TELKOM NIKA , Vol. 11, No. 5, May 2013, pp. 2330 ~ 2341   ISSN: 2302-4 046           2330      Re cei v ed  Jan uary 20, 201 3 ;  Revi sed Ma rch 1, 2 013;  Acce pted Ma rch 1 2 , 2013   Resear ch on Early Fault Diagnostic Method of Wind  Turbines      Zhai Y ongjie * 1 , W a ng Do ngfen g 2 , Zhang Jun y ing 3 ,  Han  Y u ejiao 4  Dep a rtme nt of  Automatio n , North Chi na Ele c tric Po w e r Un i v ersit y   Baod ing C h i n a ,  15100 20 82 76   *Corres p o ndi n g  author, e-ma i l :   7676 63 514 @ qq.com       A b st r a ct   Chal le ngi ng  e n viro nmenta l  f a ctors co mbin ed w i th  hi gh  an d tur bul en t w i nds  mak e  seri ou s   de ma nds o n  w i nd turbin es  and res u lt in s i gnific ant  co mpon ent fault ra tes. In this paper, an e a rly fau l t   dia gnostic r e s earch is co nd u c ted up on w i n d  turbin es . F i rstly, the SCADA (Supervis o ry  Control a nd D a ta   Acquis i tion) sy stem is us ed  to analy z e  the  units ’  lo ng- ho ur oper atin g d a ta, prep arin g  for the further   mo de lin g w o rk. T hen the MSET  (Multivari a te State Es timati on T e ch ni que) is a d o p te d to estimate  the   temp eratur e of  the ge ar b o x  and to  obta i n a  result of h i gh  accuracy;  w i th  the Movi ng W i ndow  Ca lcul ati o n   (MW C), the residu al va lue  b e tw een the est i mated v a lu e  a nd the r eal v a l ue is st u d ie d to get the  dyn a mi c   trend of its ave r age va lu e; ac cordi ng to this  trend in tr a i ni n g , w e  define th e thresh old r e g i on of the r e sid u a l   me an v a lu e. C onsi deri ng a  ma n- ma de d e v iatio n  in th e  observ a tion v e ctors, faults  of the ge ar box  are   simulat ed an d  studie d . W hen  the resid ual  mean va lu e curv e excee d s the  setting thresh ol ds, an alert w ill  be  give n to r e mi n d  the  o perator s of h i dd en  pr obl e m s i n   th e  unit. R e searc h  show s that  thi s  ear ly d i ag no stic   meth od is q u ite  effective in det ecting the  abn ormal p e rfor ma nce of w i nd turbin es in a re al- t ime  ma nn er.      Ke y w ords :  SCADA, F ault di agn ostic, MW C, MSET     Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Wind p o wer,  one of the gree n, safe  and lo w- ca rb on ene rgy, is so fast-deve l oping in  gene rating  electri c ity that it has be com e  the f ourth  major p o wer  sou r ce after  coal, water a n d   nucl ear. It i s  also the  onl y rene wa ble  po wer re so urce  that owns over one   hun dre d   mil lion   kilo watt glo b a l in stalled  capa city apa rt  from  wa ter.  The  devel o p ment  of wi n d  po we r  bro ught  about a  serie s  of p r o b lem s  at the  sam e  time, with t he mai n tena nce  of wi nd t u rbin es bei ng  the  foremo st. As  the main  co mpone nts of  a larg e-sc ale  wind tu rbin e  are fixed at  a heig h t of o v er   one h und red  meters, sp e c ial e quipm e n t like  cra n e s  a r e ne ede d in the  repa iring of im pel lers,   gear b o xes a nd gen erato r s. Whe n  it co mes to the  u n its located a t  sea, other i m porta nt factors  like the b oats’ cha r terin g  a nd we athe r should al so   b e  co nsid ered.  As to a win d  plant of whi c h   the de sig ned  life-span  is  twent y years,  the mai n ten ance  co st  ta ke s u p  1 0 -1 5% of the to tal  incom e ; while  the ratio is 2 0 -25% to the  one on the  se a.  Owin g to th e ign o ra nce  of wi nd tu rbine s ’ featu r es  and  the  lack of m a n ageme n t  experience, the testing  and repairi ng  system of thermal plant s  are still wi dely  used in the  wind   plants in o u r country. The  maintenan ce of therma l  power eq uip m ent mainly covers its  sta t us  sup e rvisi on a nd diagn osi n g method s (life-span of th e  metal, cavitations, scalin g  etc.); while the  faults in  a wi nd turbine  are ca used  by mech ani ca l  stress a nd the  aging  of ele c troni c  part s   for  they  are  th e major co mpo nents of  a wi nd  turbine  un it. In fact, a wind tu rbi ne  approximate s  to   electroni c e q u ipment  run n i ng un de r po or  con d ition,  so  it i s  rather ration al to di scuss th e fa ult  diagn osin g  m e thod s  an d maintena nce system co mb ing its  own e l ectro n ic  characteri stics. T h e   con d ition m o nitoring  and  fault diag no si ng of  wind  tu rbine s  i s  a  proce s s to  sup e rvise,  estim a te  and a nalyze  the ope rating  data of the  major  co m p o nents  (imp ell e rs, g e a r  box es, ge nerators,  transdu ce rs e t c.), so a s  to   detect fa ults  prom pt ly. Usi ng related  co ndition m onit o ring  techniq ues,  we can ma ster  the  tu rbin es’ runni ng state  in  a  real -time way. Thus,  se riou s  damag es t o  the   equipm ent ca n be avoide d in advan ce a nd the  mainte nan ce cost wi ll be greatly redu ced.   