Anomaly detection su turbine eoliche tramite deep autoencoder

Lo scopo della presente tesi è lo sviluppo di un sistema automatico per diagnosticare anomalie nel funzionamento di turbine eoliche. In particolare, a partire da serie temporali di valori di vibrazione rilevati sul riduttore del sistema di imbardata delle turbine, sono state estratte le feature principali nel dominio del tempo e della frequenza. Queste sono poi state processate attraverso modelli di reti neurali artificiali detti autoencoder, che apprendono prima a ridurre il segnale in ingresso alle sue caratteristiche principali e poi, a partire da queste, a ricostruirlo. Per l'implementazione sono state utilizzate due diverse architetture: una basata su livelli convoluzionali e densamente connessi che sfrutta sia le feature temporali, sia quelle di frequenza e una che combina livelli convoluzionali e ricorrenti, a cui è stato aggiunto un meccanismo di attenzione e che considera solamente le feature nel dominio del tempo. Proprio tramite questa seconda architettura si sono registrate le migliori performance. Il segnale ottenuto è stato ulteriormente analizzato per far emergere in modo netto le anomalie nei dati già disponibili e per cercare un criterio per segnalare con tempestività quelle che si presenteranno in futuro, non appena i dati saranno disponibili.