Fault Diagnosis of 3D-Printed Scaled Wind Turbine Blades

要約

この研究では、3Dプリントされたスケーリングモデル、有限要素シミュレーション、実験的モーダル分析、および機械学習技術を使用した風力タービンブレードの障害検出のための統合された方法論を提示します。
NREL 5MWブレードのスケーリングされたモデルを3D印刷を使用して製造し、重要な場所で亀裂型の損傷を導入しました。
有限要素分析を採用して、これらの損傷が自然周波数に与える影響を予測し、結果は制御されたハンマー衝撃テストを介して検証されました。
振動データは、時間領域と周波数領域の両方の特徴を抽出するために処理され、統計分析（ANOVA）を使用して主要な識別変数が識別されました。
サポートベクターマシンやK-Nearest Neighborsを含む機械学習分類器は、94％を超える分類精度を達成しました。
結果は、振動モード3、4、および6がこの刃の構造異常に特に敏感であることを明らかにしました。
この統合されたアプローチは、数値シミュレーションを実験的検証と組み合わせることの実現可能性を確認し、風力エネルギーアプリケーションの構造的健康監視システムへの道を開きます。

要約(オリジナル)

This study presents an integrated methodology for fault detection in wind turbine blades using 3D-printed scaled models, finite element simulations, experimental modal analysis, and machine learning techniques. A scaled model of the NREL 5MW blade was fabricated using 3D printing, and crack-type damages were introduced at critical locations. Finite Element Analysis was employed to predict the impact of these damages on the natural frequencies, with the results validated through controlled hammer impact tests. Vibration data was processed to extract both time-domain and frequency-domain features, and key discriminative variables were identified using statistical analyses (ANOVA). Machine learning classifiers, including Support Vector Machine and K-Nearest Neighbors, achieved classification accuracies exceeding 94%. The results revealed that vibration modes 3, 4, and 6 are particularly sensitive to structural anomalies for this blade. This integrated approach confirms the feasibility of combining numerical simulations with experimental validations and paves the way for structural health monitoring systems in wind energy applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google