VIBRATION ANALYSIS-BASED DIAGNOSIS OF FAULTY ROLLING ELEMENT BEARINGS WITH APPLICATIONS IN CONDITION MONITORING OF WIND TURBINES. A FURTHER MACHINE LEARNING AND DEEP LEARNING-BASED CLASSIFICATION

Abstract

[ES] El monitoreo del estado de aerogeneradores es un área del mantenimiento predictivo que engloba las herramientas y técnicas necesarias para la supervisión del ciclo de vida de los diferentes elementos mecánicos que conforman las turbinas eólicas. Uno de los componentes de mayor interés por su exposición a elevados esfuerzos son los rodamientos, tendiendo a desgastarse con facilidad, apareciendo fallos en partes como la pista exterior, la pista interior además de los propios elementos rodantes. Las señales de vibraciones captadas con un acelerómetro contienen información esencial sobre estos fallos y el espectro de la envolvente ha demostrado ser una herramienta robusta para su diagnóstico en un estado de desarrollo temprano. En este proyecto, se han combinado diversas técnicas de preprocesamiento de señales (Discrete/Random Separation (DRS), Self-Adaptive Noise Cancellation (SANC) & Cepstrum Pre-Whitening (CPW)) con el análisis del espectro de la envolvente, para diagnosticar estos defectos en las señales de rodamientos de la famosa base de datos de la Case Western Reserve University (CWRU). Además, se han extraído y analizado diversas características, que han servido para que conocidos algoritmos de Machine Learning (ML) lleven a cabo una clasificación de dichas señales, encontrando correlaciones entre las características y los diferentes estados de salud de los rodamientos. Finalmente, se ha diseñado una Red Neuronal Convolucional (CNN) para implementar la clasificación de las señales de rodamientos desde el enfoque del Deep Learning (DL).

[EN] Condition monitoring of wind turbines is an area of predictive maintenance that encompasses the tools and techniques necessary to supervise the life cycle of the different mechanical elements that build these machines. Rolling Element Bearings (REBs) are of the utmost vital parts since they tend to outwear easily due to their exposure to high loads. Different faults may appear in parts such as the outer race, inner race, and rolling elements. Vibration signals captured with an accelerometer carry essential information about these faults. The envelope spectrum has proven to be a robust tool for their diagnosis at an early stage of development. In this project, several signal preprocessing techniques (Discrete/Random Separation (DRS), Self-Adaptive Noise Cancellation (SANC) & Cepstrum Pre-Whitening (CPW)) have been combined with the envelope spectrum analysis to diagnose these faults in REBs signals from the famous Case Western Reserve University (CWRU) database. In addition, several features have been extracted and analysed, which have been used by widely renowned Machine Learning (ML) algorithms to classify the signals, finding correlations between such features and the different REBs¿ health states. Finally, a Convolutional Neural Network (CNN) has been designed to implement the classification of REBs signals from a Deep Learning (DL) approach.

[CAT] El monitoratge de l’estat d’aerogeneradors és una àrea del manteniment predictiu que engloba les eines i tècniques necessàries per a la supervisió del cicle de vida dels diferents elements mecànics que conformen les turbines eòliques. Un dels components de major interés per la seua exposició a elevats esforços són els rodaments, tendint a desgastar-se amb facilitat, apareixent fallades en parts com la pista exterior, la pista interior a més dels propis elements rodants. Els senyals de vibracions captades amb un acceleròmetre contenen informació essencial sobre aquestes fallades i l’espectre de l’envolupant ha demostrat ser una eina robusta per al seu diagnòstic en un estat de desenvolupament primerenc. En aquest projecte, s’han combinat diverses tècniques de preprocessament de senyals (Discrete/Random Separation (DRS), SelfAdaptive Noise Cancellation (SANC) & Cepstrum Pre-Whitening (CPW)) amb l’anàlisi de l’espectre de l’envolupant, per a diagnosticar aquests defectes en els senyals de rodaments de la famosa base de dades de la Case Western Reserve University (CWRU). A més, s’han extret i analitzat diverses característiques, que han servit perquè coneguts algorismes de Machine Learning (ML) duguen a terme una classificació d’aquests senyals, trobant correlacions entre les característiques i els diferents estats de salut dels rodaments. Finalment, s’ha dissenyat una Xarxa Neuronal Convolucional (CNN) per a implementar la classificació dels senyals de rodaments des de l’enfocament del Deep Learning (DL).