[논문]모드특성을 이용한 풍력발전기 타워의 손상추정기법

이종원; 방제성; 김상렬; 한정우

doi:10.11112/jksmi.2012.16.2.087

모드특성을 이용한 풍력발전기 타워의 손상추정기법
Damage Estimation Method for Wind Turbine Tower Using Modal Properties 원문보기

한국구조물진단유지관리공학회 논문집 = Journal of the Korea Institute for Structural Maintenance and Inspection, v.16 no.2, 2012년, pp.87 - 94

이종원 (남서울대학교 건축공학과) , 방제성 (한국기계연구원 기계시스템안전연구본부) , 김상렬 (한국기계연구원 기계시스템안전연구본부) , 한정우 (한국기계연구원 기계시스템안전연구본부)

초록
AI-Helper

본 연구에서는 풍력발전기 타워의 효과적인 상태 모니터링을 위하여 타워의 고유진동수 및 모드형상을 이용한 손상추정기법을 제안하였다. 풍력발전기에 대한 동력학 시뮬레이션 프로그램을 이용하여 타워의 거동을 시뮬레이션하고 결과를 이용하여 타워의 모드특성을 추정하였다. 다양한 손상에 의한 타워의 고유진동수와 모드형상의 변화를 모드특성 추정 프로그램을 이용하여 해석적으로 구하여 훈련패턴을 생성하고 이를 이용하여 신경망을 훈련시켰다. 복수 손상 경우를 포함한 10가지 손상경우에 대한 모드특성을 훈련된 신경망에 입력하여 손상을 추정하였으며, 모든 손상 경우에 대하여 비교적 정확하게 손상위치와 손상정도를 판정할 수 있었다. 단, 미소 손상의 경우 손상정도가 약간 과소평가되는 경향을 보였으나 손상위치는 합리적으로 추정됨을 알 수 있었다. 향후, 미소 손상 추정결과의 정확성을 개선하고, 실험을 통하여 제안된 기법을 검증할 계획이다.

Abstract ▼ AI-Helper

A damage estimation method of wind turbine tower using natural frequency and mode shape is presented for effective condition monitoring. Dynamic analysis for a wind turbine was carried out to obtain the response of tower from which modal properties were identified. A neural network was learned based on training patterns generated by the changes of natural frequency and mode shape due to various damages. The changes of modal property were calculated using a program for modal parameter estimation. Damage locations and severities could be successfully estimated for 10 damage cases including multi-damage cases using the trained neural network. The damage severities for very small damages generally tends to be slightly under-estimated however, the identified damage locations agreed reasonably well with the accurate locations. Enhancement of the estimation result for very small damage and verification of the proposed method through experiment will be carried out by further study.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 풍력발전기 타워의 고유진동수 및 모드 형상을 이용하여 손상을 추정할 수 있는 기법을 제안한다. 이를 위하여 풍력발전기에 대한 동력학 시뮬레이션 프로그램을 이용하여 타워의 거동을 해석하고, 결과를 처리하여 모드특성을 추정한다.
본 연구에서는 풍력발전기 타워의 효과적인 상태 모니터링을 위하여 타워의 고유진동수 및 모드형상을 이용한 손상추정기법을 제안하였다. 이를 위하여 풍력발전기에 대한 동력학 시뮬레이션 프로그램을 이용하여 타워의 거동을 시뮬레이션하고 결과를 처리하여 모드특성을 추정 하였다.