This  pap er p r opo se s  a  state e s timatio n  of the  ge a r  box’ s  tem p eratu r e  ba se d on  the   SCADA d a ta  and the  MS ET. Then the  MWC resid u a l statisti cal  method i s  a d opted to a nal yze   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 5, May 2013 : 2330 – 234 1   2331 the re sult s  and o b tain i t s mea n  val ue  curv e.  Wheneve r  thi s  cu rve ex ce eds the  setting  thresholds, a system alarm  will occur.       2. Condition  Monitoring a nd Faul t Dia gnosing of  Wind Turbin e s   A wind tu rbin e, a co mplex  system,  con s ist s  of several su bsy s tem s : towe r, wi n d  wh eel,  whe e l hub, p i tch sy stem, geari ng  syste m , yaw,  bra k e, gene rato r, variable - fre q uen cy syste m ,  ma s t er   c o n t ro l s y s t e m , var i a b l e- vo lta g e  a n d  gr id - t ied s y s t em. Each  su bs ys te m is ma de  up   o f   several pa rts.  These su bsy s tem s  co ope rate with ea ch  other to co n duct compli cated ope ratio n s.  Beside s, the dynamic  cha r acteri stics of  a wind  turbi ne incl ude b o th contin uo us an d dispe r se   parts. Bei ng  greatly influe ntial by som e  external   u n co ntrolla ble  factors, su ch as th e win d ’s  spe ed, di re ction a nd  alterin g  fre quen cy, t he tu rbine  is l o cate d in  so  compl e x a  worki ng  co nditi on  that it performs differe ntly accordi ngly.  The pre s e n t fault diagno si ng method s applie d in wi nd turbin es a r e listed a s  follows [1]:  the dia gno sti c  m e thod  ba sed o n   statistical data,  th e o ne b a sed  on t i me  sequ en ce p r edi ction, t he  one m odel  controllin g, the  one  ba sed  o n  vibratio n  a nalysi s , and  the on e a dopt ing othe r te sting  techni que s  (sound t r an smi tting [3], ultra s oni c- ele c tri c   cap a city liq uid level te st  [6]). Do cu m ent  [3] adopts th e BP neu ral  netwo rk to co nstru c t the m odel of g e a r   box and  gen erato r , and  u s e s   the Multi-age nt metho d  to  analy z e th e  diag no stic   result s of  different  compo nents in  orde r to   demon strate the overall op erating  state  of t he unit. Howeve r, the modelin g pro c e ss u pon n e u ral  netwo rk the o ry takes rath er long a time for trainin g , while trainin g  sample s are al ways difficult  to   sele ct. And t he si gnal s’ a c qui sition  sp eed  can  ha rd ly meet the n eed s of the  analysi s  of hi gh- freque ncy vib r ation. Docu ments [4 -6] summari ze th e variou s wa ys of con d itio n monitori ng  for   wind tu rbine s  in the re cent years. Docum ent  [7-1 0] con s tru c ts the hard w a r e expe rimen t al   platform fo r g ear b o x and  gene rato r. Th ough it a naly z e s  the vib r at ion si gnal s u s ing the  wavel e ts   analysi s  m e thod, the  mo d e l is quite  different  from  th e p r a c tical  st ate. Do cu me nt [11] dia g n o se s  the faults b a sed on  an a u tomatic a naly s is  of  the SCADA data. It doe s not  co rrelate some  key  factors, su ch  as  vibration  sco pe, temp eratu r e,  po wer an d sta r t-stop record s,  giving rise to a  relatively sep a ration of stu d y content s a nd diag no stic result s.   To monito r the condition  of wind tu rbi nes,  a  dyna mic mo del of  its normal o peratio n   sho u ld be  co nstru c ted, ba sing o n  whi c h  the early  sig n s of abn orm a l acts a r e te sted. Co nsi d e r ing   the ran dom  cha nge  of wind spee d, the great  turbulen ce of  external su rroundi ng  fa ctors  (tempe ratu re), the great differen c e s  bet wee n  di fferen t  units, the close coupli ng  relation am o n g   all the mech a n ical a nd ele c tri c  com pon ents, it is  difficult to apply tradition al mo nitoring the o ri es  and metho d s  in wind turbin es.   The no n-lin e a r mod e ling i s  a metho d  based on th e ope rating  data of the o b ject. By  analyzi ng a n d  processin g   these  data, t he dyna mic-c hara c te risti c  model  i s  con s tru c ted, whi c h  i s   the so-call e d  data-d r iven modelin g me thod. Wi th pl enty of operating data from the SCADA  system, the turbin es’  con d i tion can b e  monitored to discover e a rl y faults.      