michael s czahor iow a state university wind energy
play

Michael S. Czahor Iow a State University Wind Energy Science - PowerPoint PPT Presentation

Wind Turbine Prognostic Health Management A Statistical Predictive Approach Michael S. Czahor Iow a State University Wind Energy Science Engineering & policy Presenter Profile Michael S. Czahor - PhD Candidate


  1. Wind Turbine Prognostic Health Management A Statistical Predictive Approach Michael S. Czahor Iow a State University Wind Energy Science Engineering & policy

  2. Presenter Profile Michael ¡S. ¡Czahor ¡ ¡ -­‑ PhD ¡Candidate ¡ -­‑ IGERT ¡Student ¡on ¡behalf ¡of ¡the ¡NSF ¡2013-­‑Current ¡ -­‑ Wind ¡Energy ¡Science ¡Engineering ¡Policy ¡and ¡StaCsCcs ¡Co-­‑Major ¡ -­‑ Rowan ¡University ¡2013 ¡(Bachelors ¡in ¡MathemaCcs) ¡ -­‑ Comcast ¡Spectacor ¡Intern ¡(2012-­‑2013) ¡ -­‑ Major ¡Professor: ¡Dr. ¡William ¡Meeker ¡ Iow a State University Wind Energy Science Engineering & policy 1--25

  3. Presentation Outline -­‑ Component ¡Specific ¡Reliability ¡Research ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ -­‑ Power ¡Converter ¡Reliability ¡ -­‑ Proposed ¡Model/Approach ¡ -­‑ Dynamic ¡Covariates ¡ -­‑ Cumula@ve ¡Damage ¡Model ¡ -­‑ Needs ¡for ¡Research ¡ -­‑ Concluding ¡remarks ¡ ¡ PCS ¡6000 ¡Wind ¡ ¡ ¡ Iow a State University Wind Energy Science Engineering & policy 2--25 ¡

  4. Research purpose -­‑ Aiming ¡to ¡improve ¡turbine ¡reliability ¡and ¡availability ¡ -­‑ Discover ¡failure ¡mode ¡relaConships ¡ -­‑ Evaluate ¡and ¡predict ¡the ¡state ¡of ¡a ¡wind ¡turbine ¡during ¡ its ¡service ¡life ¡ ¡ Iow a State University Wind Energy Science Engineering & policy 3--25

  5. Steps -­‑ Obtain ¡reliability ¡data ¡ -­‑ Data ¡should ¡include ¡failures ¡and ¡non-­‑failures ¡ -­‑ Build ¡a ¡model ¡to ¡link ¡environment ¡with ¡failure ¡events ¡ -­‑ Validate ¡model ¡ -­‑ Make ¡predicCons ¡ Iow a State University Wind Energy Science Engineering & policy 4--25

  6. Benefits of research -­‑ MiCgate ¡the ¡risks ¡and ¡consequences ¡of ¡failure ¡ -­‑ Learn ¡about ¡failure ¡modes ¡ -­‑ Obtain ¡accurate ¡predicCons ¡of ¡future ¡failures ¡ Swedish ¡Offshore ¡Wind ¡Farm ¡Maintenance: ¡Picture ¡from ¡Siemens ¡ ¡ Iow a State University Wind Energy Science Engineering & policy 5--25

  7. example to fulfill research purpose… -­‑ Allow ¡for ¡use ¡of ¡advanced ¡reliability ¡analysis ¡ -­‑ Ageing ¡evidence ¡ -­‑ Data ¡expected ¡to ¡contain: ¡ • Module ¡ID ¡ • Date ¡of ¡turbine ¡installaCon ¡ • LocaCon ¡ • Failure ¡date ¡or ¡end-­‑of-­‑observaCon ¡ • Failure ¡mode ¡informaCon ¡ • Covariate ¡history ¡ Iow a State University Wind Energy Science Engineering & policy 6--25

  8. Failures of Pitch-Controlled V ariable speed turbines Normalized failure rates :Image from “RELIA WIND Project” (2011) Iow a State University Wind Energy Science Engineering & policy 7--25

