Artificial Intelligence Applications in Monitoring and Maintaining Wind Turbines

Abstract

This research presents an integrated intelligent framework for the early detection of wind turbine failures by combining physical modeling with artificial intelligence tech-niques, with the aim of improving system reliability and reducing maintenance costs. The significance of this work lies in addressing the challenges associated with a lack of real-world data and the limited ability of traditional models to generalize in complex operating environments. To achieve this, a dynamic model was developed using MATLAB/Simulink to generate signals representing thermal and mechanical behavior under various operating conditions. Several AI models were then applied, including SVM, ANN, Autoencoder, and the hybrid CNN–LSTM model. The results demonstrated the superiority of the CNN–LSTM hybrid model in terms of accuracy, achieving an ac-curacy of 99.84% with a recall value of 1.0000, reflecting its high ability to detect all failure cases. However, the results showed a relative decrease in precision, indicating the presence of some false alarms. This research provides a simulation-based framework that can support predictive maintenance research. However, further validation using real-world data is required to confirm its applicability in practical wind turbine systems.Bu araştırma, sistem güvenilirliğini artırmak ve bakım maliyetlerini azaltmak amacıyla fiziksel modellemeyi yapay zeka teknikleriyle birleştirerek rüzgar türbini arızalarının erken teşhisi için entegre bir akıllı çerçeve sunmaktadır. Bu çalışmanın önemi, gerçek dünya verilerinin eksikliği ve geleneksel modellerin karmaşık çalışma ortamlarında genelleme yapma konusundaki sınırlı yetenekleriyle ilgili zorlukları ele almasında yatmaktadır. Bunu başarmak için, çeşitli çalışma koşulları altında termal ve mekanik davranışı temsil eden sinyaller üretmek üzere MATLAB/Simulink kullanılarak dinamik bir model geliştirilmiştir. Ardından SVM, ANN, Otomatik Kodlayıcı ve hibrit CNN–LSTM modeli dahil olmak üzere çeşitli yapay zeka modelleri uygulanmıştır. Sonuçlar, CNN–LSTM hibrit modelinin doğruluk açısından üstünlüğünü ortaya koymuş; model, tüm arıza durumlarını tespit etme konusundaki yüksek yeteneğini yansıtan %99,84'lük bir doğruluk oranı ve 1,0000'lık bir geri çağırma değeri elde etmiştir. Bununla birlikte, sonuçlar hassasiyette nispi bir düşüş göstermiş ve bu da bazı yanlış alarmların varlığına işaret etmiştir. Bu araştırma, öngörücü bakım çalışmalarını destekleyebilecek simülasyon temelli bir çerçeve sunmaktadır. Bununla birlikte, pratik rüzgâr türbini sistemlerinde uygulanabilirliğini doğrulamak için gerçek dünya verileriyle daha kapsamlı bir doğrulama çalışması gereklidir.