3. SCADA Data Anal y s is  in Wind Farms  A  large win d  farm  is always  eq uipp ed with  the SCADA s y s t em. Its bas ic  func tion is  to  record the  massive o r igi nal data  at a fixed time  interval (ge nerally 1 0 s  or 1 0  min )  i n  the  sup e rvisory compute r s  of central cont rol  room.  T h e s e  data  main ly cove rs out put en ergy,  state   and ala r m informatio n, fault information, transdu ce r pa ramete rs a n d  so forth. The  quantity of th e   SCADA  data  is  so  big th at  the mo nthly reco rd s of  a  si ngle  unit i s  a s  m any a s   hu ndre d s MB.  At  pre s ent, th e  SCADA  data  in wi nd fa rm s are me rely  u s ed  in  monito ring  the  data,  gen eratin g t h e   repo rt form s  and recalling  acci dent s after a fault o c curs.  Re corde d  in com pute r s, the ma ssi v e   data are r e g u larly co pied  to discs  with out being or g anized and a nalyze d , the rea s on s ar e as  follows :    (1)  The la rg e numb e r of  SCADA data.  For  in stan ce , the daily records  of a si ngle unit  are ove r  1 0   MB whe n  re cording  every 10s. Fo r a   large  win d  farm that  con s ist s  of hu nd red s   units, the hug e quantity of data will impo se hig her   sta ndard on the  SCADA sy ste m ’s efficien cy .    (2) The   feat ure s  of  wi nd turbine s ’ ope rating.  In  wi n d -po w e r   gen erating,  the  source  of  energy is the  natural win d ,  random a nd  unpredi ctabl e .  With the change s of win d , nearly all the   data recorded by SCADA  will chang e  accordingly,  such as the  rotating  speed of wheel, the   vibration accelerate d spe ed,  the  g ene rating po wer,  the temp erature  of ge a r  boxe d . Th ese   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch on  Early F ault Di agno stic Met hod of Win d  Turbi n e s  (Zh a i Yongjie )  2332 rand om data  bring g r e a t obsta cle s  to  the acq u isitio n and furth e r pro c e ssi ng  of informatio n.  Beside s, me a s uri ng  errors  of tran sdu c e r s a nd oth e r  e quipme n t ma ke it eve n  h a rder to  corre c tly  analyze the d a ta.    (3) Effective  theorie s a n d  method s a r e  ne ede d to se parate a nd extra c t the clo s e   relevan c e  am ong  paramet ers.  Since th e chan ge  of  a si ngle  pa ra meter i s   ra nd om a nd i r reg u lar,  it is im po ssibl e to p r ovide  e noug h o perating info rmatio n only  by ob serving  ea ch  p a ram e ter i n  a n   isolate d  way.     (4) Wi nd turb ines’  cha r a c teristi cs  are di fferent from o ne to anothe r. Even locate d in the  same  win d  farm, two turbi nes of the  sa me type  may have totally different feat ure s , for they  are  fixed and in stalled in diffe rent po sition s. Take  the vibration sign als  in  the sa me  tran smitting  chai n-a  unit’s wide -rang e vibration  may  be a c cept abl e acco rdin g t o  ope rating  e x perien c e,  while  a little vibration i s  li kely to  ca use a bno rmalities to  a n o ther unit  of the  sam e  type . So it i s  difficult  to con c lu de  a commo n  rule  or  eq uation to  an alyze the  SCADA d a ta, whi c h m a kes it   c o ns ide r ab le  w o rk .  In fact, the  wi nd turbine s ’  o peratin g  state  and  their dyn a mic  ch aract e risti c s a r e  shown in  the massive  SCADA info rmation. Thi s   pape r extra c t s  the fault  co de an d the rel a ted re co rd s f r o m   the processe d SCA D A dat a. By  studyin g  the releva n c e amon g  S C ADA  data, i t  then  con s tructs  the inherent n on-lin ea r mod e l with multipl e  variable s  u nder n o rm al operating stat e.  Whe n  a n   ab norm a lity occurs in  the  uni t, the inn e r relevan c e  am ong  multiple   variable s   will be broken. The non-linear m u lti-variable  stat e estimated value  will  deviate from  the  measured val ue, whi c h will  incre a se the  resid ual  valu e. In order to  monitor the  unit’s state,  we   must dete c t e v en the slight est abn orm a li ties or  cha n g e s p r omptly. Figure 1 sho w s the  co ncrete   flow.          Figure 1. The  fault diagno stic method ba sed o n  the techni que of st atistical movi ng win d o w       4. Basic Prin ciple of Early  A l ert Meth od  4.1.  