Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   3 ,  J un e   201 9,  pp. 150 6~15 13   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v9 i 3 . pp 1506 - 15 13          1506       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Relevan ce  ve ctor ma chin e based faul t classi ficatio n in   wind  energy c onversion s ystem       Rekha  S. N. 1 ,   P.   Aruna   Je yant h y 2 , D .   De vara j 3   1 Sa ptha giri Col l ege   of   Eng ine e ri ng ,  Indi a   2,3 Kala sal inga m   Aca dem y   o f  R ese arc h   and   Edu cation  (KA RE) ,   In dia       Art ic le  In f o     A BST R A CT    Art ic le  history:   Re cei ved   Ma y   15 , 201 8   Re vised  Dec  9 ,  201 8   Accepte d  Ja n 2 , 201 9       Thi s  Paper   is  a n  at t empt  to  d eve lop  the   m ulticlass   cl assificat ion  in  th e   Benc hm ark   fau l t   m odel   appl i ed  o n  wind  ene rg y   c onver sion  s y st e m   using  the   r el ev ance  ve ct or   m ac hine   (RVM ).   The  RVM   coul d  app l y   a   st ruc tural  risk   m ini m iz at ion  b y   int rodu ci ng  a  prope r  ke rne l  for  tra ini ng  and  te sting .   The   Gauss ia n   Kerne l   is  used  fo r   thi s  purpose .   T he  c la ss ifi c at ion   of  sensor ,   proc ess  and  ac tu at ors  fau l ts   are   observe d   and  cl assifi e d  i n  th e   implementa t ion.  Tra in ing  differ ent   fau lt   cond it i on  and  te st ing  i s  ca rrie d  ou t   using t he  RVM   i m ple m ent at ion   c arr ie d   out  using   Matl ab  on   th e  W ind  Ene r g y   Conversion  S y st em  (W ECS).  Th e  training  ti m e  b ec om es  importa nt  while  the  tra ini ng   is  ca rr i ed  out   in  a  b ig ger   W ECS,  and   the  har dwar e  f ea sibil ity   is  prime  while   th e   te sting  is  c arr i e d  out  on  an  online  fau l t  detec t io n  sce nar io .   Matl ab  b ase d  im ple m ent a ti on  is  ca rri ed  out  on   th e  benc hm ark   m odel   for  the  fau lt   d etec t ion  i n  the   W ECS.   T he  result s  are  co m par ed  wit h  th e   pre vious l y   implemente d  fa ult   det e ct ion  t echnique   and  found  to  be  per form ing  bet te r  in   te rm s of  tr ai ning   ti m e and  h ard w are   f ea sib il i t y .   Ke yw or d s :   Fault detect io n   Gau s sia n ke rn e l   Re le van ce  vect or m achine   Syst e m   W i nd e nergy c onve rsion     Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Re kh a  S. N . ,    Sapth a giri C ollege  of Engine e rin g ,   Ba ng al or e,  In di a .   Em a il :  sn _r e kha@re diff m ai l.com       1.   INTROD U CTION   The  fa ult  detec ti on   in  the W E CS  is  an  i m po r t ant  aspect  in  the  w orkin g  of the  wind  po we r  ge ner at io n  syst e m ,  as  the  fau lt s  occ urri ng   i n  the  syst e m   wo ul d  inc rease  the  m ain te na nce  co st.   Dev el op m ent  of   the  ov e rall   fa ult  de te ct ion   inclu di ng  the  t urbine, gen e rato r,   c on ver te r , p it ch  a nd  the drive  trai n  beco m es  i m po rta nt   consi der i ng  th e  cost  i nvolv e d  in  the   m ai ntenan ce  of  the  W ECS.  T he  be nc hm ark   m od el   wind  tu r bin e  f or  fa ult  identific at ion,  wh ic h  incl ud es   the  sen sor,  process  a nd  act ua tor  fa ult  co nd it ion ,  is  de velo ped   [ 1].  A  4.8   M W  WECS  m od el   i s  de velo pe d  in   or de r  to   obse r ve  the   fa ults  in   the  syst em .   