بهبود پایداری جعبهدنده توربین بادی با پایش هوشمند: تحلیل روشهای SCADA و CMS
الموضوعات : Engineering
1 - گروه مکانیک - واحد داریون، دانشگاه آزاد اسلامی، داریون، ایران
الکلمات المفتاحية: قابلیت اطمینان, گیربکس توربین بادی, تحلیل داده های SCADA, CMS, پیش بینی خرابی گیربکس,
ملخص المقالة :
جعبه دندههای توربینهای بادی به عنوان یکی از اجزای کلیدی سیستم انتقال قدرت، نقش حیاتی در عملکرد و بهرهوری این توربینها ایفا میکنند. با این حال، نرخ خرابی جعبه دندهها در مقایسه با سایر اجزای توربین، به ویژه پرهها و ژنراتورها، به طور قابل توجهی بالاتر است که این موضوع چالشهای عمدهای را برای صنعت انرژی باد به وجود آورده است. این خرابیها معمولاً ناشی از عوامل متعددی از جمله دستکم گرفتن بارهای عملیاتی واقعی، مواجهه با بارهای غیرمنتظره و شرایط کاری غیرعادی، نقصهای طراحی و همچنین نگهداری و سرویسدهی نامناسب هستند. با توجه به پیچیدگیهای فرایند تعمیرات جعبهدنده، هزینههای بالای جایگزینی آن و توقفهای طولانیمدت توربین که مستقیماً منجر به کاهش درآمد بهرهبرداران میشود، افزایش قابلیت اطمینان این بخش به یکی از دغدغههای اصلی تبدیل شده است. علاوه بر این، با روند افزایش ابعاد توربینهای بادی و استقرار آنها در مناطق دورافتاده و سختگذر، نیاز به پایش مؤثر و دقیق جعبهدندهها بیشازپیش احساس میشود. این امر مستلزم استفاده از فناوریهای پیشرفته پایش وضعیت و سیستمهای کنترل و اکتساب دادهها (SCADA) است که بتوانند بهصورت مستمر عملکرد جعبهدنده را رصد کرده و خرابیهای احتمالی را بهصورت زودهنگام شناسایی کنند. در این راستا، ادغام دادههای حاصل از سیستمهای SCADA و سیستمهای پایش وضعیت (CMS) میتواند دقت تشخیص و پیشبینی خرابیها را به طور قابلتوجهی بهبود بخشد و به بهرهبرداران امکان دهد تا با برنامهریزی بهتر تعمیرات، هزینهها و زمان توقف توربینها را کاهش دهند. این مقاله با بررسی الگوهای رایج خرابی جعبهدندههای توربین بادی و ارزیابی روشهای مختلف پایش مبتنی بر SCADA و CMS، به ارائه دو مطالعه موردی میپردازد که نشان میدهد چگونه میتوان با استفاده از این فناوریها، تشخیص و پیشبینی زودهنگام خرابیها را بهبود بخشید و مزایای هر روش را برجسته کرد. یافتهها تأکید میکنند که استفاده همزمان از دادههای SCADA و CMS، راهکاری مؤثر برای ارتقای قابلیت اطمینان و بهرهوری توربینهای بادی است.
[1] E. Byon, Y. Ding, “Condition-Based Maintenance for Wind Power Generation Systems Considering Environmental Factors”, Renewable Energy, vol. 35, no. 9, pp. 1882–1894, 2010.
[2] P. J. Tavner, et al., “Reliability Analysis for Wind Turbines”, Wind Energy, vol. 11, no. 4, pp. 377–395, 2008.
[3] J. Helsen, et al., “The Dynamics of Planetary Gear Sets Used in Wind Turbines”, Mechanical Systems and Signal Processing, vol. 25, no. 2, pp. 719–728, 2011.
[4] W. Musial, et al., “Trends in Wind Turbine Generator Systems”, IEEE Journal of Emerging and Selected Topics in Power Electronics, vol. 1, no. 3, pp. 174–185, 2012.
[5] Y. Guo, et al., “Gearbox Reliability Collaborative (GRC) Failure Analysis Report”, National Renewable Energy Laboratory (NREL), Rep. NREL/TP-5000-51885, 2012.
[6] J. Carroll, A. McDonald, and D. McMillan, “Failure Rate, Repair Time and Downtime Cost of Offshore Wind Turbines”, Wind Energy, vol. 19, no. 6, pp. 1107–1119, 2016.
[7] A. R. Nejad, et al., “Drivetrain Reliability in Wind Turbines: Review, Classification, and Recommendations”, Renewable and Sustainable Energy Reviews, vol. 114, p. 109300, 2019.
[8] M. Reder, N. Y. Yürüşen, J. J. Melero, “Data-Driven Learning Framework for Associating Weather Conditions and Wind Turbine Failures”, Reliability Engineering & System Safety, vol. 169, pp. 554–569, 2018.
[9] R. B. Randall, J. Antoni, “Rolling Element Bearing Diagnostics-A Tutorial”, Mechanical Systems and Signal Processing, vol. 25, no. 2, pp. 485–520, 2011.
[10] Y. Feng, et al., “Condition Monitoring of Wind Turbine Gearboxes Using Vibration Analysis Techniques”, Renewable Energy, vol. 51, pp. 73–82, 2013.
[11] J. Antoni, “The Spectral Kurtosis: A Useful Tool for Characterising Non-Stationary Signals”, Mechanical Systems and Signal Processing, vol. 20, no. 2, pp. 282–307, 2016.
[12] Y. Lei, et al., “An Adaptive SK Technique and Its Application for Fault Detection of Rolling Element Bearings”, Mechanical Systems and Signal Processing, vol. 48, no. 1-2, pp. 120–137, 2014.
[13] M. Zhao, et al., “Deep Learning-Based Fault Diagnosis of Wind Turbine Gearboxes”, IEEE Transactions on Industrial Electronics, vol. 67, no. 8, pp. 6345–6355, 2020.
[14] O. Janssens, et al., “Convolutional Neural Network-Based Fault Detection for Rotating Machinery”, Journal of Sound and Vibration, vol. 377, pp. 331–345, 2016.
[15] A. Smith, et al., “Lessons from 15 Years of UK Offshore Wind Farm Operations: Reliability Trends and Cost Reductions”, Renewable Energy, vol. 220, p. 119543, 2024.
[16] L. Zhang, et al., “AI-Driven Predictive Maintenance for Offshore Wind Turbines: A Case Study of Hornsea Project”, Applied Energy, vol. 359, p. 122678, 2024.
[17] R. Johnson and K. Müller, “Robotic Inspection and Repair of Offshore Wind Foundations: A Game Changer for O&M”, Ocean Engineering, 2023.
[18] C. Gray, S. Watson, “Physics of Failure Approach to Wind Turbine Condition Based Maintenance”, Wind Energy, vol. 13, no. 5, pp. 395–405, 2010.