MSET Model Cons truc tio n   The MSET is  a multi-vari ab le state e s tim a ting tech niq ue first p r op o s ed  by Singe r [13]. It  is no w wi del y used in th e nucl e a r  po wer  plant  se nso r  calibration, elect r ic  p r odu ct life-sp an  predi ction a n d  softwa r e a g ing re se arch [14-16]. Th e prin ciple of  MSET is as follows. It first  studie s  the hi story data of  norm a l  wo rki ng state; then  it defines the  relation s am ong pa ram e ters;  after that, an  inherent nonli near mo del  with multiple  correl ated variable s  is con s tru c ted. Thi s  is  how the  state  estimation works.   A certain phy sical pro c e s s or ope rating  data  of a device ca n be re p r esented by a  matrix.  This p r o c e s s  or devi c e  con s ist s  of n vari able s   and m states (m  mo ments).  The colum n   vecto r   is  the ope rating  data of all t he rel a ted v a riabl es   at a  fixed mome nt and the  row ve ctor  sh ows   certai n varia b l e’s value  wh en the pro c e s s or devi c e  is at State m. Let us su ppo se, the n relat e d   variable s  ob served at Time  i are refe rre d  to as the observation vect or:     T n i x i x i x i X )] ( , ), ( ), ( [ ) ( 2 1  (1)   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 5, May 2013 : 2330 – 234 1   2333 Und e r no rmal  operatin g state of the proce ss  o r  device, m historica l  obse r vation vectors  are colle cted  to con s tru c t the memo ry matrix D, denot ed as:     11 1 22 2 [( 1 ) ( 2 ) ( ) ] (1 ) ( 2 ) ( ) (1 ) ( 2 ) ( )        (1 ) ( 2 ) ( ) nn n nm m xx x m xx x m xx x m        DX X X   (2)      Each  ob serv ation vecto r  i n  the me mory matr ix rep r ese n ts a  no rmal op eratin g state  of  the pro c e s s o r  device. By selectin g m hi stori c al  o b servation vectors from  an ext ende d pe riod  of  norm a l state prop erly,  the  sub s et sp ace   sp ann ed  by matrix  D  ca n be  taken t o  re present t h e   whol e dynam ic working  co ndition of the  pro c e ss  or  device. Th us,  the co nstruction of memo ry   matrix D is  substa ntially a pro c ed ure of  learni n g  an d  memori zin g  the norm a l b ehaviors of the  p r oc es s  or  d e vic e .   Duri ng su bse quen ce ope ration,  the  in put  to  the M SET at each  time step  is a ne w  observation v e ctor Xo bs a nd the output  from the M SET is a pre d i c tion Xest for this input vector  for the same  moment in time. For ea ch  input vector Xobs, MSET will pro d u c e an m-dim e n s i onal  weig ht vector W    T 12 [] m ww w W  (3)     With     est 1 2 (1 ) ( 2 ) ( ) m ww w m  XD W X X X  (4)     Equation  (4 )  mean s th at th e e s timate  of  MSET  is a lin ear combin ation of the m histori c al   observation v e ctors in the  memory matri x  D. Then  the weight vecto r  is cal c ul ated  and optimize d .  The re sid ual  betwe en MS ET estimate  and the inp u t is     obs e s t  ε XX  (5)     The wei ght vector [1 7, 18] is co nst r ucte d as follo ws:     ) ( ) ( obs 1 X D D D W T T ) 1 0 (    (6)      is a  nonli near op erato r  u s ed to  re place t he  re gular multiply ing op erator  in matrix   multiplication.  There a r e  m any optio nal  nonlin ear op erato r s to  ch oose fro m  [1 9], with the   Euclide an  Norm (DIST),  the City Block Di stan ce  (CITY)  and th e  Linea r Correl ation Coeffici ent (L CC) b e i n g   the foremo st. In this pape r, the nonline a r operato r  is  chosen a s  the Euclide an di stance b e twe e n  the two vecto r s    2 1 (, ) ( ) n ii i x y  XY  (7)     Whe n  two o b se rvation v e ctors are th e same  or similar, the  di stan ce  between th e   vectors will b e  zero or ne a r  ze ro. Whe n  one vecto r  is very different  from the other, the distan ce  betwe en the m  will be gre a t and the re sult of the  no nlinea r ope ra tor will be la rge. The wei g h t   vector i n  (6)  reflect s  the  si milaritie s  bet wee n  the MS ET input ve ctor Xob s   and  the m hi stori c al   observation v e ctors in the  memory mat r ix D.  With (4 ) and  (6), the final estimate of the  MSET model  for the pro c e ss o r  device is   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch on  Early F ault Di agno stic Met hod of Win d  Turbi n e s  (Zh a i Yongjie )  2334 T1 T e s t obs () ( )  XD D D D X  (8)     Whe n  the  p r oce s s o r   devi c e  wo rks no rmally, the in p u t ob se rvatio n vecto r   of  MSET is   most likely to  be locate d in  the normal  worki ng sp a c e  that is rep r e s ented by the memory mat r ix  D, in that it is similar to some  histo r i c all y  measu r e d  vectors in the  memory m a trix. As a re su lt,  the estim a te  of MSET will  have a  high  accu ra c y . W h en  pr o b l ems  ar ise   w i th  th e  pr oc ess  or   device,  its dynamic ch ar acteristics  will  chang e, and t he ne w o b servation vector  will deviate from  the normal  worki ng  spa c e.  