Аналіз дефектів лопатей вітрових турбін засобами нейро-нечіткої системи
Анотація
Розглянуто сучасний стан вітрової енергетики в Україні як одного з найперспективніших напрямів розвитку відновлюваної енергетики. Виявлено, що дефекти лопатей вітрових турбін є критичним чинником, який істотно впливає на продуктивність, ефективність і надійність роботи вітроустановок. Встановлено, що серед найпоширеніших типів пошкоджень лопатей є ерозія, корозія, тріщини, розшарування, обмерзання та викривлення геометрії. Найнебезпечнішими є тріщини та глибока ерозія, які можуть призводити до аварійного зупинення турбіни. Оцінено вплив цих дефектів на динамічну поведінку турбіни та витрати на її обслуговування. Охарактеризовано закономірності поширення пошкоджень та їх взаємозв'язок із зовнішніми впливами, такими як волога, пил, температура та механічне навантаження. З'ясовано, що наявні підходи до діагностики пошкоджень, зокрема методи глибокого навчання та вібраційного аналізу, мають належну точність, але потребують великих обсягів даних і значних обчислювальних ресурсів. Обґрунтовано вибір та розроблено модель нейро-нечіткої системи логічного висновку на базі моделі ANFIS (англ. Adaptive Neuro-Fuzzy Inference System), яка поєднує здатність до навчання нейронної мережі з гнучкістю нечіткої логіки. Визначено ефективність використання методу субтрактивної кластеризації даних для формування компактної та адаптивної бази нечітких правил, які є основою для навчання системи. Побудовано архітектуру системи діагностики дефектів лопаті вітрової турбіни, що дає змогу здійснювати їх класифікацію за допомогою нечітких функцій належності Гауса та набору мінімальних правил. Проведено навчання моделі на підставі вибірки векторів ознак дефектів на зображенні лопаті, отримано точність класифікації на рівні 91 % та середню похибку 9 %, що підтверджує доцільність використання системи для автоматизованого аналізу стану лопатей. Підтверджено, що запропонована система забезпечує швидке виявлення дефектів навіть за умов обмеженості даних або нечіткості вхідної інформації. Обґрунтовано перспективність подальшого розвитку підходу до підвищення точності, масштабованості та стійкості до завад.
Завантаження
Посилання
Alagha, N., Khairuddin, A. S. M., Haitaamar, Z. N., Al-Khatib, O., & Kanesan, J. (2025). Artificial Intelligence in Wind Turbine Fault Detection and Diagnosis: Advances and Perspectives. Energies, 18, article ID 1680. https://doi.org/10.3390/en18071680
Chumachenko, D., Sokolov, O., & Yakovlev, S. (2020). Fuzzy Recurrent Mappings in Multiagent Simulation of Population Dynamics Systems. International Journal of Computing, 19(2), 290–297. https://doi.org/10.47839/ijc.19.2.1773
Dubchak, L., Sachenko, A., Bodyanskiy, Y., Wolff, C., Vasylkiv, N., Brukhanskyi, R., & Kochan, V. (2024). Adaptive Neuro-Fuzzy System for Detection of Wind Turbine Blade Defects. Energies, 17, article ID 6456. https://doi.org/10.3390/en17246456
Elsisi, M., Tran, M.-Q., Mahmoud, K., Lehtonen, M., & Darwish, M. M. F. (2021). Robust Design of ANFIS-Based Blade Pitch Controller for Wind Energy Conversion Systems Against Wind Speed Fluctuations. IEEE Access, 9, 37894–37904. https://doi.org/10.1109/ACCESS.2021.3063053
Jang, J.-S. R. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics, 23(3), 665–685. https://doi.org/10.1109/21.256541
Lahham, Eyad Al, Kanaan, Laith, Murad, Zaid, Khalid, Haris M., Hussain, Ghulam Amjad, & Muyeen, S. M. (2025). Online condition monitoring and fault diagnosis in wind turbines: A comprehensive review on structure, failures, health monitoring techniques, and signal processing methods. Green Technologies and Sustainability, 3(2), article ID 100153. https://doi.org/10.1016/j.grets.2024.100153
