 나오는지, 기어박스 내 어떤 기어의 어느 위치 기어이빨이 손상되었을 때 진동 및 전류의 신호패턴이 어떻게 나오는지 등, 어떤 이상상태일 때 어떤 측정변수에서 어떤 신호패턴이 발생하는지 알고 있다. 이 때 [어떤 이상상태일 때] / [어떤 측정변수에서 어떤 신호패턴이 발생한다]는 것 자체가 하나의 결함모드가 될 수 있다. 예를 들어 [메인베어링에 윤활이 부족할 때(이상상태)] / [진동 및 소음 값이(측정변수) 100Hz에서 피크가 발생한다(신호패턴)]가 하나의 결함모드로 도출되었다고 한다면, (이후 보다 상세히 설명되겠지만) 추후에 상기 풍력발전기 운용 중에 [진동 및 소음 값이 100Hz에서 피크가 발생한다]는 상황이 발생하면 [메인베어링에 윤활이 부족하다]는 이상상태가 발생하였다고 판단하고 [메인베어링에 윤활제를 투여한다]는 상태해결 값이 도출될 수 있게 된다.
또한 본 발명에서의 상기 이상상태에 대하여 보다 구체적으로 상세히 설명하면 다음과 같다. 종래와는 달리 본 발명에서 상기 이상상태는, 매우 분화 및 상세화된 다양한 상태들을 모두 포함할 수 있다. 종래에는 예를 들어 베어링에 가속도계 센서를 붙여서 베어링에서 발생되는 진동 값을 측정하고, 진동신호의 패턴이 정상패턴을 벗어나면 베어링이 고장났다고 인식하는 수준의 진단이 이루어졌다. 그러나 본 발명에서는, 다양한 상기 측정변수들에 대한 다양한 상기 신호패턴자료를 기반으로 하여, 베어링(이상부품) 중에서도 내부의 어느 위치(이상위치)에 경미하게 긁힌 정도의 고장(이상종류)이 발생했다고 인식하는 수준까지 매우 분화 및 상세화된 상태진단 값을 도출하고, 이를 이용하여 베어링 자체를 교체할 것인지 아니면 윤활제를 적절히 추가할 것인지(상태해결)를 도출할 수 있고자 한다.
이를 위하여 본 발명에서는, 상기 이상상태는, 상기 풍력발전기에 포함되는 부품 중 어느 부품에서 이상이 발생하였는지가 판단되기 위한 이상부품 별, 상기 이상부품 내 어느 위치에서 이상이 발생하였는지가 판단되기 위한 이상위치 별, 경미함에서 심각함까지의 범위 중 어느 정도의 이상이 발생하였는지가 판단되기 위한 이상종류 별에 따라 구분된다. 구체적인 예를 들자면, 상기 이상부품이란 [기어박스 내 여러 기어들, 각부 베어링들, 각 축들, 블레이드, 발전기] 등이 될 수 있다. 또한 상기 이상위치란 그 부품 내에서의 위치를 말하는 것으로, 예를 들어 상기 이상부품이 기어라면 [기어박스 내 2번째 기어의 대략 12~30번째 기어이빨 위치] 등과 같은 것이 될 수 있다. 상기 이상종류란, 예를 들어 상기 이상부품이 기어이고 상기 이상위치가 몇 번째 기어이빨이라고 한다면 [해당 기어이빨이 회전시마다 살짝 긁히고 있는 정도인지, 해당 기어이빨 하나가 완전히 부러진 것인지] 등이 될 수 있다.
이처럼 본 발명에서는 이상부품, 이상위치, 이상종류를 구분함으로써 이상상태를 면밀히 상세화 및 분화할 수 있다. 종래에는, 예를 들어 [기어박스에서 발생되는 진동이 정상패턴을 벗어났다]는 상태진단 값이 도출되었다면, [기어를 교체한다]는 상태해결 값이 도출되는 수준의, 상당히 러프(rough)한 진단이 이루어지는 수준이었다. 그러나 본 발명에 의하면, 상술한 바와 같이 기어박스 진동, 소음 등의 측정변수가, 상기 신호패턴자료를 기반으로 하여 도출된 상기 결함모드에 입력되고, [이상부품은 기어박스 내 2번째 기어 / 이상위치는 대략 12~30번째 기어이빨 위치 / 이상종류는 해당 기어이빨이 회전시마다 살짝 긁히고 있는 정도]라는 상태진단 값이 도출됨에 따라, [윤활부족이므로 윤활제를 투여한다]는 상태해결 값이 도출될 수 있다. 또는 상술한 예시에서 이상부품, 이상위치는 동일하되 이상종류가 [해당 기어이빨 하나가 완전히 부러진 것]이라는 상태진단 값이 도출된다면, [기어를 교체해야 한다]는 상태해결 값이 도출될 수 있다. 즉, 종래에는 단순히 [어떤 부품에 설치된 센서 신호가 정상범위가 아니다]는 상태진단 값이 도출되면 [해당 부품을 교체한다]는 상태해결 값이 도출될 뿐이었다면, 본 발명에서는 동일한 부품에서 이상상태가 발생된다 하더라도 이상위치, 이상종류 등을 더욱 면밀히 분석함으로써 [윤활제를 투여한다 / 해당 부품을 교체한다] 등과 같이 다양한 상태에 대해 보다 적합한 상태해결 값을 도출할 수 있다. 요약하자면, 본 발명에 의하면 종래에 비해 훨씬 풍력발전기의 상태에 대해 면밀하게 분화 및 세분화된 상태를 진단해 낼 수 있는 것이다.
상기 학습훈련단계에서는, 상기 풍력발전기의 운용을 통해 상기 측정변수가 측정되어 상기 진단모델에 입력되고 상기 결함모드에서 상태해결 값이 도출되거나 새로운 별도의 상기 결함모드가 추가됨으로써, 상기 진단모델에서 각각의 상기 결함모드 별로 독립적인 기계학습이 이루어진다. 보다 구체적으로, 상기 학습훈련단계는, 도 3에 도시된 바와 같이 변수측정단계, 신규확인단계, 결과도출단계, 모드추가단계를 포함할 수 있다.