In this case, the linea r co mbination  of the histo r ical  vectors in th e  memory m a tri x  will not p r ov ide an  accu ra te estimate   of the input a n d  the re sid ual  will in cre a se i n   magnitud e .    4.2.  Mov i ng Windo w   Re sidu al Statistic a l Metho d     The big g e s t advantag e of  the Moving  Wind ow  Re sidu al Statistical (MWRS)  method lie s i n  that it enabl es di strib u tio n  of re sidu al to be sho w n  continuo usly, basi ng on  wh ich  wheth e r a va riable value i s  normal  or n o t  is judge d. Under th e sa m e  accu ra cy level, the MWRS  method can provide the  earlie st  sig n  of developin g  faults.  Through this m e thod, the paper  eliminate s  un kno w n fa ctors and  ran d o m  disturban ces (su c h a s  t r an sdu c e r s’ measuri ng e r rors)  of an ope rati ng win d  turbi ne and  prom otes its  relia bility as well.  By a prope r sele ction of  the   wind ow’ s  wi dth, the su ccessive  re sid ual statistical  ch a r acte ri st ics are monitored  prom ptly, which   improve s  the  stability of the device a n d  dedu ce s  the  chan ce s that  erro r ala r m s  happe n. Wh en   an ab normalit y occurs to th e unit, these  dynamic  mod e ls  can  dete c t even the sli ghtest  cha n g e s  of param eters, so a s  to diagno se the fa ults at a early  stage.   If, during a  certain period  of time, the res i d ual sequence of the g ear box’s  temperature  from the MSET model is:     GT 1 2 [] N  ε   (9)     A time windo w with width  N is ad opted  to calculate the moving av erag e or me a n  value   and sta nda rd  deviation for the N succe ssive resid ual s in the wind ow    N i i i N X 1 1  (10 )     Then  a s sume  that the  re si dual  avera g e  fault threshol d is  Y E , the max i mum of  re sid ual  averag e of MSET model u nder n o rm al condition i s   V E , so the fault thresh old of gea r box EY is:    V Y E k E 1  (11 )     In this equati on, k1 can be  cho s en b a se d on ope ratin g  experie nce.  Whe n  the  re sidu al of MS ET model  excee d s  a set thre shol d, an  alert will  be  given to  remin d  the op erato r  of the potential thre atens to the g ear box’ s  saf e  operating.       5. Model Co nstru c tion o f  Gear Bo x’s Tempera t ure  Based o n  SCADA Da ta   5.1. Selection  of  Variables   All of the operating  data  of wind turbi nes a r e reco rded i n  the SCADA sy ste m . It is  a   comp uter-ba s ed syste m  which i s  aime d to r eali z e the autom atic sch eduli ng  and pla nnin g  of  working process. By supervisin g and  controlling the devices’  st at e, the S C ADA achieves t he  function s of data acqui sition,  device  controllin g, pa ramete r me a s uri ng an d regulatin g, an d   informatio n al erting.   In this pa per,  the wind tu rbine i s  man u factured by V e sta s  an d its  con c rete pa rameters  are: rated p o w er  0.9M W, cut-in wi nd  sp eed 3m ps ,  cu t-out win d   sp eed 2 5  mp s, rated wi nd  sp eed  15 mp s, ove r-voltag e  pro t ection  settin g  value  1.2p .u, low –voltage p r ote c tio n  setting val u e   0.85p.u.. The  SCADA  re cord s 12 6 ope rating p a ra m e ters  and  sta t e informatio n every 10 m i n:  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 5, May 2013 : 2330 – 234 1   2335 the forme r  inclu d e s  time tag, active powe r , rea c tive power,  bearin g te mperature a nd oil   temperature i n  gear boxe s , cabin tem peratu r e, ex ternal temp erature, fault code s, hydrau lic- pre s sure oil tempe r ature,  three  stator v o ltage  an d current, rotate d spe ed of g enerator a nd  so  on; whil e the  latter con s ist s  of sta r t and   halt of  unit, o v erheatin g of  gene rato r, pitch  system  fa ult,  gene rato r fau l t, frequen cy-conve r tor fa ul t, hydrauli c -p ressure  syste m  fault, gea r  box fault and   so   on.  Followi ng a  review  re co rded by SCA D A,  the parameters rela ted to the beari n g   temperature  of a gear box  are cho s en to  con s tru c t its observation v e ctor Xo bs of  MSET.  (1) Active p o w er (P ): P is clo s ely  relat ed to the  be aring  tempe r ature  of a g ear  box.  