• Medientyp: Elektronische Hochschulschrift; Dissertation; E-Book
  • Titel: A holistic framework for data-driven diagnostics of operational wind turbines
  • Beteiligte: Bogoevska, Simona [VerfasserIn]
  • Erschienen: RUB-Repository (Ruhr-Universität Bochum), 2020-05-06
  • Sprache: Englisch
  • Schlagwörter: Umweltbilanz ; Systemidentifikation ; Unüberwachtes Lernen ; Schwingung ; Mustererkennung
  • Entstehung:
  • Anmerkungen: Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
  • Beschreibung: Die Arbeit schafft die ingenieurwissenschaftlichen Grundlagen für eine messdatengestützte Schädigungsdiagnositik für Tragwerke, mit der zeitliche Instationaritäten verarbeitet werden können. In dem neuartigen Konzept werden kontinuierlich gemessene Tragwerksreaktionen sowie Einwirkungs- und Betriebsparameter (engl. "EOP") probabilistisch verknüpft. Der neue Methodenrahmen kombiniert eine in der Fachliteratur mit "Smoothness Priors Time Varying Autoregressive Moving Average" bezeichnete Modellierung von statistisch nichtstationären Tragwerksreaktionen und eine als "Polynomial Chaos Expansion" eingeführte Modellierung der Fortpflanzung von Antwortunschärfen. Der Methodenrahmen wird vollständig validiert. Tests mit drei statistischen Kriterien belegen das gute Auflösevermögen der entstandenen Diagnostik bezüglich auffälliger Schwankungen der EOP oder bezüglich Tragwerksveränderungen einschließlich abrupter Änderungen des Betriebszustandes der als Beispiel untersuchten Windenergieanlage. ; The presented work explores the development of a data-driven structural health monitoring framework able to tackle the challenge of short and long-term temporal variability. The diagnostic relies on a novel concept that links monitored structural responses and the random evolution of Environmental and Operational Parameters (EOP) affecting the monitored structure. The proposed framework combines the implementation of a Smoothness Priors Time Varying Autoregressive Moving Average method for modeling the non-stationary structural response, and a Polynomial Chaos Expansion probabilistic model for modeling the propagation of response uncertainty. The tool is validated and demonstrated on a full-scale wind turbine. Fusion of the proposed strategy with three different statistical methods demonstrated the sensitivity of the obtained diagnostic indicator to unfamiliar fluctuations in measured EOP, or to system changes resulting from abrupt shifts in working regimes of the structure.
  • Zugangsstatus: Freier Zugang