풍력 블레이드 상태 구분을 위한 특성 벡터 추출 및 구분기 설계

Ⅰ. 서 론

현재 풍력 발전은 친환경 그린 에너지 기술로 각광받고 있으며 앞으로 계속 수요가 증가될 것으로 기대되는 에너지원이다. 하지만 풍력 발전은 매우 혹독한 환경에 노출되어 있으며 특히 발전기의 경우 접근이 쉽지 않고 관리자로부터 멀리 설치되어 있어 상대적으로 정비가 어렵고 고장률이 높다. 따라서 이러한 고장을 미연에 방지하기 위해 풍력 발전기 내부에 센서를 부착하는 모니터링 시스템에 대한 다양한 연구가 오래전부터 있어 왔다[1]-[5].

가장 대표적인 모니터링 시스템은 진동(Vibration measurement)에 의한 기어박스나 베이링 계통의 고장 탐지 기법이다[1]. 또 다른 모니터링 기법으로는 발전기에서 생성되는 전류를 웨이브릿 변환(Wavelet transform)으로 분석하여 블레이드 표면에 얼음(Ice)이 쌓인 정도를 탐지하는 연구가 있었다[2]. 블레이드 표면에 쌓인 얼음은 한쪽 블레이드의 무게를 증가시켜 불균일한 회전을 유발하므로 고장을 방지하는데 있어서 매우 중요한 모니터링 요소이다. 진동 측정이나 발전기의 전류 또는 자이로 센서를 분석하는 기술은 모두 풍력 발전기 내부의 센서를 통하여 모니터링하는 기술이다[3]-[5].

최근의 연구들에서는 이러한 내부 센서 대신에 레이더를 이용하여 원격으로 풍력 발전기의 블레이드를 모니터링하는 연구가 진행되고 있다[6]-[8]. 선행 연구 [6]에서는 24 GHz K-대역 레이더를 이용하여 실제 풍력 블레이드의 스펙트로그램을 얻는 연구를 진행하였다. 선행 연구 [7]에서는 GBR(Ground-based Radar)을 이용하여 공진주파수를 추출함으로써 풍력 블레이드의 휘어짐을 탐지하는 연구를 진행하였다. 선행 연구 [8]에서는 블레이드가 파손된 여러 가지 상황에 대하여 수신된 레이더 신호를 사이노그램 및 스펙트로그램을 사용하여 분석하는 연구를 진행하였다.

이렇게 여러 가지 센서로부터 획득한 진동 신호, 발전기 전류, 자이로 센서 신호 및 레이더 신호로부터 특성을 추출하고 구분기를 사용하여 분류하면 다양한 종류의 고장을 자동으로 탐지할 수 있다[9][10]. 선행 연구 [9]는 발전기에서 생성되는 전류로부터 웨이브릿 변환을 이용하여 특징을 추출하고 신경망 구분기에서 고장을 자동으로 진단하는 시스템을 제안하였다. 그리고 선행 연구 [10]은 카메라로 촬영한 영상을 분석하여 움직임 벡터의 변화를 측정하고 머신 러닝을 이용하여 블레이드의 손상 정도를 식별하는 자동 진단 시스템을 제안하였다.

본 논문에서는 레이더 신호로부터 풍력 블레이드의 상태를 자동으로 추정할 수 있는 새로운 특성벡터 추출 방법과 구분기를 제안하였다. 본 논문의 구성은 다음과 같다. 1장에서는 풍력 발전기의 다양한 모니터링 기법들에 대하여 설명한다. 2장에서는 스펙트로그램에서 가중합 그래프와 플래시 간격 그래프를 생성하는 방법과 특성벡터 추출 및 구분기 설계 방법에 관하여 설명한다. 3장에서는 제안한 방법을 이용하여 블레이드 상태를 구분한 결과를 제시하여 이론의 타당성을 검증하였다. 4장에서는 결론 및 향후 연구 방향에 대하여 기술하였다.

Ⅱ. 관련 이론

2.1 가중합 그래프 및 플래시 간격 그래프

풍력 블레이드의 경우 회전에 의해 발생하는 도플러 신호에 의해 시간에 따른 RCS의 변화가 관찰되는데 이를 동적 RCS(dynamic RCS)라고 한다. 또한 이러한 블레이드에 의해 관찰되는 마이크로 도플러 신호를 효과적으로 분석하기 위해서는 시간-주파수 영역 해석법을 이용하여 얻은 스펙트로그램 영상이 주로 이용된다. 그림 1은 풍력 블레이드로부터 획득한 동적 RCS 데이터와 스펙트로그램 영상을 보여주고 있다.

Fig. 1.