Whe n  P in creases, the l o ad of a g e a r   box will a ggrandi ze s which lead s to a n  increa se in  the  gear b o x. P is influenced b y  wind sp eed,  rotated spee d of gear box,  yaw angle.   (2)  Wind spe ed (u): Th e variabl e sp eed  turbine s  are  studie d  in this pape r, whi c h pursue  the be st  usa ge of  wi nd  p o we r  by a c hi eving the   o p timal tip  sp ee d ratio. Th e  highe r th e  wi nd   spe ed is, the  faster the g e a r  box rotate s, and the hig h e r  its tempe r at ure will b e .  (3)  Rotate d  spe ed of  ge ar b o x (U):  The g ear bo x has th e fu nction to  a c celerate  or  decelerate th e spe ed. As  U is  clo s ely related to  turb ines’ P, a hig her  U is al wa ys accom pan ied  with a bigg er  P.  (4) Ya w angl e (A): The direction s  of nat ural  wi nd s are cha nge able  and unp redi ctable. In  orde r to  enh ance wi nd  p o we r’s efficie n cy, a fun c ti on a s  a  si g n ificant p a ra meter to  adj ust  turbine s ’ dire ction to mee t  the wind, this ha s a profound influe nce o n  syste m ’s safety a nd  effic i enc y .   (5) Bea r ing te mperature of  gear b o x (Tg ear ): Operating unde r sev e re working  condition  and he avy loads fo r lon g  hours, the  beari n g s  of  gear  boxe s   are li kely to suffer fault s   and   damag es. Th e freque nt da mage s ari s e  mainly from  noises, temp eratu r e, vibra t ions, lubri c at ion  probl em s and  other bad  sta t es.  (6) Oil temp e r ature of gear boxes (Toil ) :  With  a temperatu r e se nsor in the gea r box, th e   Toil mu st b e   highe r tha n  0  (it va rie s  a c cordi ng to  th e re qui reme n t s of lu bri c ati on oil ) , an d t hen   heated to ov er 10  to op erate. In no rmal wo rking  states, the  oil pump  contin uou sly eject s  oil  into gears an d beari n g s . Whe n  Toil is highe r than 6 0 °C , the oil cooling sy ste m  starts to function   and the  heate d  oil is t r an smitted to an e x ternal e xcha nger to be  co oled by n a tural win d  or wa ter.   Whe n  Toil i s   belo w  45 , the oil  cooli n g  loop i s   cut, and the  cooli ng p r o c e ss  stops. Th e ov er- heated Toil i s  always  cau s ed by the lo n g  hours of full-load ed op erating.  (7)  Cabin te mperature (T cabi n): Tcabi n is al so a factor that infl uen ce s the gear box  temperature.  Whe n  Tcabin  is t oo low, the mech ani cal  compo nent s can h a rdly op erate p r op erl y ;  while too hi gh  a Tcabin  will sho r ten the el ectri c  compo nents’ life spa n .  (8) Extern al  temperature  (Tc): Becau s e t he local tempe r ature that the win d  turbine  experie nces  cha nge s grea tly in t he short term (from d a y to night for example )  a nd in the long er  term (we e ks t o  month )  d u e  to pa ssi ng  weather sy ste m s a nd  se asons it mu st  b e  taken expli c itly  into accou n t. Thus, differen t  Tc will pr o d u ce different gear b o x temperatu r e.     5.2.  SCA DA  Da ta  Recor d  Ana l y s is  As wi nd tu rbi nes  are g r ea tly influence d  by ex ternal  factors (temp e ratu re,  wi nd   spe ed  etc.), this  pa per  pro b e s  in to the SCA D A data  of  Ja n.2011 of  a certai n wind turbine.  Fi gu re  2   sho w s the 72 1 10-mi nute d a ta from 17:2 0 : 00 22n d Ja n. 2011 to 17: 20:00 27th  Ja n. 2011.   Table s   1-6  li st the  SCA D A ope rating  reco rd s  of whi c h th e  power is le ss than   0 du ring  this pe riod. In  these  cha r ts,  every fault code is   co rrespondi ng to a fault rea s o n . The 0 fault co de  rep r e s ent s n o  fault. As to the state of  the wind tu rbine, 0 refers to sh ut-d o w n an d 1 m ean s   norm a l ope ra ting.  In Table 1, the high -wi n d  fault code is  alerted  whe n  the wind  speed i s  23.7  mps a nd  19.7 mp s. Bu t unde r neith er  con d ition  doe s the  win d   sp eed   re ach  the cut-in  wind sp eed. The   rea s on  lie s i n  that the  wi n d  spee d i s   2 4 .1  mp s at  5: 20:00 23 rd Jan.  20 11a nd rea c he s  25  mps   durin g 5:2 0 :0  to 5:30:00,  whi c h m a kes the turbine  cut out. Becau s e of th e  self  prote c tion  a n d   system d e lay, a 144 fault code is al erte d  at 5:30:00 an d 5:40:00 23 rd Jan. 20 11.     