제안 방법

1) 건전상태 타워의 가속도를 측정한 후 2장에서 설명된 방법을 이용하여 모드특성을 추정한다.
2) 모드특성 추정 프로그램을 이용하여 건전상태 타워 해석에 적용되는 구조특성을 개선(updating)함으로써 해석 및 측정 모드특성을 일치시킨다.
3) 개선된 구조특성을 기반으로 모드특성 추정 프로그램을 이용하여 해석적으로 신경망 훈련패턴을 생성한다.
대상 풍력발전기에 적용할 바람을 생성하기 위하여 TurbSim 프로그램(Jonkman, 2009)을 이용하였다. 30분간의 바람데이터를 생성하여 시뮬레이션을 수행하였으며 평균풍속은 10 m/sec으로 설정하였다. 해당 풍력발전기의 정격풍속은 12 m/sec이며, 가변속 제어방식이므로 정격풍속 이하에서는 풍속 증가에 따라 로터 회전수 및 출력이 증가하고, 정격풍속 이상에서는 출력이 정격출력으로 일정하게 제어된다.
5) 추정된 모드특성을 훈련된 신경망에 입력하여 손상지수를 구하여 손상위치 및 손상정도를 판정한다.
각각의 손상경우에 대하여 변화된 1차 및 2차 고유진동수와 가속도 응답이 구해지는 5개 위치(Fig. 2 참조)에서의 1차 및 2차 모드형상을 구하였다. 이후 손상전후 고유진동수의 비율과 벡터 놈(norm)으로 노멀라이징(normalizing)한 모드형상으로 4000셋의 훈련패턴을 생성하였다.
해당 풍력발전기의 정격풍속은 12 m/sec이며, 가변속 제어방식이므로 정격풍속 이하에서는 풍속 증가에 따라 로터 회전수 및 출력이 증가하고, 정격풍속 이상에서는 출력이 정격출력으로 일정하게 제어된다. 본 연구에서는 보다 다양한 로터 회전수에 대한 거동에 대해 시뮬레이션을 수행하고 이를 분석하기 위하여 정격풍속보다 약간 낮은 10 m/sec를 평균풍속으로 설정하였다.
본 연구에서는 실제 풍력발전기 타워에 대한 계측을 수행하기 전에 우선 동력학 해석 프로그램을 이용하여 타워의 거동을 시뮬레이션하고, 여기서 얻어진 응답을 이용하여 타워의 모드특성을 추정한다. 타워의 거동을 구하기 위해서는 풍력발전기 전체에 대한 해석을 수행해야 하며, 이를 위해서는 기계 서브시스템, 공력학 서브시스템, 전기 서브시스템 및 피치 시스템 등을 각각 모델링 한 후 통합하여야 한다.
한편, 11개 및 10개의 노드를 가지는 2개의 은닉층을 구성하였다. 생성된 훈련패턴을 이용하여 신경망을 학습시켰으며 이때, 안정된 추정오차를 위하여 훈련패턴의 순서를 무작위로 하여 100회의 반복학습을 수행하였다.
이를 위하여 풍력발전기에 대한 동력학 시뮬레이션 프로그램을 이용하여 타워의 거동을 시뮬레이션하고 결과를 처리하여 모드특성을 추정 하였다. 손상에 의한 타워의 고유진동수와 모드형상의 변화를 이용하여 신경망을 훈련시키고, 이를 통하여 10가지 손상경우에 대해 손상위치 및 손상정도를 추정하였다.
우선 4000셋의 손상위치 및 손상정도를 무작위로 샘플링한 후 이에 대한 고유주파수와 모드형상을 BModes 프로그램(Bir, 2007)을 이용하여 각각 구하였다. 이 프로그램은 풍력발전기의 블레이드 및 타워와 같이 길이 방향으로 구조특성이 분포가 되는 구조물의 모드특성을 계산하는 유한요소 코드이다.
우선 4000셋의 손상위치 및 손상정도를 무작위로 샘플링한 후 이에 대한 고유주파수와 모드형상을 BModes 프로그램(Bir, 2007)을 이용하여 각각 구하였다. 이 프로그램은 풍력발전기의 블레이드 및 타워와 같이 길이 방향으로 구조특성이 분포가 되는 구조물의 모드특성을 계산하는 유한요소 코드이다. 모드특성은 구조물 고유의 성질로써 외부하중인 바람에 의한 풍력발전기 전체의 동력학 시뮬레이션 수행 과정을 생략하고 구할 수 있다.
타워 최하단 부분이 바람에 의한 모멘트 하중을 가장 크게 부담하고, 개구부의 영향 등으로 인하여 손상이 발생할 확률이 높다. 이를 고려하여, Table 3의 손상 경우를 결정할 때 의도적으로 타워 최하단의 손상을 크게 설정한 후 제안된 기법을 활용하여 손상 추정을 수행하였다.
본 연구에서는 풍력발전기 타워의 효과적인 상태 모니터링을 위하여 타워의 고유진동수 및 모드형상을 이용한 손상추정기법을 제안하였다. 이를 위하여 풍력발전기에 대한 동력학 시뮬레이션 프로그램을 이용하여 타워의 거동을 시뮬레이션하고 결과를 처리하여 모드특성을 추정 하였다. 손상에 의한 타워의 고유진동수와 모드형상의 변화를 이용하여 신경망을 훈련시키고, 이를 통하여 10가지 손상경우에 대해 손상위치 및 손상정도를 추정하였다.
본 연구에서는 풍력발전기 타워의 고유진동수 및 모드 형상을 이용하여 손상을 추정할 수 있는 기법을 제안한다. 이를 위하여 풍력발전기에 대한 동력학 시뮬레이션 프로그램을 이용하여 타워의 거동을 해석하고, 결과를 처리하여 모드특성을 추정한다. 또한 손상에 의한 타워의 고유진동수와 모드형상의 변화를 이용하여 손상위치 및 손상정도를 추정하기 위하여 신경망기법을 사용한다.
타워의 모드특성을 추정하기 위하여, Table 1에 나타낸 제원의 1.5 MW용량 수평축 업윈드 3-블레이드 풍력발전기에 대하여 FAST 프로그램을 이용하여 동력학 시뮬레이션을 수행하였다. 대상 풍력발전기에 적용할 바람을 생성하기 위하여 TurbSim 프로그램(Jonkman, 2009)을 이용하였다.