SV M  ba sed   fa ul t  detect ion  is  c arr ie d  ou t  in   W i nd   t urbi nes  an d  c om par ed  with  th e  ANN  for  the   accuracy,  t rainin g  an d  t un i ng  ti m es  [2 ] .  Th e  li near  SV M pe rfor m ed  bette r  in co m par is on   with th e A N N.  Th e cl assifi cat ion  u si ng  RVM  perform ed  bette r  than  the  SV M  wh il e  th e  trai ning  ti m e   is  sai d  to  be  hi gh e r   [ 3].   W i nd  ge ne rato r  be arin g  fa ult  are  sense d  by  t he  so un d  and   vibrat io n  in  the  t ow e r  usi ng   em pirical   m od e  deco m po sit ion   m et ho d  [4 ] .  A  ni ne  tu rb i ne  base d  wi nd   far m   chall enge  t o  de te ct   the  wind  t urbine   fa ults  in   the  in div i du al   tur bin e   are  ca rr ie d  out   [5 ] .  A  sta te   est im ation   s et   m e m ber sh ip  a ppr oach  base d  i m ple m entat io n  is  fou nd  in  f ault  detect io n  of  be nc hm ark   m od el   with  no ise   [6 ] .   A  m ulti - ob j ect ive  op ti m iz ati on   fr am ewo r k  fo r  la r g e  sca le   wind   tu rb i ne  syst e m   is  dev el op e d  us ing   th e   H ¥ / H -   ob se rv e r  to  de te ct   the  sensor  and   act uat or   fau lt   [7 ] .  Es pe ci al ly  fau lt   detect ion   is  a  cl a ssific at ion  betwee n  tw o  c la sses;  norm al  sta te   or   fa ult  and   for  the  cl assifi cat ion ,  s uppo rt  ve ct or  m achine   (SV M)  is  a   us ef ul m achine  learni ng m et h od [7],  [8 ] , [ 9] and appli cat ions t o fault  detect ion s  are re ported   [10].   This  pa pe r  ta ke s  up   t he  im pl e m entat ion   fro m   the  ben c hma rk   m od el   an d  i m ple m ent  the  RVM  on  the   ben c hm ark   m o del  for  the  wi nd   f ault  ide nti ficat ion   pro ble m .   The  ov e rall   fau lt s  li ke  the  sensor,   pr oces s  and  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Rel evan ce  vect or   ma c hi ne base d  f au lt  clas sif ic ation  i n  wi nd  ….   ( Rek ha  S. N . )   1507   act uator   fa ults  are  inclu de d  in   orde r  to  cl assi fy  the  fa ults  ac cordin g  the   m easur em ent  fro m   diff eren t  se ns or s   from   the  W EC S.  Furthe r  the  pap e r  is   sect ion ed  as  fo ll ows,   Sect ion - II   would  ta lk  ab out  the  dif fer e nt  sect ions   of   t he  W EC S  wh e re   the  fau lt   is  detect ed. Se ct ion - III  ta lks  about  the  R V M  i m ple m enta ti on   on  the  wi nd   fa ult   detect ion.Sect ion - I V  i nf e rs  t he  r es ults an d di scussion  f ollo wed b y t he  c oncl us io n  a nd the  r efe re nces.     1 . 1.       Win d   en er gy conver sion  s ystem m odel   The  be nc hm ark   m od el   dev el op e d  in  [ 1]  is  us e d  in  the  pre sent  i m ple m entat ion .  It  com pr ise s  of   the  wind  m od el ,  blade  a nd  pitch  m od el ,  dr i ve  tr ai n  m od el ,  ge ne rator /c onve rter  m od el ,  co ntr oller  an d  pa ra m et ers.  In   t he  wind  m od el   t he  di f fe r ent  seq ue nce  of  wi nd  is  sto re d  as  a  vect or v w ,  wh ic h  would  be   us e d  f or  the  i nput  to  the  wi nd   t urbi ne.   T he  Bl ade  an d  Pit ch  m od el   com pr ise s  of   t he  aer odynam ic   and   the  pitch  m od e l  of   th e   tur bin e as  d e fi ned in  ( 1) .     2 ) ( )) ( ). ( ( ) ( 2 3 t v t t C R t w q r    (1)     The  ae r od y na m ic   torque  is   def i ned  in   eq ua ti on   (1)  w here  r   is  t he  Air  de ns it y  ( kg /m 3 )   