Dynamic RCS and spectrogram of wind turbine blade

그림 1에서 동적 RCS와 스펙트로그램 영상 모두 일정한 시간 간격으로 강한 에너지가 발생하는 영역(플래시, flash)을 관찰할 수 있다. 이러한 플래시는 풍력 발전기 블레이드가 회전하면서 LOS(Line of Sight) 방향으로 가장 큰 RCS 값을 보여줄 때 발생하는 성분으로 회전하는 풍력 발전기에서는 블레이드가 정확히 120도 회전할 때마다 플래시가 발생한다.

시간-주파수 영상으로부터 블레이드 상태 구분을 위한 정보를 정확히 추출하기 위해서는 플래시의 발생 시점을 정확히 추출할 수 있어야 한다.

이를 위하여 스펙트로그램 영상 $$ \mathit{S}=\left[\overrightarrow{s_p}\right]=\left[s_{q,p}\right]\in {\mathbb{R}}^{Q\times P}$$를 1차원 데이터 $$ \overrightarrow{U_C}=\left[u_p\right]\in {\mathbb{C}}^P$$로 변환하는 과정이 필요하며 각 시간 인덱스에서의 가중합의 값을 나타내는 u_p는 식 (1)을 사용하여 변환한다[11].

$\[ u_p=\frac{1}{Q}\sum _{q=1}^Q\left(\left|\frac{f_q}{f_Q}\right|\sqrt{sgn\left(f_q\right)}{s}_{q,p}\right) \]$

(1)

여기서 f_Q는 시간-주파수 영상의 최대 도플러 주파수를 Q는 도플러 축의 샘플 개수를 f_q는 q 번째 도플러 주파수, p는 시간 인덱스를 P는 시간 샘플의 개수를 의미한다. 그림 2는 식 (1)를 사용하여 시간-주파수 영상을 1차원 그래프로 변환한 예시를 보여준다. 이러한 1차원 그래프를 가중합 데이터 또는 가중합 그래프(Weighted sum graph)라고 이름 붙였다. 이러한 가중합 그래프는 정상적인 모양의 블레이드와 부러진 모양의 블레이드를 구분할 때 사용된다.

Fig. 2.

Weighted sum graph obtained from spectrogram

다음으로 균일 회전과 불균일 회전을 분류하기 위해서 우리는 플래시 간격 그래프를 이용한다.

그림 3은 균일한 속도로 회전하는 경우와 불균일하게 회전할 때 스펙트럼으로부터 구한 플래시 간격 그래프의 예시이다.

Fig. 3.

Flash interval graph obtained from spectrogram

플래시 간격 그래프는 스펙트로그램에서 플래시 간의 시간 차이(time difference)를 이용하여 구한 그래프로 그림 1과 같이 균일한 속도로 회전하는 블레이드의 경우에는 플래시 사이의 시간 간격이 일정하여 그 차이는 ‘0’이 되는 반면, 불균일하게 회전하는 블레이드의 경우는 플래시 사이의 간격이 일정하지 않게 되어 그 차이는 ‘0’이 아닌 값을 가지게 된다. 따라서 그림 3(b)와 같은 삼각파 형태의 그래프가 얻어지게 된다. 그리고 원래 삼각파 신호의 값은 모두 양의 값이 나오지만 ‘0’을 중심으로 (+), (-) 값을 가지도록 평균값만큼 아래로 이동시켜 사용하였다. 이렇게 얻어진 플래시 간격 그래프는 균일 회전과 불균일 회전을 구분할 때 사용하였다.

2.2 특성벡터 추출 및 구분기 설계

본 절에서는 앞에서 설명한 가중합 그래프(Weighted sum graph)와 플래시 간격 그래프(Flash interval graph)를 이용하여 풍력 블레이드의 상태를 추정하는 방법을 설명한다. 구분하고자 하는 블레이드의 상태는 외관상으로는 ‘정상 블레이드(Normal blade)’ 및 ‘파손된 블레이드(Broken blade)’가 있고, 동작 상태로는 ‘균일 회전(Balanced rotation)’ 및 ‘불균일 회전(Imbalance rotation)’ 상태가 있다.

‘normal blade’와 ‘broken blade’를 구분할 때에는 가중합 그래프를 이용하여 특성벡터를 추출하였으며, ‘balanced rotation’과 ‘imbalance rotation’을 구분할 때에는 플래시 간격 그래프를 이용하여 특성벡터를 추출한 후 구분을 수행하였다.