  9. Common Failure Modes Of Power Converters (Not Necessarily in wind Turbines) Chip%Related,Failure,Modes, Package%Related,Failures, Electrical)Overstress) Bond1wire)lift1off) Latch1up)and)triggering)of)parasitic)structures) Solder)fatigue) Charge)effects,)ionic)contamination)or)hot)carrier) injection) Degradation)of)thermal)grease) Fretting)corrosion)at)pressure) Electro1migration,)contact1)and)stress1induced)migration) contacts) Thermal)Activation) Tin)whiskers) Failure(modes(of(Power(Converters(( Survey ¡results ¡of ¡weak ¡points ¡in ¡power ¡electronic ¡systems ¡and ¡environmental ¡variables ¡that ¡cause ¡stress ¡inside ¡power ¡ electronic ¡converters ¡taken ¡from ¡Yang ¡(2011) ¡ Iow a State University Wind Energy Science Engineering & policy 8--25

  10. Power Converter Issues in wind turbines Fischer (2014) Iow a State University Wind Energy Science Engineering & policy 9--25

  11. Condensation ariate example) (Dynamic Cov ¡Evidence ¡of ¡condensaCon ¡during ¡failure ¡event ¡from ¡Fischer ¡(2014) ¡ Iow a State University Wind Energy Science Engineering & policy 10--25

  12. Model and Approach: Dynamic Cov ariate Definition ¡ -­‑ Example ¡within ¡the ¡realm ¡of ¡power ¡converters ¡ ¡ΔT ¡, ¡N ¡ -­‑ ¡ΔT: ¡temperature ¡change ¡with ¡respect ¡to ¡Cme ¡in ¡the ¡Insulated ¡Bipolar ¡Gate ¡Transistor ¡ (IGBT) ¡module ¡at ¡each ¡cycle. ¡ ¡ -­‑ N: ¡ ¡number ¡of ¡cycles ¡over ¡Cme ¡ -­‑ Manufacturers ¡will ¡o^en ¡provide ¡informaCon ¡on ¡the ¡power-­‑cycling ¡capability ¡of ¡the ¡ IGBT ¡modules. ¡ -­‑ Plot ¡from ¡Wintrich ¡(2011) ¡ Iow a State University Wind Energy Science Engineering & policy 11--25

  13. Model and Approach: ariates Using Dynamic Cov ¡ -­‑ T: ¡Time ¡to ¡failure ¡ -­‑ δ: ¡censoring ¡indicator ¡ -­‑ δ ¡=1 ¡if ¡a ¡power ¡converter ¡fails ¡ ¡ ¡ -­‑ δ ¡=0 ¡if ¡the ¡power ¡converter ¡survives ¡to ¡the ¡Cme ¡of ¡data ¡analysis. ¡ ¡ !" ! !" ( ! ) " :recorded ¡value ¡of ¡covariate ¡ i ¡ for ¡unit ¡ j ¡at ¡Cme ¡ t ¡ ¡ -­‑ Our ¡proposed ¡model ¡allows ¡for ¡a ¡vector ¡covariate ¡process ¡ ¡ -­‑ Data ¡being ¡collected ¡on ¡individual ¡power ¡converter ¡ j ¡will ¡include ¡{ t j , δ j ,x(t j )} . ¡ ¡ • Δ Temp : ¡the ¡difference ¡between ¡the ¡minimum ¡and ¡maximum ¡temperatures ¡during ¡ thermal ¡cycling ¡over ¡a ¡specified ¡Cme ¡period ¡ ¡ • N j ¡: ¡the ¡number ¡of ¡cycles ¡over ¡the ¡same ¡specified ¡Cme ¡period ¡for ¡each ¡power ¡ converter. ¡ ¡ Iow a State University Wind Energy Science Engineering & policy 12--25