, R   is  the   r ot or  rad i us , C q   r oto r  to rque c oeffici en t, l   ti p  s peed rati o, b   blade  p it c h  a ng le .   If   t he  wi n d  tur bin e  has  t hr ee  blades  a nd  th us  w ou l d  hav e  t hr ee  blade   pitc h  a ng le s.   Th us  the  to rqu e   equ at io n w ou l d be as  d e fine d i n (2),   w hich  i s the sum  o f  t orq ues  i n  al l t he  thr ee  b la des.     . 6 ) ( )) ( ). ( ( ) ( 3 1 2 3 i w i q w t v t t C R t    (2)     The  re as on  th at   b value   va ries   f or  each   blad e  intr oduces   li tt le   var ia ti on  in  t he  to r qu e   de velo ped  by  e ac h  blade,  th ough   the  overall   be hav i or  of  t he   m od el   is  sim il ar  to  that   of   the  m od el   w it h  sim il ar  b value.     The  hy dr a ulic   pitch  syst em   i s  a  cl os ed  lo op  m od el   def in ed  by  a  seco nd  orde r  tran sfe r  functi on  w hi ch  is  a   pisto n  se rvo  sy stem .     2 2 2 2 ) ( ) ( n n n c s s s s    (3)     Eq uation  (3)  de fines  the  sec ond  orde r  tran sf er  f un ct io n  of   hydrauli c  pitc h  syst em   wh ere  V is  the  dam ping   factor,  nat ur al   fr e qu e ncy  de fi ned   by  w n .  The  tr ansf e r  f unct ion  is  def ine d  f or  al l  three - pitc h  syst e m   in  si m ilar  way.  T he  dam ping  fact or   is  t he  sam e  fo r  al l  the  three - pitc h  syst em   if  there  are  no   dist urba nces.  Hyd rau li c   powe r   dro p  an d  the  increase  in  ai r  pr ess ure  is  are  the  par a m et ers  that  var y  wh en  the re  is  a  fau lt   occu r r ence  in  the  pitch  syst em .   The  par am et ers  for  po wer  d r op  is  def ine d  as  2 n and   2 and   tha t  of   the  ai r  pres su re  is  3 n and   3 .  The  cl ose d  lo op   pitch  a ct uator   bein g  the  li near   syst e m   with  change   in  sens or   gain   aff ect in g  it   wo ul d  need   m ean  of  two  sens or   va lues  to  be  fe d  to  the  act uator .  T hu s  the  pitch  ref e re nc e  would  be  c hange d  accor ding t o   th e cha ng e s se nsor  v al ue s  wh ic h  is i nd ic at ed  a s foll ow s .     , , [ ] = , [ ] − ∆ , 1 [ ] + ∆ , 2 [ ] 2   (4)     Wh e re  ∈ { 1 , 2 , 3 }   and  , , [ ]   is   the  re fer e nce  pitch  that  gets  gen e rated  a fter   the  distu r ban c e.   T he  m od el   of   tra nsfer rin g  th e  torque  from   ro t or   to  t he  ge ner at or   is  de fi ned   as  t he  dri ve  trai n  m od el .  A  gea r  box  in  th e   m idd le   to  conver t  the  lowe r   sp eed  to  the   hig he r  sp ee d  is  rep resen te d  as  a  tw o  m ass  m od el   def ine d   in  ( 5) an d ( 6) .       ( ) = ( ) − ∆ ̇ ( ) − (  + ) ( ) +  ( )   (5)   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   3 ,  June   2019   :   1506  -   1513   1508   ̇ ( ) =   Δ ( ) +   r ( ) − (   2 + ) ( ) − ( )   (6)     ̇ Δ ( ) = ( ) − 1 ( )     Wh e re  the  m ome nt  of  inerti a   of  lo w  s pee d  sh aft  is ,     is  the  torsion  sti ffnes s  of  the   dri ve   trai n,     is  the  torsion   dam ping  c oeffici ent o f   the drive  t rain,    is  the v isc ous   f rict ion  o f  t he  high  s pee d  s ha ft.       is  the g e a r   rati o,     is  the  m ome nt  of  ine rtia   of  t he  high   spe ed  s ha ft.      is  the  ef fici ency  of  the  dr i ve  t rain.  Δ ( )     is  t he   torsion  a ng le   of   t he  dri ve  tr ai n.   T he  fa ult  in  the  dri ve  tr ai n  is  due  to  va riat ion   in  t he  dr i ve  trai n  e ff i ci ency  wh ic h would  be de no te d by   2   instea d o f      .   