상기 변수측정단계에서는, 상기 풍력발전기가 운용되면서 상기 측정변수가 측정된다. 구체적인 예를 들자면, 고속축을 지지하는 메인베어링이나 기어박스, 발전기 등에 가속도계 센서가 설치되어 메인베어링 등에서 발생되는 진동 값을 측정하거나, 발전기에서 발생되는 전류 값을 측정하거나, 입력되는 풍속 값을 측정하는 등과 같은 식으로, 다양한 상기 측정변수에 대한 실제 측정값들이 새롭게 누적적으로 획득되게 된다. 이 때 사용되는 풍속 및 전류 등의 센서들은 풍력발전기의 기본적인 제어에 사용되는 것으로 대부분의 대형 풍력발전기에 설치되어 있다.
상기 신규확인단계에서는, 측정된 상기 측정변수가 상기 진단모델에 입력되고, 상기 측정변수가 나타내는 상태가 상기 진단모델에 기구축된 복수 개의 상기 결함모드 중 하나에 해당하는지 또는 신규 결함모드인지 판단된다. 앞서 설명한 예시에서와 같이, 상기 모델구축단계에서 구축된 상기 진단모델에는, [어떤 이상상태일 때] / [어떤 측정변수에서 어떤 신호패턴이 발생한다]는 결함모드가, 다양한 이상상태 별로 만들어져 기구축되어 있다. 따라서 상기 풍력발전기 운용 중에 발생된 상기 측정변수의 신호패턴(즉 상기 측정변수가 나타내는 상태)을 상기 진단모델에 넣으면 복수 개의 상기 결함모드 중 어떤 것에 해당하는지 아닌지를 원활하게 판단할 수 있다.
먼저 신규 결함모드가 아닌 경우, 상기 측정변수가 상기 진단모델에 기구축된 복수 개의 상기 결함모드 중 하나에 입력되어 상기 상태해결 값이 도출되는 결과도출단계가 수행되며, 이를 통해 이상상태가 해결된다. 앞서 설명한 예시를 단계별로 설명하자면 다음과 같다. 상기 모델구축단계에서는, 상기 진단모델에 [메인베어링에 윤활이 부족할 때(이상상태)] / [진동 및 소음 값이(측정변수) 100Hz에서 피크가 발생한다(신호패턴)]가 결함모드K로 기구축된다. 이후 상기 풍력발전기가 운용되고, 상기 변수측정단계에서 다양한 상기 측정변수가 측정된다. 이 때 [진동 및 소음 값이 100Hz에서 피크가 발생한다]는 상황이 발생하였다고 한다면, 상기 신규확인단계에서 이 상황이 결함모드K에 해당함을 쉽게 판단해 낼 수 있으며, 물론 이에 따라 신규 결함모드가 아님을 알 수 있다. 그러면 결함모드K로부터 [메인베어링에 윤활이 부족하다]는 이상상태가 발생한 것임을 알 수 있고, 따라서 [메인베어링에 윤활제를 투여한다]는 상태해결 값이 도출되어 이상상태가 해결된다.
한편 신규 결함모드인 경우, 상기 신규 결함모드가 상기 진단모델에 추가되는 모드추가단계가 수행된다. 이 때, 앞서 본 발명의 풍력발전기 진단방법에서는 상기 풍력발전기의 복수 개의 이상상태에 따른 각각 별도의 결함모드가 병렬적으로 도출되어 진단모델이 구축된다고 설명하였다. 이와 같이 각각의 이상상태에 따라 별도의 결함모드가 병렬적으로 도출되어 각각 독립적으로 학습되게 하는 병렬적 확산구조를 적용함으로써, 종래에 신경망 확산구조를 적용하는 진단모델에 비해 비약적으로 학습효율을 향상시킬 수 있다. 도 4 및 도 5를 참조하여 보다 상세히 설명하면 다음과 같다.
도 4는 종래의 신경망 확장구조에서의 결함모드 추가 시 훈련 모식도를 도시하고 있다. 도시된 바와 같이 종래의 신경망 확장구조에서는 정상상태 및 모든 결함모드가 연결되어 있다. 이에 따라, [정상/비정상] 훈련이 진행되다가, 풍력발전기 운용 중 새로운 고장사례, 즉 새로운 이상상태(fault1)가 발생하는 경우, 진단모델은 [정상/fault1/(fault1을 제외한)비정상]으로 구축된다. 결과적으로, 새로운 이상상태가 추가될 경우, 종래의 신경망 확장구조에서는 전체 진단모델을 전부 다시 학습시켜야 하는 것이다.
도 5는 본 발명의 병렬식 확장구조에서의 결함모드 추가 시 훈련 모식도를 도시하고 있다. 도시된 바와 같이 본 발명의 병렬식 확장구조에서는, 정상상태 / 결함모드1 / 결함모드2 / … 등이 모두 병렬적으로 도출되어 독립적인 학습이 이루어지도록 진단모델이 구축된다. 즉 진단모델을 구축하는 단계에서 이미 각각의 결함모드가 모두 서로 독립적으로 이루어져 있는 것이다. 예를 들어 풍력발전기 가동 초기에는 정상 상태의 데이터만을 획득했기 때문에, 이를 이용하여 정상 상태인지 아닌지를 판단하는 은닉 마르코프 모델을 구축할 수 있다. 이후 정상이 아닌 이상(결함 모드1이라 칭할 수 있음)이 발견되면, 새로운 은닉 마르코프 모델(도 5의 결함모드1 HMM)을 구축하여 결함모드1인지 아닌지를 판단할 수 있다. 즉, 순차적으로 정상인지 판단하고, 이상이 생기면, 결함모드1인지 판단하고, 아니면 결함모드 2인지 판단하는 방식으로 결함모드의 종류를 구별할 수 있다. 즉 순차적인 이종 판단기(binary classifier)를 이용하여, 다양한 결함모드를 구분할 수 있는 것이다. 따라서 새로운 이상상태(faultN)가 발생하는 경우, 단순히 새로운 결함모드N을 추가하고 상기 결함모드N만 별도로 학습시키면 된다. 이는 전체 진단모델을 전부 다시 학습시키는 것에 비해 학습시간을 훨씬 저감시켜 줄 수 있다. 즉 본 발명의 병렬식 확장구조를 도입한 진단방법은, 종래의 신경망 확장구조를 적용한 진단방법에 비해 학습효율을 비약적으로 향상시킬 수 있는 것이다.
본 발명은 상기한 실시예에 한정되지 아니하며, 적용범위가 다양함은 물론이고, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이다.
1: 블레이드 2: 저속축
3: 기어박스 4: 고속축
5: 발전기

