Advanced Deep Learning Framework for Predictive Maintenance of Renewable Energy Plants. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Masters Thesis) g202208260 Thesis Report.pdf - Accepted Version Restricted to Repository staff only until 5 January 2026. Download (7MB)

Arabic Abstract

الملخص الرسالة الاسم الكامل: عبد الباسط حسن عنوان الرسالة: إطار متقدم للتعلم العميق للصيانة التنبؤية لمحطات الطاقة المتجددة مجال التخصص: هندسة الأنظمة والتحكم تاريخ الحصول على الدرجة: نوفمبر 2024 يتطلب الانتقال من الموارد التقليدية المعتمدة على الوقود الأحفوري إلى الطاقة المتجددة والنظيفة استثمارات كبيرة، بالإضافة إلى مواجهة التحديات المتعلقة بضمان موثوقية واستقرار الشبكات الكهربائية المعقدة. وخلال العقد الماضي، اكتسبت مصادر الطاقة المتجددة (RER) شعبية كبيرة نظرًا لإمكاناتها في تعزيز استدامة الطاقة وتقليل تكاليف توليدها. تُعتبر الطاقة الشمسية وطاقة الرياح من أكثر مصادر الطاقة المتجددة هيمنة، حيث تتميز توربينات الرياح (WT) بميزة كبيرة مقارنة بمصادر الطاقة المتجددة الأخرى بقدرتها على إنتاج الطاقة على مدار الساعة. ومع ذلك، تواجه هذه المصادر المتجددة تحديات كبيرة تتعلق بتكاليف الطاقة، مما يُصعّب تشغيلها وصيانتها بكفاءة.من بين استراتيجيات الصيانة البارزة، تشكل الصيانة التصحيحية (المعتمدة على الفشل) لتوربينات الرياح تحديات كبيرة بسبب صعوبة الوصول إليها والظروف الجوية السيئة، مما يؤدي إلى إطالة مدة التوقف وزيادة التكاليف. بالإضافة إلى ذلك، غالبًا ما تكون الصيانة الوقائية (المجدولة زمنيًا) غير ضرورية، حيث يتم تنفيذ أنشطة الصيانة قبل الحاجة الفعلية لها. لذلك، تم تطوير الصيانة التنبؤية (PM) كحل اقتصادي للتعامل مع المشكلات النشطة، مثل أعطال محامل صندوق التروس لتوربينات الرياح، التي تؤثر بشكل كبير على أداء واستقرار أنظمة الطاقة المتجددة (RES).تقترح هذه الدراسة نهجًا ذكيًا للصيانة التنبؤية باستخدام ثلاثة نماذج سلوك طبيعي مستقلة وتقنية تجميع متعددة النماذج للتنبؤ بأعطال صندوق التروس. ويعتمد النموذج على البيانات التي يتم جمعها من خلال نظام الإشراف والتحكم في توربينات الرياح (SCADA). تم تقييم كفاءة النموذج المطور باستخدام المؤشرات الإحصائية (SI)، حيث أظهرت القيم المرضية للمؤشرات فعالية وقوة النماذج المقترحة. كما تم إجراء تحليل ما بعد المعالجة باستخدام مخطط التحكم Shewhart (SCC) لتحديد الانحرافات بين التوقعات والقياسات الفعلية لبيانات SCADA لتحديد جدول الصيانة التنبؤية.أظهرت النماذج المطورة دقة عالية في التنبؤ بحدوث الأعطال قبل 72 ساعة على الأقل من وقوعها، كما هو موضح في سجل صيانة مزرعة الرياح. وبالمثل، تم تطوير نموذج تصنيف عيوب الألواح الشمسية الكهروضوئية باستخدام الشبكة العصبية الالتفافية (CNN) وصور الخلايا الكهروضوئية المأخوذة بتقنية التألق الكهربائي (EL) تحت تعريض متدرج للرطوبة والحرارة لفترات زمنية تتراوح بين 500 ساعة و3000 ساعة. تم تقييم دقة النموذج بناءً على دقة وضوح بكسل صور الخلايا الكهروضوئية (EL) من الدقة المنخفضة إلى العالية. وأظهرت نتائج التصنيف أن حجم البكسل المتوسط (100 × 100) وحجم البكسل العالي (250 × 250) حققا أعلى دقة تصنيف، مع عدم وجود صور خلايا EL مصنفة بشكل خاطئ. وبالتالي، يُعتبر حجم البكسل المتوسط (100 × 100) أكثر ملاءمة نظرًا لقيمته الأقل، مما يقلل من خطر الإفراط في التكيف مع النموذج ويقلل من متطلبات الحوسبة للتدريب والاستنتاج.يمتلك هذا النهج في الصيانة التنبؤية القدرة على تحقيق وفورات كبيرة في التكاليف من خلال تعزيز الجدوى الاقتصادية لتشغيل أنظمة توربينات الرياح والألواح الشمسية. كما أن الكشف المبكر عن الأعطال يوفر لمشغلي مزارع الرياح والطاقة الشمسية وقتًا كافيًا لاتخاذ الإجراءات التصحيحية اللازمة، مما يتيح إصلاح أو استبدال المعدات المعيبة في الوقت المناسب. ويمتلك هذا النهج الاستباقي للصيانة القدرة على تقليل التكاليف غير الضرورية وتقليل فترات التوقف بشكل فعال