The  el ect rical   m od el   wh ic h  c om pr ise s  of  th e  ge ner at or  a nd  the  c onve rter   wh ic h  works  in  f re qu e ncy   wh ic h  is  m uch   highe r  than   the  ben c hm a rk   m od el   is  def i ned   by  the  f irst  order   trans fer   f unct ion   a s     def i ned in  (7).     ( ) , ( ) =  +    (7)     Wh e re     is t he g ener at or  a nd c onve rter  par am et er.   T he   ge nerat or   powe r  is  de fine d by   ( 8)     ( ) = ( ) ( )   (8)     w he re    is  the  ef fici ency  of  the  gen e rato r.   T he   con t ro l  sc hem e  ch os en  f or   t hi s  i m ple m entation   sim ple  as  the   fo c us   is   on   the   fa ult  detect io n  of  WECS.   I n  order  to   sim pli fy  the  be nc hma rk  m od el   the  dr i ve  trai n  da m per   is   avo i ded. T her e  are  tw o  m od es  in whi c h  this i m ple m entat ion  wou l d work,  one is the  po wer o pti m iz at ion  m od e   and  the  ref e rence   powe r  m ode.  The   po wer   op ti m iz ation   m od e  is  wh e n  the  sp ee d  of  th e  wind  is   gr eat er  tha n  the nom inal speed . T he  c on t r oller starts w he n  the re is less p owe r  ge ner at e d  f ro m  t he  wind en e r gy due to  wi nd   sp ee d  le ss t han the  no m inal sp ee d.   It is  denot ed  as     [ ] ≥ [ ] ⋁ [ ] ≥      w he re     is t he nom inal gen e rato r  s peed an d  t he  m od e cha ng e s  f r om  this m od e 2  t o  the  m ode 1  i f     [ ] ≤  − Δ     w he re  Δ     is  the  offset  that  is  s ubtract ed  from   t he  nom inal  sp ee d  to  a void  the   change  from   m od e  1  to  m ode   2  and  vice  ve rsa   freq ue ntly .  T he  c onditi ons  of  fa ult  an d  th e  m od e  va riat ion  al on g  with  the  m od el   pa ra m et ers  are  us ed  as it i s  f r om  [ 1].       2.   RELE VAN C E VECT OR MAC HI NE B AS ED  I MPL EMENT ATION   OF F A UL T DETE C TI ON   The  diff e re nt  f ault  co nd it io ns  are  trai ne d  on the  Re le va nce V ect or  Ma chi ne   (RVM)   an d  a   m ult i  cl ass   RVM  str uctu re   is  de vel op e d  i n  orde r  to   te st  the  diff e ren t   fa ult  co ndit ion   of  th e   wi nd  f aul t  that  is  c onsid ered   in  [ 1].  T he   m ulti ple  RVM  str uctu res  a re  de ve lop e d  as   disc us se d  in   [ 11] .   The  dif fer e nt  f ault  co ndit ion s   are  a s  giv e n  in  the  Ta ble 1 is i ntr oduc ed fo r  trai ning the  RVM a nd test in g  it .         Table  1.Diff e r ent Fa ult Co ndit ion s T raine d U sin g  R VM   Fau lt No.   Fau lt T y p e   Fau lt Site   Sy m b o ls   1a   Fix ed  Value   Sen so r  Fau lts Blad e   Po sitio n s   ∆ 1 , 1 , ∆ 1 2   ∆ 2 , 1 , ∆ 2 , 2   ∆ 3 , 1 ,   ∆ 3 , 2   1b   Gain  Factor   2a   Fix ed  Value   Sen so r  Fau lt Ro to r  Sp eed   ∆ , 1 , ∆ , 2     2b   Gain  Factor   3a   Fix ed  Value   Sen so r  Fau lt Gene rator Speed   ∆ , 1 , ∆ , 2     3b   Gain  Factor   4a   Of f set   Actu ato r  Fau lt con v erter  s y ste m   ∆   5a   Ab rup t Ch an g ed  Dy n a m ics   Actu ato r  Fau lt     Pitch  Sy ste m s   ∆ 1 , ∆ 2 , ∆ 3   5b   Slo w Ch an g ed  Dyn a m ics   6   Ch an g ed  Dy n a m ic s   Sy ste m  Fault  Driv e T r ain   ∆ , ∆   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Rel evan ce  vect or   ma c hi ne base d  f au lt  clas sif ic ation  i n  wi nd  ….   ( Rek ha  S. N . )   1509   The  pitc h  pos i ti on s  are  c onsidere d  f or   t he  im ple m entat ion   of   the  1a  an d  1b   fau lt s  that   would  be   ta ken   as  the  ve ct or   f or   the  R VM  trai ning .  