Claims (6)

  1. 블레이드, 상기 블레이드가 연결되는 저속축, 상기 저속축의 회전을 고속 회전으로 변환하는 기어박스, 상기 기어박스에 의하여 상기 저속축의 회전이 변환 전달됨으로써 고속으로 회전하는 고속축, 상기 고속축에 연결되어 발전을 수행하는 발전기를 포함하는 풍력발전기의 진단방법에 있어서,
    상기 풍력발전기의 시운전 또는 시뮬레이션을 통해 기설정된 측정변수에 대한 신호패턴자료가 누적적으로 획득되는 자료획득단계;
    상기 신호패턴자료로부터 상기 풍력발전기의 복수 개의 이상상태에 따른 각각 별도의 결함모드가 병렬적으로 도출되어 진단모델이 구축되는 모델구축단계;
    상기 풍력발전기의 운용을 통해 상기 측정변수가 측정되어 상기 진단모델에 입력되고 상기 결함모드에서 상태해결 값이 도출되거나 새로운 별도의 상기 결함모드가 추가됨으로써, 상기 진단모델에서 각각의 상기 결함모드 별로 독립적인 기계학습이 이루어지는 학습훈련단계;
    를 포함하며,
    상기 이상상태는,
    상기 풍력발전기에 포함되는 부품 중 어느 부품에서 이상이 발생하였는지가 판단되기 위한 이상부품 별,
    상기 이상부품 내 어느 위치에서 이상이 발생하였는지가 판단되기 위한 이상위치 별,
    경미함에서 심각함까지의 범위 중 어느 정도의 이상이 발생하였는지가 판단되기 위한 이상종류 별에 따라 구분되는 것을 특징으로 하는 풍력발전기 진단방법.
  2. 제 1항에 있어서, 상기 학습훈련단계는,
    상기 풍력발전기가 운용되면서 상기 측정변수가 측정되는 변수측정단계,
    측정된 상기 측정변수가 상기 진단모델에 입력되고, 상기 측정변수가 나타내는 상태가 상기 진단모델에 기구축된 복수 개의 상기 결함모드 중 하나에 해당하는지 또는 신규 결함모드인지 판단되는 신규확인단계,
    신규 결함모드가 아닌 경우, 상기 측정변수가 상기 진단모델에 기구축된 복수 개의 상기 결함모드 중 하나에 입력되어 상기 상태해결 값이 도출되는 결과도출단계
    를 포함하는 것을 특징으로 하는 풍력발전기 진단방법.
  3. 제 2항에 있어서, 상기 학습훈련단계는,
    신규 결함모드인 경우, 상기 신규 결함모드가 상기 진단모델에 추가되는 모드추가단계
    를 포함하는 것을 특징으로 하는 풍력발전기 진단방법.
  4. 제 1항에 있어서, 상기 풍력발전기 진단방법은,
    빅데이터 형식의 상기 신호패턴자료에 은닉 마르코프 모델(Hidden Markov Model) 기법이 적용됨으로써 상기 결함모드가 도출되어 상기 진단모델이 구축되는 것을 특징으로 하는 풍력발전기 진단방법.
  5. 제 1항에 있어서, 상기 측정변수는,
    상기 풍력발전기의 부품 및 위치에 따라 독립적으로 설치된 복수 개의 센서로부터 측정된 진동, 온도, 전압, 전류, 회전수, 소음 및 상기 풍력발전기에 입력되는 풍속, 풍향을 포함하는 것을 특징으로 하는 풍력발전기 진단방법.
  6. 삭제
KR1020190063206A 2019-05-29 2019-05-29 풍력발전기 진단방법 KR102097595B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190063206A KR102097595B1 (ko) 2019-05-29 2019-05-29 풍력발전기 진단방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190063206A KR102097595B1 (ko) 2019-05-29 2019-05-29 풍력발전기 진단방법

