Multimodale neuraal netwerkgebaseerde foutdetectie van windturbinelagers

Betrouwbare hernieuwbare energie, onder andere geleverd door windturbines, is een onderwerp dat belangrijk is voor de volledige samenleving. In deze thesis wordt onderzoek gedaan naar een betrouwbaar en robuust foutdetectiesysteem. Immers, hoe sneller een beginnend mankement van (offshore) windturbines opgespoord wordt, hoe kleiner de downtime en onderhoudskosten. Hierbij is het belangrijk dat het detectiesysteem volledig onafhankelijk werkt en de toestand van een windturbine kan classificeren en rapporteren zonder tussenkomst van de mens. De huidige conditiemonitoringtechnieken beperken zich tot de analyse van trilling in de turbine, samen met de controle van de zuiverheid van de olie. Deze masterproef voegt daar de analyse van thermische videobeelden aan toe. Met een testopstelling wordt de drivetrain van een windturbine nagebootst en voorzien van de nodige meetapparatuur. Via deze opstelling worden thermische beelden en trillingsdata verzameld. Dit wordt herhaald met vijf verschillende lagers in acht omstandigheden zoals verminderde smering, beschadigde lagers en onevenwichtige drivetrain. Het is uiteraard de bedoeling dat de output van het systeem geen stroom van thermische beelden is, maar een label dat aanduidt in welke toestand de turbine zich bevindt. Om deze classificatie automatisch te laten verlopen, worden neurale netwerken gebruikt die door middel van hun gelaagde structuur nuttige kenmerken leren. Aan de hand van de geleerde kenmerken wordt een eerste classificatiesysteem gerealiseerd. Om de performantie te maximaliseren worden de zwaktes van het systeem aangevuld met klassieke features uit de trillingsdata. Als laatste wordt de vergelijking gemaakt met een classificatiesysteem dat geen gebruik maakt van thermische gegevens, maar enkel vibratiegegevens, om de meerwaarde aan te tonen.