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch on  Early F ault Di agno stic Met hod of Win d  Turbi n e s  (Zh a i Yongjie )  2336     Figure 2. Hist orical  cu rve from 17:20:00  22  th  Jan to 1 7 :20:00 27  th  Jan       Table 1. No d e  spe c ific offli ne paramete r  SCADA data  reco rd s 1   Num Data   Time  Wind  speed  Active  pow er   Fault code   Fault reason   1 2011/01/23   5:20:00   24.1    0    2 2011/01/23   5:30:00   23.7  11.8  144  Over w i nd  speed  3 2011/01/23   5:40:00   19.7  148.7   144  Over w i nd  speed      Table 2. SCA D A data re co rds 2   Num  Data   Time  Wind speed  Active pow er   Fault code   1 2011/01/24   9:40:00   5.9  -19.7   0  2 2011/01/24   9:50:00   7.9  -22   0      Table 3.   SCA D A data re co rds 3   Num  Data   Time  Wind speed  Active pow er   Fault code   1 2011/01/24   11:40:00   5.4  -7.6   0  2 2011/01/24   11:50:00   5.1  -16   0  3 2011/01/24   12:00:00   4.5  -15.1   0      Table 4.   SCA D A data re co rds 4   Num  Data   Time  Wind speed  Active pow er   Fault code   1 2011/01/24   17:20:00   4.9  -20.5   0  2 2011/01/24   17:30:00   3.6  -22   0  3 2011/01/24   17:40:00   3.9  -21.2   0  4 2011/01/24   17:50:00   6.9  -21.4   0  5 2011/01/24   18:00:00   6  -3.6   0      Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 5, May 2013 : 2330 – 234 1   2337 From T able s   2-4, we can see that faults  cod e s a r e  0. It infers that the thre e shut -do w n s   are  cau s e d  b y  manned  re aso n s in stea d of faults  an d that is the  so-call ed ma nned  shut -do w n.  Gene rally sp eaki ng, the re aso n  of a manned  shut-d o w n is the po wer gri d  impo ses a limit on the  gene rating  a m ount  of wi n d  farm s,  whi c h sto p s the  n o rmal  op erati ng of th e tu rb ines. In  Ta ble  4,  both the wind  spee ds at 1 7 :30:00 an d 17:40:00 2 4 th Jan. 20 11  are lo we r than the cut-in  speed   and the turbi n es are not ge neratin g.  In Table 5, the first two sh ut-do w n s  are   caused by manne d ope rat i ons an d the rest a r e  becau se that the automatic  yawing make s the active p o we r less tha n  0. Chart 6’s fault code 14 4   is b e ca use  that the wi n d  s peed  at  7:30:00  27t h Jan. 20 11  rea c h e s 24 .1 mps,  whi c h  approximate s  the cut-o u t speed  and  trig gers the  f ault  co de at th e  next time du e to the  syst em  delay.  Table 6 sho w s  that  fou r  shut-do w n s   o c cur f r om  17: 20:00  22nd  Jan. 20 11 to  17:20:0 0   27th 201 1. All of them are  manne d shut -do w n s .  In the mean time,  there a r e n o  gear  box fau l ts   and re pai ring  records in  Ja n. and after Jan.      Table 5.   SCA D A data re co rds 5   Num Data   Time  Wind  speed  Active  pow er   Fault code   Fault reason   1 2011/01/25   17:50:00   5.4  -19.4   0    2 2011/01/25   18:10:00   4.4  -16.5   0    3 2011/01/25   18:20:00   5.9  -22   275  Automation  y a w   4 2011/01/25   18:30:00   9.3  -21.4   275  Automation  y a w   5 2011/01/25   18:40:00   8.6  -21.2   275  Automation  y a w   6 2011/01/25   18:50:00   8.9  -3.4   275  Automation  y a w       Table 6. SCA D A data re co rds 6   Num Data   Time  Wind  speed  Active  pow er   Fault code   Fault reason   1 2011/01/27   7:40:00   22.7  -21.1   144  Over  w i nd  speed   2 2011/01/27   7:50:00   21.7  -20.9   144  Over  w i nd  speed   3 2011/01/27   8:00:00   22.5  -21.1   144  Over  w i nd  speed   4 2011/01/27   8:10:00   20.3  -3   144  Over  w i nd  speed       To build the  MSET model , operating d a ta of normal  state are sel e cted a nd a  pro c e ss  matrix  is co n s tru c ted. We aban don  th e data  of whi c h  the po we r i s   less than  0, a s sume th e d a t a   of which the wind  spee d is lower than  3 mps is  3 m ps an d the data of which the win d  spe e d  is  highe r than 2 5  mps is 25  mps. Othe r data are  all from the norm a l operating informatio n and   referred to  as the pro c e s s  memory m a trix D. The  ulti mate process memory m a trix D con s ist s  of  685 o b servat ion vecto r s. After co nstru c ting the   D, we can   predi ct  the  n e w i n put ob se rvation  vector of MS ET temperatu r e mod e l usi n g Equation 8.     5.3.  Cons tru c tio n  And Ch eck ing of The M odel  669  histo r i c al  ope ratin g  d a t a from  17:2 0 : 00 22 nd  Ja n .  2011  to  17: 20:00  27th  Jan. 20 11   confirm the  correctn ess of  the MSET  model.  Du ri n g  this  pe riod,  the maximu m and  minim u m  values of ge a r  box bea ring s’ tempe r ature are 70 ℃ an d 50 ℃  res pec tively.  In this  pap er,  the first 50 0  data  are  cho s en   to  con s truct the  matri x  D, an d the   beari ng  temperature   colum n  of th e re st 19 9 d a ta is  ch ose n  to be th e i nput Xob s . T he first pictu r e of  Figure 3 is t he ob se rved  value and  e s timate curve  throug h sim u lation test,  and the  se co nd  picture sh ows the resid ual s betwee n   ob served value a nd estimate v a lue.   