Publications (1)

Publication Number Publication Date
KR102097595B1 true KR102097595B1 (ko) 2020-05-26

Family

ID=70914833

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190063206A KR102097595B1 (ko) 2019-05-29 2019-05-29 풍력발전기 진단방법

Country Status (1)

Country Link
KR (1) KR102097595B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861350A (zh) * 2021-02-08 2021-05-28 华侨大学 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
KR102422918B1 (ko) 2021-11-22 2022-07-21 한국기계연구원 풍력발전기의 블레이드 감시장치 및 방법
WO2022203294A1 (en) * 2021-03-24 2022-09-29 Korea Institute Of Energy Research Prediction method and systems of wind turbine load and life-time based on vibration data
CN115935807A (zh) * 2021-06-28 2023-04-07 山东华科信息技术有限公司 基于图马尔可夫神经网络的诊断模型的训练方法
CN116401536A (zh) * 2023-06-08 2023-07-07 华电电力科学研究院有限公司 一种风电机组风速计的故障诊断方法、装置及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101505975B1 (ko) * 2014-05-30 2015-03-26 충남대학교산학협력단 엔진 고장 진단 방법 및 고장 진단 시스템
KR20150056818A (ko) * 2012-09-17 2015-05-27 지멘스 코포레이션 센서 데이터에 기초한 터빈 시스템 진단을 위한 아키텍처
KR101599210B1 (ko) * 2015-07-08 2016-03-03 한국기계연구원 풍력발전기의 이상 진단을 위한 알람 설정 방법
KR20170084955A (ko) 2016-01-13 2017-07-21 목포대학교산학협력단 풍력 발전기의 고장 진단 방법 및 장치
KR20170122635A (ko) 2016-04-27 2017-11-06 파오카이 일렉트로닉 엔터프라이즈 컴퍼니 리미티드 게임기 관리 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150056818A (ko) * 2012-09-17 2015-05-27 지멘스 코포레이션 센서 데이터에 기초한 터빈 시스템 진단을 위한 아키텍처
KR101505975B1 (ko) * 2014-05-30 2015-03-26 충남대학교산학협력단 엔진 고장 진단 방법 및 고장 진단 시스템
KR101599210B1 (ko) * 2015-07-08 2016-03-03 한국기계연구원 풍력발전기의 이상 진단을 위한 알람 설정 방법
KR20170084955A (ko) 2016-01-13 2017-07-21 목포대학교산학협력단 풍력 발전기의 고장 진단 방법 및 장치
KR20170122635A (ko) 2016-04-27 2017-11-06 파오카이 일렉트로닉 엔터프라이즈 컴퍼니 리미티드 게임기 관리 시스템