Memari, M., Shakya, P., Shekaramiz, M., Seibi, A. C., & Masoum, M. A. S. (2024). Review on the Advancements in Wind Turbine Blade Inspection: Integrating Drone and Deep Learning Technologies for Enhanced Defect Detection. In IEEE Access, 12, 33236–33282. https://doi.org/10.1109/ACCESS.2024.3371493
Omelchenko, V. (2022). Ukraines renewable energy sector before, during and after the war. Razumkov centre. URL: https://razumkov.org.ua/en/articles/ukraines-renewable-energy-sector-before-during-and-after-the-war
Pasieka, M., Grzesik, N., & Kuźma, K. (2017). Simulation Modeling of Fuzzy Logic Controller for Aircraft Engines. International Journal of Computing, 16(1), 27–33. https://doi.org/10.47839/ijc.16.1.868
Patel, J., Sharma, L., & Dhiman, H. S. (2022). Wind Turbine Blade Surface Damage Detection based on Aerial Imagery and VGG16-RCNN Framework. Cornell University – arXiv. https://doi.org/10.48550/ARXIV.2108.08636
Pérez-Pérez, E.-J., López-Estrada, F.-R., Puig, V., Valencia-Palomo, G., & Santos-Ruiz, I. (2022). Fault diagnosis in wind turbines based on ANFIS and Takagi-Sugeno interval observers. Expert Systems with Applications, 206, article ID 117698. https://doi.org/10.1016/j.eswa.2022.117698
Phan, N. M. L., Tung, D. N., Thanh, T. N., et al. (2023). ANFIS Wind Speed Estimator-Based Output Feedback Near-Optimal MPPT Control for PMSG Wind Turbine. Journal of Control, Automation and Electrical Systems, 34, article ID 588–598. https://doi.org/10.1007/s40313-022-00980-5
Pouya, Moshtaghi, Najmeh, Hajialigol, & Behnam, Rafiei. (2025). A comprehensive review of artificial intelligence applications in wind energy power generation. Sustainable Futures, 9, article ID 100638. https://doi.org/10.1016/j.sftr.2025.100638
Rabbi, M. F., Emon, S. H., Nishat, E. M., Tseng, T.-L., Ferdoushi, A., Huang, C.-C., & Rahman, M. F. (2023). A Novel Approach for Defect Detection of Wind Turbine Blade Using Virtual Reality and Deep Learning. University of Texas at El Paso ScholarWorks@UTEP. URL: https://scholarworks.utep.edu/cgi/viewcontent.cgi?article=4932&context=open_etd
Roshchupkina, N., Sachenko, A., Roshchupkin, O., Kochan, V., & Smid, R. (2013). Multisensors signal processing using ANFIS. IEEE 7th International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), Berlin, Germany, 315–318. https://doi.org/10.1109/IDAACS.2013.6662696
Sarkar, M. R., Julai, S., Wen, Tong C., & Toha, S. F. (2019). Effectiveness of Nature-Inspired Algorithms using ANFIS for Blade Design Optimization and Wind Turbine Efficiency. Symmetry, 11, article ID 456. https://doi.org/10.3390/sym11040456
Sarrafi, A., Mao, Z., Niezrecki, C., & Poozesh, P. (2018). Vibration-Based Damage Detection in Wind Turbine Blades using Phase-Based Motion Estimation and Motion Magnification. Journal of Sound and Vibration, 421, 300–318. https://doi.org/10.1016/j.jsv.2018.01.050
Shihavuddin, A., Chen, X., Fedorov, V., Nymark Christensen, A., Andre Brogaard Riis, N., Branner, K., Bjorholm Dahl, A., & Reinhold Paulsen, R. (2019). Wind Turbine Surface Damage Detection by Deep Learning Aided Drone Inspection Analysis. Energies, 12(4), article ID 676. https://doi.org/10.3390/en12040676
Ukraine energy firm DTEK plans $470 million wind farm expansion. Reuters. (2025). URL: https://www.reuters.com/business/energy/ukraine-energy-firm-dtek-plans-470-million-wind-farm-expansion-2025-01-22
Xu Chao, Yu Zhongqing, Li Jinhua, & Yang Xixin. (2021). Modeling and Optimization of HVAC System Based on GA-ANFIS Algorithm. Association for Computing Machinery. Proceedings of the 2020 International Conference on Cyberspace Innovation of Advanced Technologies, New York, NY, USA, 44–53. https://doi.org/10.1145/3444370.3444546