The  vect or   tha t  ref le ct s  the  sens or   fa ults  in   blade  posit ions  is  as   giv e n  in  the  foll ow in g      x = b k , m 1 ( t j ) - b k , m 2 ( t j ) b k , m 1 ( t j ) - b k , m 1 ( t j - 1 ) b k , m 2 ( t j ) - b k , m 2 ( t j - 1 ) é ë ê ê ê ê ù û ú ú ú ú     W he re  k=1,2,3     wh ic h  is  the   denotin g  bla de   nu m ber   a nd  i= 1, 2  de no te s   the  m od e  in  wh ic h  the  WE CS  is   work i ng.  A nd   t j   and     t j - 1   are   the  tim e   instant  at   j   and  j - 1  res pecti ve ly .  The  abs ol ute  value  of   b k , m 1 ( t j ) - b k , m 2 ( t j )   w ou l d  var y   be tw een   . 001  a nd  2,  but  in   or der  to   dif fer e nt ia te   fr om   the  fau lt   a nd  th e   norm al   scenari o  t he  value   is  pr e def i ned  as   5000.   The   para m et e rs  for   the   fa ults  de fine d  by  2a ,   2b,   3a  and  3b  ,  ,   ,    are   used  for t rainin g .  Th e   ve ct or   for  tra i ning is  g ive n by t he follo wing .     x = b k , m 1 ( t j ) - b k , m 2 ( t j ) b k , m 1 ( t j ) - b k , m 1 ( t j - 1 ) b k , m 2 ( t j ) - b k , m 2 ( t j - 1 ) é ë ê ê ê ê ù û ú ú ú ú     The  m easur em ent  is  filt ered   in  orde r  to  a void  s udde n  va riat ion   by  us i ng    g  with   t = 0.02 s   an d    r  with   t =0. 06s .  I n  ord er  to  i ncr ease   the  a bili ty   to  m easur e   disti nctl y  the  Ga us sia n  var ia nce  is  in creased   to  15   wh il e   m easur in g.   For  f a ults 4a  a nd  6 t he vect or is a s d e fine d  in  the  foll ow i ng ,     x = w p , m 1 ( t j ) - w p , m 2 ( t j ) t g d ( t j ) - t g m ( t j ) l 2 X w g d ( t j ) - ( w g , m 1 ( t j ) - w g , m 2 ( t j ) ) / 2 é ë ê ê ê ê ù û ú ú ú ú     wh e re  w g d   is  the   desire d  ge nerat or   s pee d,  t g d   is  the  desire d  gen e rato r  t orq ue  giv e n  by  t he  c ontrolle r   ( P r t g d   wh ere  P r   is  the  power   wh ic h  is  desired   to  be   produce d).  The  facto r  l 2 = 1 0 - 6 X J w i n d 6   is  us ed  in  th e   third com pone nt of  x  i n order  to uti li ze the  wind s pee d  a nd  for norm al izati on .   Re le van ce  vect or Mac hin e  for Fault   Det ect io n  in   W i nd T urbines:   RVM  is  us e d  t o  dev el op  te n  s epar at e  trai ning  m od el s  f or  di ff ere nt  fa ult  c onditi ons.  F or  te n  dif fe ren t   fau lt s  te n  dif fe ren t  regressio n  functi ons  is  a rtic ulate d.   T he   regressi on   f unct ion  is  us e d  to  m ap  the  input  to   diff e re nt r e gions  o f  the  sta te  sp ace.  Th e  fu nc ti on  that  is us ed fo r  the  r e gr e ssion f unct ion  is give n  as  b el ow,      ( ) = ∑ ( , ) + = 1     wh e re  ( . , . )   is  the  Gau s sia n  kern el   functi on  ,   , = 1 …   ,a re  the  t rainin g  sam ples  wh ic h  com pr ise   of  a ll   the  fa ult  condi ti on   an d  non  f ault  conditi on   values  of   t he  11   var ia ble  f rom   al l  the  three   blad es .   The  s par s e   par am et er      is  de te rm ined   us i ng   the   Ba ye sia n  est im a ti on   al gorithm .  T he  re gr essi on  is   ca r ried   out   us i ng  the   log ist ic   re gr e ss ion  a s  giv e n by        ( = 1 | ) = 1 1 + e xp   ( −  ( )   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   3 ,  June   2019   :   1506  -   1513   1510   The  m app ing   functi on  is  ge ner at e d  f or   ea ch  of  this  im p lem entat ion   by  app ly in g  the  regressio n  al gorithm   exp la ine d  i n  [ 12 ] .  