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861350A (zh) * 2021-02-08 2021-05-28 华侨大学 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
CN112861350B (zh) * 2021-02-08 2023-03-07 华侨大学 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
WO2022203294A1 (en) * 2021-03-24 2022-09-29 Korea Institute Of Energy Research Prediction method and systems of wind turbine load and life-time based on vibration data
KR20220132847A (ko) * 2021-03-24 2022-10-04 한국에너지기술연구원 진동기반 풍력터빈 하중 및 수명 예측방법 및 시스템
KR102456262B1 (ko) * 2021-03-24 2022-10-20 한국에너지기술연구원 진동기반 풍력터빈 하중 및 수명 예측방법 및 시스템
CN115935807A (zh) * 2021-06-28 2023-04-07 山东华科信息技术有限公司 基于图马尔可夫神经网络的诊断模型的训练方法
KR102422918B1 (ko) 2021-11-22 2022-07-21 한국기계연구원 풍력발전기의 블레이드 감시장치 및 방법
CN116401536A (zh) * 2023-06-08 2023-07-07 华电电力科学研究院有限公司 一种风电机组风速计的故障诊断方法、装置及系统
CN116401536B (zh) * 2023-06-08 2023-08-15 华电电力科学研究院有限公司 一种风电机组风速计的故障诊断方法、装置及系统

Similar Documents

Publication Publication Date Title
KR102097595B1 (ko) 풍력발전기 진단방법
Saidi et al. Wind turbine high-speed shaft bearings health prognosis through a spectral Kurtosis-derived indices and SVR
Villa et al. Statistical fault diagnosis based on vibration analysis for gear test-bench under non-stationary conditions of speed and load
CN110469462A (zh) 一种基于多模板的风电机组智能状态监测系统
Chen et al. Diagnosing planetary gear faults using the fuzzy entropy of LMD and ANFIS
Kiselev et al. Technical diagnostics functioning machines and mechanisms
Papatzimos et al. Data insights from an offshore wind turbine gearbox replacement
Abid et al. Fault prognostics for the predictive maintenance of wind turbines: State of the art
Zhukovskiy et al. The probability estimate of the defects of the asynchronous motors based on the complex method of diagnostics
CN107036808A (zh) 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法
Leonidovich et al. The development and use of diagnostic systems and estimation of residual life in industrial electrical equipment
Khamidov et al. Locomotive asynchronous traction motor rolling bearing fault detection based on current intelligent methods
Amin et al. Wind turbine gearbox fault diagnosis using cyclostationary analysis and interpretable CNN
Amin et al. Vibration-based condition monitoring in wind turbine gearbox using convolutional neural network
Koukoura et al. Wind turbine intelligent gear fault identification
Cao et al. Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator
CN110794683A (zh) 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法
US11339763B2 (en) Method for windmill farm monitoring
Magadán et al. Early fault classification in rotating machinery with limited data using TabPFN
Koukoura et al. Wind turbine gearbox vibration signal signature and fault development through time
Zhang et al. Probability warning for wind turbine gearbox incipient faults based on SCADA data
CN113994088A (zh) 用于对风涡轮机的部件进行计算机实现的监测的方法
CN113557420A (zh) 基于专家知识的用于旋转机器的自动健康状态分类器
Cianetti et al. Dynamic behavior of wind turbines. An on-board evaluation technique to monitor fatigue
KR20210132486A (ko) 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법

Legal Events

Date Code Title Description
GRNT Written decision to grant