대상 데이터

손상위치 및 정도 추정을 위한 신경망의 구조를 Fig. 7에 나타내었으며, 신경망 입력자료는 12개로써 1차 및 2차 고유진동수 비율과 1차 및 2차 모드형상 성분들이고 출력층은 10개 위치(Table 2 참조)에서의 강성지수(αj)로 구성하였다.
해석대상 타워의 높이는 82.39 m, 질량은 123003 kg, 블레이드와 나셀을 포함한 타워 상부의 질량은 780566 kg이며 풍력발전기 전체 질량은 201059 kg이다. 높이에 따라 단면이 변화하며, 위치에 따른 타워 단면의 주요 특성을 Table 2에 나타내었다.

이론/모형

5 MW용량 수평축 업윈드 3-블레이드 풍력발전기에 대하여 FAST 프로그램을 이용하여 동력학 시뮬레이션을 수행하였다. 대상 풍력발전기에 적용할 바람을 생성하기 위하여 TurbSim 프로그램(Jonkman, 2009)을 이용하였다. 30분간의 바람데이터를 생성하여 시뮬레이션을 수행하였으며 평균풍속은 10 m/sec으로 설정하였다.
이를 위하여 풍력발전기에 대한 동력학 시뮬레이션 프로그램을 이용하여 타워의 거동을 해석하고, 결과를 처리하여 모드특성을 추정한다. 또한 손상에 의한 타워의 고유진동수와 모드형상의 변화를 이용하여 손상위치 및 손상정도를 추정하기 위하여 신경망기법을 사용한다.
본 연구에서는 주파수 영역 분해 기법(frequency domain decomposition method)을 이용하여 타워의 고유주파수와 모드형상을 구하였다(Brinker et. al., 2000). 이 방법에서는 각 계측자료로부터 구한 스펙트럼 밀도 함수(spectral density function)를 특이치 분해(singular value decomposition)하여 구해지는 행렬에서 고유주파수와 이에 해당하는 모드형상을 추정할 수 있다.
타워의 거동을 구하기 위해서는 풍력발전기 전체에 대한 해석을 수행해야 하며, 이를 위해서는 기계 서브시스템, 공력학 서브시스템, 전기 서브시스템 및 피치 시스템 등을 각각 모델링 한 후 통합하여야 한다. 본 연구에서는 풍력발전기의 비선형운동 방정식의 해를 구할 수 있는 FAST 프로그램(Jonkman and Buhl Jr., 2005)을 이용하여 풍력발전기에 대한 전체 해석을 수행하였다. 이 프로그램을 이용하면 풍력발전기에 대한 강체역학 및 블레이드와 타워에 대한 유연체역학 해석이 가능하고, 바람하중이 작용하는 상태에서 시간에 대한 공력학 및 구조 응답을 구할 수 있다.

성능/효과

모든 손상 경우에 대해 비교적 정확하게 손상위치와 손상정도를 추정할 수 있었다. 단, 미소 손상의 경우 손상정도가 약간 과소평가되는 경향이 있었지만 손상위치는 성공적으로 추정되었다. 실용적인 측면에서 보면, 손상 위치를 합리적으로 추정할 수 있다면 손상정도 추정의 정확성은 상대적으로 중요성이 적어질 수 있을 것으로 사료된다.
모든 손상 경우에 대한 평균 추정오차는 약 8.8%로써 비교적 정확하게 손상위치와 손상정도를 추정할 수 있었다. 또한, Case 6 ~ 10까지의 복수 손상 경우에 대해서도 성공적으로 손상을 추정함을 알 수 있다.
모드특성은 구조물 고유의 성질로써 외부하중인 바람에 의한 풍력발전기 전체의 동력학 시뮬레이션 수행 과정을 생략하고 구할 수 있다. 즉, 신경망 기법을 이용하기 위해서는 다양한 손상 경우 대한 타워의 모드특성을 해석적으로 계산해야하는데, 4000셋의 모든 경우에 대하여 동력학 시뮬레이션을 수행하는 것은 비효율적이며, 손상경우에 대한 모드특성 추정 프로그램을 이용하는 것이 합리적이라 판단된다.