English Abstract

The transition from traditional fossil fuel-based resources to renewable and clean energy requires significant investments and addressing the challenges of ensuring reliability and stability in complex electricity grids. Over the past decade, renewable energy resources (RER) have gained substantial popularity due to their potential to enhance energy sustainability and reduce energy generation costs. Solar and wind are the two most dominant RERs; wind turbines (WT) have a greater advantage over other renewable energy sources in producing energy around the clock. A fundamental problem these renewable sources face is the energy cost, thus challenging their efficient operation and maintenance (O&M). Among the prominent maintenance strategies, Corrective maintenance (failure-based) for wind turbines (WTs) poses significant challenges due to limited accessibility and adverse weather conditions, which prolong outage durations and increase costs. Additionally, preventive maintenance (time-based) can often be unnecessary, as maintenance activities are scheduled before they are required. Predictive maintenance (PM) has been developed to be an economical solution for actively overcoming problems, such as wind turbine gearbox bearing failures that seriously affect the performance and stability of renewable energy systems (RES). This study proposes an intelligent PM approach using three standalone normal behaviour models and their Multi-model ensemble technique for gearbox fault prediction. It uses the data acquired through the WT supervisory control and data acquisition (SCADA) system. The efficiency of the developed model was evaluated using statistical indices (SI), with satisfactory SI values demonstrating the effectiveness and robustness of the proposed models. A post-processing analysis is also carried out using the Shewhart control chart (SCC) to determine the deviation of predictions from the actual SCADA data measurement to identify the PM schedule. The developed models accurately predict the failure event at least 72 hours before it occurs, as reported in the wind farm maintenance logbook. Similarly, a solar photovoltaic (PV) defect classification model was developed using the convolutional neural network (CNN) and electroluminescence (EL) cell images under step-wise damp heat exposures from 500h to 3000h. The model's accuracy was evaluated based on EL cell image pixel resolution, ranging from lower to higher resolutions. The model classification results indicated that a medium pixel size of 100 × 100 and a high pixel size of 250 × 250 achieved the highest classification accuracy, with no misclassified EL cell images. Therefore, a medium pixel size of 100 × 100 is more suitable due to its lower pixel values, which has a lower risk of overfitting and low computational requirements for training and inference. This predictive maintenance approach has the potential to generate substantial cost savings by enhancing the economic viability of wind turbine systems and solar PV operations. Early fault detection gives wind and solar farm operators adequate time to implement corrective actions, allowing for timely repair or replacement of faulty gearboxes. This proactive maintenance strategy has the potential to minimize unnecessary costs and reduce downtime effectively.

Item Type:	Thesis (Masters)
Subjects:	Computer Systems Engineering Electrical
Department:	College of Engineering and Physics > Control and Instrumentation Engineering
Committee Advisor:	Shafiullah, Md
Committee Co-Advisor:	Islam, Asif
Committee Members:	Nasir, Ali and Gulzar, Muhammad Majeed and Muhammad Amrr, Syed
Depositing User:	ABDULBASIT HASSAN (g202208260)
Date Deposited:	05 Jan 2025 10:29
Last Modified:	05 Jan 2025 10:29
URI:	http://eprints.kfupm.edu.sa/id/eprint/143227