T he  R VM  is  trai ned   for  each  fa ult  sit ua ti on   an d  t he  trai ne d  m od el   is  ge ner at e d  aft er  the   regressio n p ro c edure.   The  p a r a m et er is o pti m iz ed  by m axim iz ing  the  obje ct ive fun ct io n     ( ) = ∑ log ( | ) + ∑ log ( | ∗ ) = 1 = 1     Wh e re  ∗     is  the  m axi m u m   a  poste rior i  est im ate  of  hy perpara m et er     .   T he  in pu t  x  for  al l  th e  fau lt   c onditi on   are  de fine d  i n  the  previ ous  sect ion   a nd   the  RVM  tr ai nin g  is  car r ie d  out  by  t he   us e  of  the   RVM  i m ple m entat io n  th us i ntr oduc ed  in  the a bo ve  .       3.   RESU LT S  AND DI SCUS S I ONS   The  Ma tl ab  ba sed  Im ple m e ntati on   is  carr ie d  ou t  an d  th e  resu lt s  are  as  sh own  in  th e  fo ll ow i ng  discuss i on .   Th e  third   fa ult  scenari o  as  discu ssed  in  [ 1]  is  a pp li ed  for  the  im ple m entat ion   wh ic h    is  the  ro t or   sp ee d  sens or  f ault  occurri ng   in  the  tw o  bla de s  of   t he  tur bine .  Wh il e  carrying   out  the  trai ning  proc ess  th e  tim e  ta ken   f or   t he  trai ning  proce ss  is  cal culat e d  f or  m aking   al l  the  nin e   fa ults  trai ne d  a nd  the   m o dels  to  be   dev el op e d f or   each  fau lt .   The  m od el   cre at ed  after   the  t rainin g  proces s  com pr ise s  of  the  α ,the   sp a r se  pa ram et er,  and  the  bias   value  b  al ong  with  the   ke r ne l  structu re.  T he  am ou nt  of  m e m or y  sp ace   nee ded   f or   stori ng   it   would  be  a  par am et er  for  t he  h ar dware   fe asi bili ty   of   the   pro po se d  m et ho d.  T he  m e m or y  sp ace   re quir ed  for  it   be  st ored   is  arou nd   160kb  of   the  m e m or y  thu s  al lowing  it   to  be  feasible  in  hardw a re  i m ple m enta ti on .   By   giv in g  th e   diff e re nt  wind   sp eed ,  w hich  is  rando m ly   gen erati on.  D ue   to  the  va riat ion   in  the  wind  the  tor que  ge ne rated    in the Fi gure   1.           Figure  1.   To r que  Wav e f or m  w it h ran dom  w ind   sup ply Tu r bin e       The  sim ulati on is run f or 44 00 Sec s.  T he fa ults are a ppli ed  at dif fer e nt  places l ike the  b el ow.   1.   Fault t ype  1a,  b 1,m 1  = - 3 o   oc c urrin g b et wee n 1 00 s  a nd 20 0s.    2.   Fault t ype  1b,  b 2,m 2  =5 o   2, m 2  on 50 0 - 600s.     3.   Fault t ype  1a,  b 3,m 1  = 7 o   on  900 - 10 00 s .    4.   Fault t ype  2a,  w r, m 1  = 2r a d. s - 1  on  1200 - 13 00 s .    5.   Faults ty pe 2 b and 3 b,  w r, m 2  = 0.5 w r, m 2  an d    w g, m 1  =1 .5w g, m 1  on  1700 - 1800s.    6.   Fault t ype  4a,  t g  =t g  - 100 0 N m   on  4200 - 43 00s.    Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Rel evan ce  vect or   ma c hi ne base d  f au lt  clas sif ic ation  i n  wi nd  ….   ( Rek ha  S. N . )   1511   7.   Fault t ype  6,   h dt  =0 .22 h dt    8.   Fault  ty pe  5a,  par am et ers  in  pitch  act uator  2  (w n ,z )  8  a brup tl y  c hange d  from   [1 1.1 1,  0.6]  to   [ 5.7 3 ,  0.45]   from  3 200  a nd  3300s.   9.   Fault  ty pe  5b,   par am et ers  in  pitch  act uat or   3  ( w n ,z)   cha ng ed  slo wly  ( with  a  li ne a r  f unc ti on )  from   [1 1. 11,   0.6]  to  [3 . 