그림 4는 잡음(Noise)가 없을 때 ‘normal blade’와 ‘broken blade’ 상태에 대한 가중합 그래프 모습을 보여준다. 가중합 그래프를 통해 ‘broken blade’의 한 개의 부러진 블레이드에서는 나머지 두 개의 정상 블레이드 비해 피크의 크기가 작게 나옴을 확인할 수 있다. 이러한 가중합 그래프를 이용하여 영상처리 기법 중 ‘Thresholding’을 이용하여 기준값을 정하고 기준값 이상의 peak 개수를 검출하였다. 추출한 peak 개수를 특성벡터로 사용하여 ‘normal blade’와 ‘broken blade’를 구분하였다.

Fig. 4.

Difference of weighted sum graph for normal and broken blades

그림 5는 기준값을 정하여 ‘Thresholding’한 가중합 그래프 모습을 보여준다. 그림 5와 같이 일정 기준값을 정하여 기준값보다 큰 peak 개수를 T로 정하여 식 (2)를 이용하여 ‘normal blade’와 ‘broken blade’를 구분하였다.

$\[ \begin{array}{c}{t}_1\le T\le t_2 \left(normal\right)\hfill \\ t_3\le T\le t_4 \left(broken\right)\hfill \end{array} \]$

(2)

Fig. 5.

Result of Thresholding for normal and broken blades

여기서 t₁와 t₃은 상태별로 rpm이 최소일 때 가중합 그래프에서 검출한 peak 개수이며, t₂와 t₄는 상태별로 rpm이 최대일 때 가중합 그래프에서 검출한 peak 개수이다. 이와 같은 방법으로 잡음이 없을 때 상태별로 t₁, t₂, t₃, t₄를 결정한 후 잡음을 추가하여 획득한 가중합 그래프를 통해 구한 T의 값으로부터 식 (2)를 이용하여 ‘normal blade’와 ‘broken blade’를 구분하였다.

다음으로 플래시 간격 그래프로부터 특성 벡터를 추출하는 과정에 대해 설명한다. 먼저 앞에서 설명한 플래시 간격 그래프를 세 부분으로 나누어 각 부분에서 세 개의 인덱스를 추출한다.

그림 6은 플래시 간격 그래프를 세 부분으로 나누어 세 개의 인덱스를 추출하는 모습을 보여준다. 첫 번째 부분에서는 시작점에서 세 개의 인덱스를 추출하고 두 번째 부분에서는 중심 인덱스로부터 세 개의 인덱스를 선정하였으며, 마지막 세 번째 부분에서는 끝에서부터 앞으로 세 개의 인덱스값을 선정하였다.

Fig. 6.

Index selection method from flash interval graph

각 부분에서 세 개의 인덱스를 추출한 후 두 개의 인덱스를 선택하여 선택된 인덱스에 해당하는 y축 값의 차이(절대값)을 계산하고 식 (3)과 같이 특성벡터를 구하였다.

$\[ d=\left[d_{12}^1,d_{13}^1,d_{23}^1,d_{12}^2,d_{13}^2,d_{23}^2,d_{12}^3,d_{13}^3,d_{23}^3\right] \]$

(3)

여기서 $$ d_{pq}^i$$는 i번째 part에서 ‘p index’와 ‘q index’에 대한 y축 값의 차이(절대값)를 의미한다. 이때 y축의 차이값이 소수점 이하의 작은 값이 나와서 ‘10’을 곱하여 최종 $$ d_{pq}^i$$ 값을 얻었다.

이와 같이 구한 특성벡터를 이용하여 식 (4)에 따라 ‘balanced rotation’과 ‘imbalance rotation’을 추정하였다.

$\[ \begin{array}{c}\left|d_{pq}^i\right|\le d_{Thres} \left(balanced rotation\right)\hfill \\ \left|d_{pq}^i\right|>d_{Thres} \left(imbalance rotation\right)\hfill \end{array} \]$

(4)

즉 각 부분에서 구한 d_pq 값이 0∼d_Thres 사이의 값을 가지면 그 부분은 ‘balanced rotation’이고, d_pq 값이 d_Thres값을 넘으면 그 부분은 ‘imbalance rotation’이라고 판정한다. 세 개의 부분에서의 판정 결과가 모두 ‘imbalance rotation’인 경우 최종적으로 ‘imbalance rotation’으로 판정하며, 세 개의 부분 중 하나라도 ‘balanced rotation’인 경우에는 최종적으로 ‘balanced rotation’으로 결정한다.

Ⅲ. 실험 결과

풍력 블레이드의 동적 RCS 데이터를 획득하기 위하여 본 논문에서는 광선 추적법에서 은면 처리에 필요한 연산량을 크게 줄인 TSM-RT(Two Scale Model-Ray Tracing) 기법을 이용하였다[12]. 그림 7은 상용 툴을 통해 획득한 정상 및 부러진 풍력 블레이드의 3D CAD 모델을 보여준다.

