In dieser Arbeit wird ein Verfahren zur geometrischen Erfassung von Rotorblattdeformationen an Windkraftanlagen vorgestellt. Der verfolgte Ansatz basiert auf einer Kombination aus photogrammetrischen und Laserscanner-Messungen, bei dem die Deformation eines Rotorblattes aus Profilmessungen mit einem oder mehreren Laserscannern sowie aus den Silhouetten der Rotorblätter in den Bildern abgeleitet wird. Zur Beschreibung von Deformationen wird ein kinematisches Modell verwendet, welches in der Lage ist, die Verformungen eines Rotorblattes dreidimensional zu beschreiben. Das verwendete Modell basiert auf den Annahmen eines Euler-Bernoulli Biegebalkens. Die Eignung des Verfahrens wird mit Hilfe einer Monte-Carlo-Simulationen nachgewiesen. Hierbei stellt sich heraus, dass Genauigkeiten von wenigen Dezimetern für die Durchbiegung eines Rotorblattes realistisch sind. In Laborversuchen konnte die Eignung des Verfahrens bestätigt werden.
In this thesis a method for the geometric measurement of rotor blade deformations at wind turbines is described. The method uses a combination out of photogrammetry and laser scanning. This combination technique derives the deformation of the rotor blades from profile measurements from one or more laser scanners and from the silhouettes of the blades in one or more images. An appropriate kinematic model is used to describe the resulting 3d deformation. The model is based on the Euler-Bernoulli bending beam assumptions. A Validation of the method is achieved using a monte-carlo simulation. This simulation results in an accuracy of a few decimetres for the deflection of a rotor blade. The suitability of the method has been verified in laboratory tests.
Diese Arbeit stellt einen Ansatz vor, wie virtuelle Sensoren basierend auf maschinellem Lernen erstellt werden können, um nicht funktionierende physikalische Sensoren zu ersetzen. Diese virtuellen Sensoren werden mit Daten von der Time Series Station Spiekeroog (TSS) und dem BEFmate-Projekt im Wattenmeer trainiert. Im ersten Teil meiner Arbeit erkläre ich die Daten und deren Vorverarbeitung. Als nächstes wird eine unüberwachte Extremereigniserkennungsaufgabe auf den TSS-Daten präsentiert. Dann schlage ich eine Imputationsmethode für fortlaufend fehlende Werte vor, welche zuvor interpolierte Werte basierend auf der Lückenlänge und einem k-nächste-Nachbarn-Verfahren bestraft. Im zweiten Teil entwickle ich eine neuronale Netzwerkarchitektur, um ausgefallene Sensoren zu modellieren. Die Grundlage ist ein bidirektionales rekurrentes Netzwerk mit Langzeit-Kurzzeitgedächtnis (bLSTM), welches meine zeitliche Dimensionalitätsreduktionsmethode exPAA verwendet. Ich führe Schichten mit Faltungen, Unsicherheitsvorhersagen und meine auf Eingangsqualität basierendes Dropout hinzu, welche sich als besser als das bLSTM-Netz erweist. <dt.>
This thesis proposes an approach to build virtual sensors based on machine learning to replace broken physical sensors. These virtual sensors are trained with sensor data from the Time Series Station Spiekeroog (TSS) and the Biodiversity-Ecosystem Functioning across marine and terrestrial ecosystems (BEFmate) project in the Wadden Sea. In the first part of my work, I begin by explaining the data and its preprocessing. Next, an unsupervised extreme event detection task on the TSS data with a subsequent expert evaluation is presented. I propose an imputation method for longer consecutively missing values, which penalizes previously interpolated values based on the length of the gaps with a k-nearest neighbors approach. In the second part, I design a neural network architecture to model broken sensors. The foundation is a bidirectional recurrent neural network with long short-term memory (bLSTM) that utilizes my time dimensionality reduction method exPAA. Then, I introduce convolutional layers, uncertainty predictions, and my input quality based dropout layer to the architecture, which proves to outperform the architecture with only bLSTM layers. <engl.>
KI 2018: Advances in Artificial Intelligence Cham : Springer International Publishing, 2018 (2018), Seite 270-283 Online-Ressource (XIV, 424 p. 95 illus, online resource)
IJCNN (2018 : Rio de Janeiro) 2018 International Joint Conference on Neural Networks (IJCNN) Piscataway, NJ, USA : IEEE, 2018 (2018), insges. 8 S. 1 Online-Ressource
IJCNN (2018 : Rio de Janeiro) 2018 International Joint Conference on Neural Networks (IJCNN) Piscataway, NJ, USA : IEEE, 2018 (2018), insges. 8 S. 1 Online-Ressource