پیش‌بینی خرابی یاتاقان ژنراتور و گیربکس توربین بادی با استفاده از شبکه عصبی واحد بازگشتی دروازه‌دار (gru)

کاهش هزینه‌ها و افزایش بهره‌وری یکی از مهم‌ترین هدف‌هایی است که سازمان‌های تجهیزمحور دنبال می‌نمایند. روش متداول نگهداری و تعمیرات پیشگیرانه است، زمان‌بندی تعمیرات انجام‌شده در سرویس و نگهداری پیشگیرانه غالباً سخت‌گیرانه تدوین می‌شود، به این معنی که غالباً قبل از اتمام عمر مفید باقیمانده قطعات یدکی نسبت به تعویض آن‌ها اقدام می‌گردد. با توجه به محل نصب توربین‌های بادی خصوصاً در توربین‌های فراساحلی، معضلات ارتفاعی و گرانی قطعات یدکی و نیروی انسانی متخصص از طرفی زمان انجام تعمیرات که توربین از مدار سرویس‌دهی خارج می‌شود، تعمیرات پیشگیرانه این تجهیزات با هزینه‌های گزافی انجام می‌شود. هدف این مقاله شناسایی پیش‌آگهی‌های خرابی است، تا با پیش‌بینی خرابی، انجام عملیات تعمیرات در زمان لازم (پیش بینانه) و نه زودتر (پیشگیرانه) انجام شود تا باعث کاهش هزینه‌های نگهداری و تعمیرات گردد. در این مقاله به شناسایی پیش‌آگهی‌های خرابی یاتاقان ژنراتور و یاتاقان گیربکس توربین بادی می‌پردازیم. چهارچوب پیشنهادی به این صورت است که دمای یاتاقان ژنراتور و دمای یاتاقان توربین با استفاده از ورودی‌های دمای ناسل، سرعت روتور، توان اکتیو، دمای محیط بیرون، دمای روغن، سرعت ژنراتور و دمای استاتور ژنراتور در بازه زمانی با استفاده از الگوریتم یادگیری عمیق gru مدل‌سازی می‌شود. مقدار دمای پیش‌بینی‌شده مدل با مقدار واقعی اندازه‌گیری شده توسط سنسور مقایسه می‌شود، و اختلاف بیشتر از حد آستانه، به‌عنوان پیش‌آگهی خرابی در نظر گرفته می‌شود. در مرحله مقایسه، نتایج روش پیشنهادی با مطالعات پیشین و مجموعه های داده واقعی مقایسه شده و بهبود صحت مدل‌سازی و تسریع در شناسایی پیش‌آگهی خرابی را نشان داده می‌شود.