42,  0.9]  ov e r  30s,  r e m ai ned   const ant  durin g  40s,   and   the n  decre ased  agai n  ov er  30s  from   3400   and 35 00s.    Wh il e  car ryi ng   ou t  t he  trai ni ng  pr ocess  the   ti m e  ta ken   f or   t r ai nin g  al l  the  f ault  an d  the  non  fa ult  co nd it i on   f or   al l  the  nin e  fa ult  conditi on s   by  us in g  RV M   is  giv en  in   T able  2.   Af t er  trai ning  the   fau lt s  in  the  RVM  i m ple m entat io n . T he  f a ult det ect ion  is te ste d wit h  t he  a bove  f a ults usi ng th e m od el s d e velop e d usi ng RV M.   The  detect io n  of   fa ult  would  sh ow  th e  1  in  the  detect ion   graph   a nd   zer o  in  the  detect ion  gr ap h  w he n  there  is no  f aul t.   Figure s   1  a nd  2  dis play s  th e  wind  tu rb i ne  tor qu e  a nd  the w in d  s peed  r es p ect ively   in  T urbi ne .   Figure s  3  an d  4  dis play s the fault  d et ect ed  in   Bl ade 1  a nd  B la de  2 120 0 - 13 00 s   an d 170 0 - 1800s .  T he har dw a r e   feasibil it y  of   t he  propose d  al gorithm   wo ul d  require   the  ti m e  ta ken   f or  t he  trai ning  po r ti on   a nd  the  m e m or y  sp ace nee ded  t o  st or e   the  m odel s d evel op e d  after   the   trai ni ng  pr ocess .   T he   Table   2  dis pl ay s  the  ti m e  tak en   f or   al l  the  nin e fa ul ts  trai ned   a nd the  m od el   gene rati on  for   al l  th e  fau lt s  a nd  the   sp ace for  the  m od el s  stored  in  the  m e m or y. The  table i s  dev el oped  c onsideri ng  the i5 p ro ces sor,   3.2GHz  proc essor wit h  the   8G B  ram .       Table  2.   Tim e taken f or   Trai ni ng   Each  Fa ults Usi ng RVM  and Me m or y U sed for   t he  Mo del T hu s  D e vel op e d   Fau lt No.   Fau lt T y p e   Fau lt Site   Me m o r y   Sp ace  f o r   m o d el   Execu tio n  T i m e   1a   Fix ed  Value   Sen so r  Fau lts Blad e Pos itio n s   1 6 KB   1 0 5 4  secs o n  an av erage f o r  each  m o d el   1b   Gain  Factor   2a   Fix ed  Value   Sen so r  Fau lt Ro to r  Sp eed   2 0 KB     2b   Gain  Factor   3a   Fix ed  Value   Sen so r  Fau lt Gene rator Speed   1 0 KB     3b   Gain  Factor   4a   Of f set   Actu ato r  Fau lt con v erter  s y ste m   1 KB   5a   Ab rup t  Ch an g ed   Dy n a m i cs   Actu ato r  Fau lt   Pitch  Sy ste m s   1 6 KB   5b   Slo w  Ch an g ed   Dy n a m i cs   6   Ch an g ed   Dy n a m i cs   Sy ste m  Fault  Driv e T r ain   4 7 KB           Figure  2. S pee d  in   wi nd tu rb i ne    Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   3 ,  June   2019   :   1506  -   1513   1512       Figure  3. Roto r   sp ee d fault  det ect ed  in  bla de 1           Figure  4. Roto r   sp ee d fault  det ect ed  in  bla de 2       4.   CONCL US I O N   The  Re le va nce   Vecto r  Ma c hin e  base d  im pl e m entat ion   w a s  carrie d  out  with  the   be nc hm ark   m od el   dev el op e d  as  m entioned   i n  t he  li te ratur e .  The  RVM  fun ct ion   wa s  trai ned   a nd  te n  di ff ere nt  m od el s  wer e   dev el op e d  f or  each  ki nd   of   f a ult  and   the  res ults  wer e  f ound  to  be  sat isfac tory.  T he  ha rdwar e  f easi bili ty   stud y   ta kes  in  t o  c onside rati on  the   exec ution  tim e  an d  the  m em or y  us age  for  the  m od el s  t hu s   de velo pe d  w hile  trai ning.  T he  a m ou nt  of   e xe cution  ti m e  a nd   t he  m e m or y  us ed  cl ear ly   su pp or ts  the  hard war e  fe asi bili ty  po sit ively .       