Fig. 7.

3D CAD model for normal and broken blades

그림 7과 같이 제작한 3D CAD 모델의 메쉬를 이용하여 시간에 대한 풍력 블레이드의 회전을 표현한 후 동적 RCS를 계산하였다[11]. 불균일한 속도로 회전하는 경우는 그림 7(a)의 정상 블레이드에 대하여 한 개의 블레이드 무게가 증가하였다고 가정하고 각속도를 적분하여 시간에 따른 블레이드의 회전 각도를 다음과 같이 계산하였다[11].

여기서 X는 블레이드의 초당 회전수(rps)이며, z(rad/sec²)는 각가속도의 최대 변화량을 나타내는 변수이다. 실험에 사용한 z 값은 불균일 회전이 잘 관찰되는 0.5로 설정하고, 레이더의 동작 주파수는 향후 측정을 고려하여 24GHz, SNR은 10dB 이상에서는 100% 구분되므로 그보다 낮은 5dB로 가정하였다. 표 1은 ‘normal blade’와 ‘broken blade’의 구분 실험을 위한 시뮬레이션 파라미터를 보여준다.

Table 1.

Simulation parameters for normal blade and broken blade

표 1과 같은 파라미터 조건으로 획득한 테스트 데이터 개수는 ‘normal blade’ 990개, ‘broken blade’ 990개이다. 표 2는 잡음이 없을 때 rpm에 따라서 구해진 블레이드 상태별 T의 값을 보여준다. 표 2를 통해 t₁, t₂, t₃, t₄를 정의할 수 있으며 ‘normal blade’의 T 값의 범위는 11(t₁)∼15(t₂)이며 ‘broken blade’의 T 범위는 7(t₃)∼10(t₄)이다.

Table 2.

T values for each state according to rpm (Threshold value = 0.07)

블레이드 상태 구분 정확도는 식 (6)을 이용하여 계산하였다.

여기서 N_test는 주어진 SNR에서 총 테스트 횟수이며 N_success는 추정에 성공한 구분 횟수이다.

표 3은 가중합 그래프에서 피크 개수를 추출할 때 사용하는 Threshold 값의 변화에 따른 구분 성능을 보여준다. ‘normal blade’와 ‘broken blade’에 대해 상태 구분 실험을 수행한 결과 5dB의 SNR에서 81.21% ∼ 86.56%의 구분 정확도를 가짐을 알 수 있었다. 또한 문턱값을 0.07로 정하였을 때 가장 좋은 구분 성능을 가졌다.

Table 3.

Classification performance by the threshold values

다음은 ‘balanced rotation’과 ‘imbalance rotation’에 대한 상태 추정 시뮬레이션 결과를 제시한다. 시뮬레이션 파라미터는 표 1과 동일하다. 표 4는 15 [rpm]의 회전속도에 대한 동작 상태별 특성벡터 d 값을 보여 준다. 균일 회전인 경우에는 균일한 시간차(Time difference)를 가지므로 d의 모든 값이 ‘0’이며, 불균일 회전인 경우는 ‘0’이 아닌 값이 나오게 된다.

Table 4.

d values for each state at the rotation speed of 15 rpm

표 5는 플래시 간격 그래프에서 상태를 구분할 때 사용하는 d_Thres 값의 변화에 따른 구분 성능을 보여주고 있다.

Table 5.

Classification performance by the dThres values

‘balanced rotation’과 ‘imbalance rotation’에 대해 상태 구분 실험을 수행한 결과 5dB의 SNR에서 89.80% ∼ 96.62%의 구분 정확도를 가짐을 알 수 있었다. 또한 d_Thres 값이 0.5 일 때 가장 좋은 구분 성능을 가지며 d_Thres 값이 구분 성능에 큰 영향을 미친다는 것을 알 수 있다.

Ⅵ. 결 론

본 논문에서는 풍력 블레이드의 동작 상태를 추정하기 위한 특성 벡터 추출 방법과 그 특성 벡터에 맞는 구분기를 설계하는 방법을 제안하였다. 제안한 특성 벡터는 가중합 그래프와 플래시 간격 그래프로부터 추출하였으며 ‘normal blade’와 ‘broken blade’의 구분 확률은 최고 86.56%를 가지며, ‘balanced rotation’과 ‘imbalance rotation’의 구분 확률은 최대 96.62%를 가졌다. 두 경우 모두 문턱값을 어떻게 정하느냐에 따라 구분 성능이 바뀐다는 것을 확인하였다. 본 논문은 데이터 획득 시간과 구분 실험 시간이 너무 오래 걸리기 때문에 시간적인 제약으로 인하여 SNR 5dB 환경에서 15회의 Monte Carlo 시뮬레이션을 수행하였지만 앞으로 더 많은 Monte Carlo 시뮬레이션과 더 많은 SNR 환경에서 실험을 수행할 필요가 있다. 또한 파손된 블레이드나 불균형 회전하는 블레이드에 대한 실제 측정 데이터를 획득하는 것은 매우 어려우므로 축소모델을 이용한 실내 측정 데이터를 이용하여 구분하는 실험을 진행할 예정이다.