후속연구

즉, 다양한 입력 자료를 함께 활용함으로써 미소 손상에 대한 추정결과를 향상시킬 수 있을 것으로 판단된다. 또한, 신경망 기법 외에 다른 기법을 병행하여, 손상추정을 복수로 수행한다면 미소 손상에 대한 추정 결과의 정확성과 신뢰성을 개선시킬 수 있을 것으로 사료된다.
추후, 미소 손상 추정결과의 정확성을 개선하고, 바람방향 이외의 모드도 함께 고려한 기법을 개발하며, 실제 풍력발전기 또는 모의 실험체에 대하여 제안된 기법을 적용하고 검증할 계획이다. 본 연구에서 제안된 기법을 활용하여, 풍력발전기 운용 중 타워의 상태를 모니터링하고 손상을 조기에 감지함으로써 타워에 대한 안전성을 확보하고 손상발생에 따른 비용을 절감할 수 있을 것으로 판단된다.
그러나 미소 손상에 대한 과소 평가 문제는 향후 중요하게 해결되어야할 문제라고 판단된다. 본 연구에서는 신경망의 입력 자료로 타워의 모드특성만을 활용하였지만, 신경망 기법의 특성상 모드특성에 추가하여 스트레인, 경사 및 변위 등 다양한 계측자료를 함께 사용할 수 있다. 즉, 다양한 입력 자료를 함께 활용함으로써 미소 손상에 대한 추정결과를 향상시킬 수 있을 것으로 판단된다.
그러나 미소 손상의 경우에도 손상위치는 성공적으로 추정됨을 알 수 있다. 실용적인 측면에서 보면, 손상위치를 합리적으로 추정할 수 있다면 손상정도 추정의 정확성은 상대적으로 중요성이 적어질 수 있을 것으로 사료된다. 그러나 미소 손상에 대한 과소 평가 문제는 향후 중요하게 해결되어야할 문제라고 판단된다.
그러나 미소 손상의 경우에도 손상위치는 성공적으로 추정됨을 알 수 있다. 실용적인 측면에서 보면, 손상위치를 합리적으로 추정할 수 있다면 손상정도 추정의 정확성은 상대적으로 중요성이 적어질 수 있을 것으로 사료된다. 그러나 미소 손상에 대한 과소 평가 문제는 향후 중요하게 해결되어야할 문제라고 판단된다.
본 연구에서는 신경망의 입력 자료로 타워의 모드특성만을 활용하였지만, 신경망 기법의 특성상 모드특성에 추가하여 스트레인, 경사 및 변위 등 다양한 계측자료를 함께 사용할 수 있다. 즉, 다양한 입력 자료를 함께 활용함으로써 미소 손상에 대한 추정결과를 향상시킬 수 있을 것으로 판단된다. 또한, 신경망 기법 외에 다른 기법을 병행하여, 손상추정을 복수로 수행한다면 미소 손상에 대한 추정 결과의 정확성과 신뢰성을 개선시킬 수 있을 것으로 사료된다.
추후, 미소 손상 추정결과의 정확성을 개선하고, 바람방향 이외의 모드도 함께 고려한 기법을 개발하며, 실제 풍력발전기 또는 모의 실험체에 대하여 제안된 기법을 적용하고 검증할 계획이다. 본 연구에서 제안된 기법을 활용하여, 풍력발전기 운용 중 타워의 상태를 모니터링하고 손상을 조기에 감지함으로써 타워에 대한 안전성을 확보하고 손상발생에 따른 비용을 절감할 수 있을 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	풍력발전기 고장의 원인 중 타워의 손상 및 붕괴가 차지 하는 비율은 약 몇 %인가?	타워의 손상 및 붕괴는 풍력발전기 운용을 중단시켜 막대한 비용손실을 초래하고, 안전상의 문제도 야기한다. 풍력발전기 고장의 원인 중 타워의 손상 및 붕괴가 차지 하는 비율이 약 12%로 조사된 바 있으며, 그 원인은 폭풍, 강풍, 재료의 피로, 용접불량 등 다양한 것으로 보고된 바 있다(Chou and Tu, 2011). 풍력발전기 상태 모니터링 시스템(condition monitoring system)을 인증 받기 위해서는 타워에 대한 계측이 포함되어야 한다.
	타워에 대한 유지관리의 중요성이 부각되고 있는 이유는?	타워는 블레이드를 통하여 전달되는 바람하중과 나셀 및 블레이드의 무게를 지지하는 역할을 하는 풍력발전기의 핵심 구조물로서, 풍력발전기가 대형화되면서 가격이나 중량 면에서 타워가 차지하는 비중이 증가하고 있다. 즉, 타워는 풍력발전기 제작비용의 약 20~25%를 차지하는 고가의 구조물이며 풍력발전기의 구성요소 중에서 가장 무겁고 크기가 큰 요소이다. 최근 세계적으로 풍력발전기 시장의 큰 부분을 차지하는 2 MW급 혹은 3 MW급 풍력발전기에 사용되는 타워의 경우에는 발전단지에 따라 다르지만 약 80~100 m의 길이와, 나셀과 블레이드를 포함한 구조물의 무게인 약 100톤 이상의 무게를 지탱할 수 있도록 설계되어야한다(황병선, 2009).
	대형 풍력발전기의 효과적 유지관리를 위해서 필요한 것은?	이러한 대형 풍력발전기의 효과적 유지관리를 위해서는 상태 모니터링 기술의 개발 및 적용이 필요하다. 즉, 대형 풍력발전기의 구조적 안전성 확보 및 지속적 운전을 위한 효과적인 유지관리를 위해서는 정기점검이 필수적이나, 이것만으로 안전성을 충분히 보장할 수 없기 때문에 상태 모니터링 시스템을 설치하여, 구조물 및 기계부품의 현 상태를 항시 모니터링하고 장기간에 걸쳐 누적되는 구조물 및 기계의 노후화 정도 및 갑작스런 고장이나 손상을 항시 감시할 필요가 있다.