REFERE NCE S   [1]   Odgaa rd,   P.F. ,   Stous trup,   J. ,   and  Kinnae rt ,   M.  “ Fault   to le r ant   con trol   of  wind  turb ine s -   a  ben chma rk  m odel , ”   I EEE   Tr ansacti ons on Control Sy st ems Tec hnology ,  Vol :  21,   No.4 ,   1168   -   1182 ,   Jul y   201 3 .   [2]   Santos,   P,  Vill a ,   L. F,  Reñone s,  A.,   Bustil lo ,   A,  Maude s,  J,   “ An  SV M - Based  Sol uti on  for  Fault   Dete c ti on  in  W i nd   Turbi nes , ”   S ensors ,   15 ,   5627 - 56 48 ,  2015 .   [3]   Muham m ad  Rafi ,   Moham m ad  Shahid  Shaikh ,   “ A  compari son  o f  SV M  and  RVM   for  Docum ent   Cla ss ifica ti on , ”   ICo CSIM ,   Med a n  Indone sia ,   201 2 .   [4]   Molla sal ehi ,   E,   W ood,   D,  Sun,  Q.   “ Indic at iv e  Fault   Diagnosis  o f  W ind  Turbi ne  Gene rat or  B ea ri ngs  Us ing  Towe r  Sound a nd  Vibr a ti on , ”   En ergie s ,   10 ,   1853 ,  2017 .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Rel evan ce  vect or   ma c hi ne base d  f au lt  clas sif ic ation  i n  wi nd  ….   ( Rek ha  S. N . )   1513   [5]   Anders  Bec hBorce hrsen,   Jesper Abildga ard La rse n,   JakobStoustrup,   “ Fault   D et ecti on  and  Loa d  Distribut ion  for  th e   W ind  Farm   Challenge , ”   IFA C   Pr oce ed ings V olu mes ,   Volum e   47 ,   Iss ue  3,   Pages  4 316 - 4321 ,   2014 .   [6]   Se y ed   Mojt aba   Ta ba ta ba ei pour   and  P eter  F.   Odgaa rd,  and   Tho m as  Bak ,   “ Fault  detec t ion  of   a  benc hm ark   win d   turbi ne  using  interva l   anal y s is , ”   Ame rican  Contr ol  Confe ren ce   F airmont  Quee n  El izabet h ,   Mon t ral ,   Can ada  June  27 - June  29,   201 2 .   [7]   Xiukun  W ei and   Li huaLiu ,  “ Fa ult   detec ti on  of   la rge   sc al e  wi nd  turbi ne  s y s t ems , ”   Inte rnati onal  Confe renc e  on   Computer  Sc i enc e   and  Educ at ion  ( ICCSE) ,   IE EE ,   2010 .   [8]   Naji m   Aldin  Mohs un ,   “ Broken  rotor  bar   fau l t  cla ss ifi ca ti on  for  in duct ion  m otor  b ase d  on  support  vec tor  m ac h ine - SVM , ”   Engi ne er ing &   MIS  ( ICE MIS ),   2017   Inter nat ion al   Conf erence   on ,   Febru ar y  2018 .   [9]   Qian  Zha o   et   a l,   “ Dam age   detec t ion  of  wind   turbi ne  bl ade   base d   on  wave l et   an aly sis , ”   Im age  and  Signa l   Proce ss ing  ( CISP) ,   2015  8th   Int e rnational   Congr ess on  14 - 16 ,  IE EE ,   Oct   2015 .   [10]   Mohant y ,   Soum y a  R . ,   et   al.  "Com par at ive   stud y   of  adva nc ed  sign al   proc essing  tec hnique s  for  isla n ding  detec t ion  in   a  h y brid   distri bu te d  g e ne r at ion   sy stem, "  IEEE  Tr ansacti ons on  Su stainabl e   Ene rgy   6,   122 - 131 ,  1  2 015 .    [11]   Thay an ant han   A . ,   N ava ra tna m   R . ,   Steng er  B . ,   Tor r  P.H.S., Ci pol la R.   “ Multi v ariate Re l eva nc e  Ve ctor Mac hin es  for   Tra ck ing.   In:  Leonardi s  A.,   Bisc hof  H.,   Pinz  A.  (ed s)  Com pu te r  Visi on - ECCV  2006, ”   Lec ture  Note s  in  Compute r   Sci en ce,  vo l  395 3,   Springer ,   Ber l in,   He idelber g ,   ECCV  2006.   [12]   Liy ang   W ei   and   Robert  M.  Nish ika wa ,   “ Rel ev an ce   Ve ct or   Mac hi ne  L ea rning   for   Dete c ti on  of   Mi cro calc if icati ons  in  Mam m ogra ms , ”  IE EE ,   2005 .       Evaluation Warning : The document was created with Spire.PDF for Python.