머신러닝 기반 풍력발전기 블레이드 상태 예측 모델 개발

다국어 초록 (Multilingual Abstract)

As the global trend toward carbon neutrality accelerates the scale-up and offshore installation of wind power facilities, ensuring the maintenance and safety of blades—a core component—has emerged as an imperative task. However, the actual operating environment of wind farms involves mixed background noise, resulting in a low Signal-to-Noise Ratio. Furthermore, the scarcity of defect data for training deep learning models has limited the direct application of existing diagnostic technologies to the field.
To overcome these environmental constraints and enhance diagnostic reliability, this thesis proposes a hybrid defect diagnosis framework that hierarchically combines unsupervised learning-based signal separation and supervised learning-based Deep Neural Networks. The core approach of this study is materialized as a data-driven pipeline that fuses noise reduction in field data with precise pattern learning from experimental data.
In the first phase of the proposed system, a two-stage signal processing process linking Non-negative Matrix Factorization and K-means clustering was applied to resolve the high-noise issue in operational data. This effectively separated background noise from valid signals based on statistical characteristics without relying on complex physical modeling, thereby significantly improving the input quality for the diagnostic model. In the second phase, a defect diagnosis model based on DNN was constructed utilizing wind tunnel experimental data, securing robust detection performance even in imbalanced data environments.
In conclusion, this study establishes a practical defect detection methodology applicable to wind power sites with limited data and high environmental variables by employing a dual-track strategy that complementarily utilizes noisy field data and precise experimental data. This is expected to contribute to building an intelligent maintenance system optimized for the domestic wind power environment.

국문 초록 (Abstract)

전 세계적인 탄소중립 기조에 발맞춰 풍력 발전 설비의 대형화 및 해상 설치가 가속화됨에 따라, 핵심 부품인 블레이드의 유지보수와 안전성 확보가 필수적인 과제로 부상하였다. 그러나 실제 풍력 발전 단지의 운용 환경은 고도의 배경 잡음이 혼재되어 신호 대 잡음비가 낮고, 딥러닝 모델 학습을 위한 결함 데이터가 희소하여 기존 진단 기술의 현장 적용에는 근본적인 한계가 존재하였다.
이에 본 논문에서는 이러한 환경적 제약을 극복하고 진단의 신뢰성을 제고하기 위해, 비지도 학습 기반의 신호 분리 기술과 지도 학습 기반의 심층신경망을 계층적으로 결합한 결함 진단 프레임워크를 제안한다. 본 연구의 핵심 접근 전략은 현장 데이터의 잡음 제거와 실험 데이터의 정밀 패턴 학습을 융합하는 데이터 주도적 파이프라인으로 구체화된다.
제안된 시스템의 1단계에서는 실제 운용 환경 데이터에 내재된 고잡음 문제를 해결하기 위해 비음수 행렬 분해와 K-평균 군집화를 연계한 2단계 신호 처리 프로세스를 적용하였다. 이를 통해 복잡한 물리적 모델링 없이 데이터의 통계적 특성에 기반하여 배경 잡음과 유효 신호를 효과적으로 분리하였으며, 진단 모델의 입력 품질을 개선하였다. 이어지는 2단계에서는 풍동 실험 데이터를 활용하여 심층신경망 기반의 결함 진단 모델을 구축함으로써 데이터 불균형 환경에서도 견고한 탐지 성능을 확보하였다.
결론적으로 본 연구는 잡음이 심한 현장 데이터와 정밀한 실험 데이터를 상호 보완적으로 활용하는 이원화된 전략을 제시함으로써, 데이터 확보가 어렵고 환경 변수가 많은 풍력 발전 현장에서도 실효성 있는 결함 탐지 방법론을 확립하였다. 이는 향후 국내 풍력 발전 환경에 최적화된 지능형 유지보수 체계를 구축하는 데 기여할 것으로 기대된다.

목차 (Table of Contents)

• 제1장 서론 1
• 제1절 연구의 배경 및 필요성 1
• 1. 풍력 산업과 진단 기술의 격차 1
• 2. 기술적 한계와 연구의 필요성 2
• 제2장 이론적 배경 4
• 제1절 비지도 학습 4
• 1. 개념 및 필요성 4
• 2. 신호 처리 방법 6
• 가. 비음수 행렬 분해 7
• 나. K-평균 군집화 8
• 다. 스펙트럼 중심 분석 10
• 3. 신호 정제에서의 역할 11
• 제2절 지도 학습 14
• 1. 개념 및 필요성 14
• 2. 심층신경망 16
• 가. 구조 및 기본 원리 16
• 나. 활성화 함수 17
• 다. 손실 함수 및 최적화 19
• 라. 정규화 기법 21
• 3. 음향 신호 기반 결함 분류 22
• 4. 모델 평가 및 검증 24
• 5. 비지도 학습과 지도 학습의 결합 26
• 제3절 진단 대상과 손상 유형 28
• 1. 구조적 설계 28
• 2. 표면 기반 손상 메커니즘 30
• 3. 내부 구조 손상 메커니즘 32
• 제4절 공력 소음 및 공기역학 36
• 1. 공력 소음 발생 메커니즘 36
• 가. 공력소음원 및 정상 신호 특성 36
• 나. 표면 상태 변화에 따른 신호 변조 37
• 2. 공기역학적 해석 방법론 38
• 가. 블레이드 요소 운동량 기법 38
• 나. 전산유체역학 해석 39
• 다. 주요 유동 현상과 신호 특성 39
• 3. 공력 효율 및 소음 상관성 40
• 가. 공력 성능과 음향 특성의 트레이드오프 40
• 나. 결함에 의한 상관성 변화 및 데이터 특성 41
• 제5절. 구조 동역학 42
• 1. 복합재료의 구조 역학 42
• 가. 복합재료의 이방성 및 계층적 구조 특성 42
• 나. 구조 역학적 특성과 데이터의 상관성 43
• 2. 공력탄성학적 하중 및 구조 동역학 44
• 가. 블레이드 하중의 분류 및 데이터 특성 44
• 나. 구조 동역학 모델링 45
• 다. 공력탄성학적 불안정성 46
• 3. 복합재료 파손 메커니즘 및 데이터 특성 변화 46
• 가. 피로 손상 누적에 따른 시스템 강성 47
• 나. 파괴 역학 기반의 균열 성장 모델링 47
• 다. 구조적 불안정성과 비선형 응답 48
• 제3장 결함 진단 시스템 구현 및 성능 평가 50
• 제1절 실험 데이터 및 환경 50
• 1. 데이터셋 개요 50
• 가. 실제 운용 환경 데이터 50
• 나. 풍동 실험 기반 결함 데이터 51
• 2. 구현 및 연산 환경 53
• 제2절 NMF 및 군집화 기반 신호 분리 55
• 1. 실험 설계 55
• 2. NMF 기반 기저 패턴 추출 및 군집화 56
• 3. 신호 재구성 및 잡음 제거 성능 평가 56
• 제3절 심층신경망 기반 결함 진단 모델 구축 58
• 1. 심층신경망 모델 아키텍처 설계 58
• 2. 데이터 불균형 해소 및 학습 최적화 전략 59
• 3. ROC 기반 최적 임계값 결정 59
• 4. 실험 결과 및 정량적 성능 분석 60
• 제4장 결론 63
• 제1절 연구 요약 및 시사점 63
• 제2절 연구의 한계 65
• 제3절 향후 연구 전망 66
• 참고문헌 67
• 국문요약 77
• 영문초록 79
• 감사의 말씀 81