  14. Model and Approach: Cumulative Damage Model ¡ -­‑ Describe ¡the ¡effect ¡that ¡one ¡or ¡more ¡dynamic ¡covariates ¡has ¡on ¡the ¡failure ¡Cme ¡ distribuCon. ¡ -­‑ The ¡latent ¡(unobservable) ¡cumulaCve ¡damage ¡ u j ¡ (t) ¡ for ¡an ¡individual ¡power ¡converter ¡ is ¡modeled ¡by: ¡ ¡ ! ! ! ! = ! ! ! ; ! ! , ! !" ! ! = exp !" ! !" . ! ! -­‑ RelaConship ¡between ¡cumulaCve ¡damage ¡and ¡random ¡failure ¡Cme ¡T ¡ ¡ ¡ ! ¡ ! = ! ( ! ) = exp !" ! !" ! . ! ! -­‑ The ¡cumulaCve ¡distribuCon ¡funcCon ¡(cdf) ¡of ¡failure ¡Cme ¡T ¡given ¡the ¡enCre ¡covariate ¡ history ¡is: ¡ ¡ ! ! ; ! , ! ! = Pr ! ≤ ! = Pr ! ≤ ! ! ; ! , ! ! . Iow a State University Wind Energy Science Engineering & policy 13--25

  15. Model and Approach: Cumulative Damage Model Cont’d ¡ ¡ ! ! { ! ! ; ! , ! ! ; ! ! } ! -­‑ ¡is ¡the ¡cdf ¡of ¡U ¡ ! ! ; ! , ! ! = exp !" ! ! ! { ! ! ; ! , ! ! ; ! ! } ! -­‑ is ¡the ¡pdf ¡of ¡failure ¡Cme ¡T ¡ ¡ ¡ -­‑ Power ¡converter ¡failure ¡Cme ¡ t ¡will ¡be ¡dependent ¡on ¡the ¡number ¡and ¡range ¡of ¡the ¡ thermal ¡cycles ¡within ¡the ¡IGBT ¡module. ¡ ¡ Iow a State University Wind Energy Science Engineering & policy 14--25

  16. Model and Approach: Proportional Hazards Model ¡ ¡ Propor@onal ¡Hazards ¡Model ¡ ¡ -­‑ Biomedical ¡ApplicaCons ¡ ¡ -­‑ Uses ¡no ¡informaCon ¡from ¡covariate ¡history ¡ ¡ -­‑ Would ¡be ¡appropriate ¡if ¡failures ¡are ¡caused ¡by ¡shocks, ¡independent ¡of ¡unit ¡age ¡ Iow a State University Wind Energy Science Engineering & policy 15--25

  17. Model and Approach: ariate Model Cov ¡ Covariate ¡Model ¡ ¡ ¡ -­‑ Needed ¡to ¡predict ¡future ¡damage ¡accrual ¡ -­‑ Build ¡model ¡and ¡predict ¡covariate ¡process ¡ -­‑ MulCvariate ¡Cmes ¡series ¡model ¡ ¡ ¡ -­‑ Possibly ¡use ¡a ¡vector ¡autoregressive ¡moving ¡average ¡Cme ¡series ¡model ¡ Iow a State University Wind Energy Science Engineering & policy 16--25

  18. Model and Approach: Parameter Estimation ¡ ¡ -­‑ Establish ¡covariate ¡model ¡(previous ¡slide) ¡ ¡ -­‑ Parameter ¡esCmaCon ¡becomes ¡two-­‑step ¡process ¡ • Obtain ¡esCmates ¡of ¡failure-­‑Cme ¡distribuCon ¡parameters ¡condiConal ¡on ¡the ¡set ¡of ¡ observed ¡covariate ¡processes. ¡ ¡ ¡ • Obtain ¡esCmates ¡for ¡parameters ¡in ¡the ¡covariate ¡process. ¡ ¡ ! , ! ) ′ ! Failure-time distribution parameters ! ! ! = ( ! ! ! ! ! ! !Covariate!model!parameters! Iow a State University Wind Energy Science Engineering & policy 17--25

Recommend


More recommend