Usi ng the mo ving windo w  statistical method to  furthe r analyze the  resi dual s ab o v e, we   con c lu de its cha r a c teri stics  cu rve as Figure  4. We a s sume  the wind ow width N=2 0  and   cal c ulate th e  thre shol d E v ’s value. T he maxi mu m  absolute  re sidu al value  is 0.49 3 (k1 = 3,  479 . 1 Y E ).    5.4.  Simulation Test o f  Early   Diagno stic Alert  After the  co nstru c tion  a nd  corre c tne s s che cki ng  of MSET  model,  we  add th e  temperature  offset to imitate the situ a t ion  wh en a  gear  box fa ult lead s to  its tempe r atu r e  increa se. Starting from Po int 51, a step temper atu r e offset of 0.25 is add ed to the 199 data.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch on  Early F ault Di agno stic Met hod of Win d  Turbi n e s  (Zh a i Yongjie )  2338 Figure 5  is th e e s timate  si mulation  re su lt of M SET m odel  with te m peratu r e  offsets a dde d in.  The  first pi cture i s  the  co mpa r iso n  of  ob served va l ue  and e s timate  value a nd t he  se cond  is its  resi dual  cu rve. From the  seco nd pi ct ure ’ s cu rve, we  can se e that t he errors at th e first 50 p o in ts   are very sm al l, while it increases g r ad ua lly from  the 51st point, and  the deviation s are m a inly the   temperature offsets.           Figure 3. Curves of observ ed value an d estimate valu e and re sid u a l            Figure 4. Re sidual’ s  movin g  wind ow  statistical  cha r a c teristi c s          Figure 5. Estimate re sults  with tempe r at ure ad ded       Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 5, May 2013 : 2330 – 234 1   2339 Then the  re sidual s after t e mpe r ature o ffsets a r e ta ken into a c co unt and  a si mulation  test is cond ucted ba se d o n   the  mo vin g  w i n d o w   s t a t is tica l me th od . We  as su me  the w i nd ow   w i d t h  N=10, and its characte ri stics  cu rve is sh own in Fig u re  6.          Figure 6. Re sidual moving  wind ow  statistical ch ara c te ristics curve  a fte r temperature offset      In Figure 6,  after ad ded  with ma nne d o ffset s an d processe d  by moving  wind ow  statistical m e thod, the  resi d ual  cu rve of  b earin g tem p e r ature in crea ses  co nsta ntly, and  ove r tops  its up thresho l d at Point 45 , which trigg e r s the  ea rly fault alert. Th e dista n ce be tween thi s  p o i nt  and the first point at whi c h mann ed offset is a dded  (Point 51 ) is  45+20-51 =14 ( 20 refers to  the  wind ow  width ) . Thu s , at th e 65th  (51 + 1 4 =6 5)  point,  we  can  dete c t the ab no rmal a c ts of g ear  box’s b eari n g  temperature. As to Point 6 5 , we  can  also cal c ul ate th e deviation  b e twee n ori g in al  state and  manne d-offse tting state according to  temperatu r e offset ste p s an d bea ring   temperature,  that is 14*0.2 5 =3.5 .          Figure 7. Similarity curve  with temperatu r e offset       Figure 7  sho w s the  bea ri ng temp eratu r e’s si m ilarity  cu rve afte r  manne d offsets h a ve   been  ad ded  i n . We  can tel l  that the  simi larity at  Point  65 i s   0.96, a nd the  si milarity at Point 1 4 7   is 0.76. A small simila rity stands fo r an abno rm al act of turbine s ’ ope rat i on. In Figure 8 ,   con s id erin g the mann ed  offsets, the whol e tempe r ature cu rve are divide d into three pa rts---- norm a l ope ra ting state, de vice ea rly wa rning  st ate a nd ale r ting st ate. Whe n  the gea r box i s   workin g no rm ally and its te mperature  re sidu al  doe s n o t exceed th e  mean thresh old, the turbi n e   is in the n o rmal ope rating  state. Wh en  the re sidu al  e x ceed s the th reshold, it will  be in the e a rly  warning state .   When device’s  tem peratu r e ove r top s  th e maximum v a lue  set by its ma nufa c turer,  an alert will occur (The normal operating te mperature  of this type of wind turbine:   91 gear T ).  In Figure 7,  at Point 147, the beari ng tempe r at ure rea c he s 92.25 , wh ich exceed s the   maximum op erating val u e  and tri gge rs  the syste m  al ert. If the turbine move s  o n  witho u t taki ng  necessa ry m easure s , the  gear  box will be  da mage d and  the unit will  not  fun c ti on  p r ope rly  a n d   regul arly.       Evaluation Warning : The document was created with Spire.PDF for Python.