참고문헌 (16)

오주원, 허광희, 정의태, "구조물의 손상평가용 신경망의 특성 평가에 관한 실험적 연구", 구조물진단학회지, 제14권 5호, 2010, pp.179-186.

원문보기 상세보기
이종원, "풍력발전기 블레이드 상태 모니터링을 위한 질량 불균형 감지기법", 구조물진단학회지, 제15권 1호, 2011, pp.209-214.

원문보기 상세보기
조효남, 최영민, 이성칠, 이광민, "신경망 및 모델업데이팅에 기초한 구조물 손상평가", 한국구조물진단학회, 제7권 4호, 2003, pp.121-128.

원문보기 상세보기
최혁, 이규원, "고유진동수의 감소율과 신경망을 이용한 보의 손상평가", 한국구조물진단학회, 제10권 2호, 2006, pp.153-164.
황병선, 최신풍력터빈의 이해, 도서출판 아진, 서울, 2009.
Bir, G. S., Users Guide to BMoes (Software for Computing Rotating Beam Coupled Modes), National Renewable Energy Laboratory, Golden, 2007.
Brinker, R. Zhang, L. and Andersen, P., "Modal Identification from Ambient Response Using Frequency Domain Decomposition", Proceedings of 18th International Modal Analysis Conference, 2000, pp.625-630.
Chou, J. S. and Tu, W. T., "Failure Analysis and Risk Management of a Collapsed Large Wind Turbine Tower", Engineering Failure Analysis, vol. 18, Issue 1, 2011, pp.295-313.

상세보기
Germanischer Lloyd Industrial Services GmbH, Guideline for the Certification of Condition Monitoring Systems for Wind Turbines, Germanischer Lloyd, Hamburg, 2007.
Haykin, S., Neural Networks-a Comprehensive Foundation, Macmillan, 1994.
Jiang, S. F., Zhang, C. M. and Zhang, S., "Two-stage Structural Damage Detection Using Fuzzy Neural Networks and Data Fusion Techniques", Expert Systems with Applications, vol. 38, 2011, pp.511-519.

상세보기
Jonkman, B. J., TurbSim User's Guide: Version 1.50, National Renewable Energy Laboratory Technical Report, NREL/TP-500-46198, Golden, 2009.
Jonkman, J. M. and Buhl Jr., M. L., FAST User's Guide, National Renewable Energy Laboratory Technical Report, NREL/EL-500-38230, Golden, 2005.
Otte, D., Van de Ponseele P. and Leuridan, J., "Operational Shapes Estimation as a Function of Dynamic Loads", Proceedings of 8th International Modal Analysis Conference, 1990, pp.413-421.
Parka, J. H., Kim, J. T., Hong, D. S., Hoa, D. D. and Yi, J. H., "Sequential Damage Detection Approaches for Beams Using Time-modal Features and Artificial Neural Networks", Journal of Sound and Vibration, vol. 323, 2009, pp.451-474.

상세보기
Pieraccini, M., Parrini, F., Fratini, M., Atzeni, C. and Spinelli, P., "In-service Testing of Wind Turbine Tower Using a Microwave Sensor", Renewable Energy, vol. 33, 2008, pp.13-21.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증