Acknowledgments

본 연구는 한국전력공사의 사외공모 기초연구(개별)에 의해 지원되었음(과제번호: R19XO01-50).

이 논문은 2021년도 정부(미래창조과학부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(No. 2021R1I1A3043120).

References

• B. Lu, Y. Li, X. Wu and Z. Yang, "A review of recent advances in wind turbine condition monitoring and fault diagnosis", IEEE Power Electronics and Machines in Wind Applications, Lincoln, NE, pp. 1–7, Jun. 2009.
• S. A. Saleh and C. R. Moloney, "Development and testing of wavelet packet transform-based detector for ice accretion on wind turbines", Digital Signal Processing and Signal Processing Education Meeting (DSP/SPE), Sedona, AZ, USA, pp. 72–77, Jan. 2011. [https://doi.org/10.1109/DSP-SPE.2011.5739189]
• X. Gong and W. Qiao, "Imbalance fault detection of direct-drive wind turbines using turbine current signals", IEEE Transactions on Energy Conversion, Vol. 27, No. 2, pp. 468–476, Jun. 2012. [https://doi.org/10.1109/TEC.2012.2189008]
• W. Yang, P. J. Tavner, and M. Wilkinson, "Wind Turbine Condition Monitoring and Fault Diagnosis Using Both Mechanical and Electrical Signatures", IEEE/ASME International Conference on Advanced Intelligent Mechatronics, Xian, China, pp. 1296–1301, Jul. 2008.
• B. J. Kim, S. J. Kang, and J. Y. Park, "Statistical Blade Angular Velocity Information-based Wind Turbine Fault Diagnosis Monitoring System", KEPCO Journal on Electric Power and Energy, Vol. 2, No. 4, pp. 619–625, Dec. 2016. [https://doi.org/10.18770/KEPCO.2016.02.04.619]
• T. Nikoubin, J. Muñoz-Ferreras, R. Gómez-García, D. Liang, and C. Li, "Structural health monitoring of wind turbines using a low-cost porTable K-band radar: An ab-initio field investigation", IEEE Topical Conference on Wireless Sensors and Sensor Networks (WiSNet), San Diego, CA, USA, pp. 69–71, Jan. 2015. [https://doi.org/10.1109/WISNET.2015.7127404]
• F. X. Ochieng, C. M. Hancock, G.W. Roberts, and J. L. Kernec, "A review of ground-based radar as a non-contact sensor for structural health monitoring of in-field wind turbines blades", Wind Energy, Vol. 21 No. 12, 1435–1449, Jun. 2018. [https://doi.org/10.1002/we.2252]
• Y. J. Choi and I. S. Choi, "Dynamic RCS Analysis by Damage Status of Wind Turbine Blade", The Journal of Korean Institute of Information Technology, Vol. 17, No. 7, pp. 193-198, Jul. 2019. [https://doi.org/10.14801/jkiit.2019.17.7.75]
• S. J. Park, D. S. Kang, "Implementation of Real-time Monitoring System using the Neural Network for Automatic Failure Diagnosis of Offshore Wind Turbine", The Journal of Korean Institute of Information Technology, Vol. 10, No. 7, pp. 193-198, Jul. 2012.
• B. J. Kim, S. P. Chen, and S. J. Kang, "Motion Estimation and Machine Learning-based Wind Turbine Monitoring System", The Transactions of the Korean Institute of Electrical Engineers, Vol. 66, No. 10, pp. 1516-1522, Oct. 2017.
• Y. J. Choi, "A Study on the feature extraction of the target motion using a continuous wave radar", Ph. D. dissertation of Hannam University, pp. 76-84, Feb. 2021.
• Y. J. Choi and I. S. Choi, "Dynamic RCS Calculation of Wind Turbine Blade Using GPU-Based TSM-RT", The Journal of Korean Institute of Electromagnetic Engineering and Science, Vol. 31, No. 3, pp. 245-252, Mar. 2020. [https://doi.org/10.5515/KJKIEES.2020.31.3.245]