DOI: https://doi.org/10.1016/j.oceaneng.2025.122649
تاريخ النشر: 2025-09-01
المؤلف: E. Chen وآخرون
الموضوع الرئيسي: تحليل المخاطر والسلامة
نظرة عامة
تقدم ورقة البحث إطار عمل محسّن لتحليل أنماط الفشل وتأثيراته (FMEA) مصمم لتقييم المخاطر الخاصة بتوربينات الرياح البحرية، مع معالجة قيود منهجيات FMEA التقليدية. من خلال دمج عملية التحليل الهرمي الضبابي (FAHP) مع نظام استدلال ضبابي قائم على مانداني، يدمج الإطار المقترح بشكل فعال عدم اليقين في تقييم الخبراء، ويبسّط توليد القواعد الضبابية، ويحسن تصنيف المخاطر. تشمل المساهمات الرئيسية تضمين أوزان الإجماع المستمدة من FAHP في القواعد الضبابية، وأتمتة توليد القواعد من خلال مصفوفات توزيع مستويات المخاطر، وتطبيق إزالة الضبابية لتحديد أولويات المخاطر وتصنيفها. تم التحقق من صحة الإطار باستخدام بيانات تشغيلية من مزرعة رياح بحرية تضم 80 توربينًا في الصين، حيث تم تحديد أنماط الفشل الحرجة، مثل ارتفاع درجة حرارة المولد (قيمة المخاطر $r = 0.786$)، مما يظهر تحسينًا كبيرًا في دقة تصنيف المخاطر مقارنة بالطرق التقليدية.
في الختام، لا يُحسّن الإطار المقترح فقط توليد القواعد الضبابية من خلال تضمين أوزان عوامل المخاطر، بل يمكّن أيضًا من نهج دقيق لإدارة المخاطر من خلال استراتيجيات التشغيل والصيانة (O&M) المتميزة. توصي الدراسة بتدخلات مستهدفة لأنماط الفشل الحرجة، مع التأكيد على أهمية المراقبة الذكية، وتحسين المواد، واستراتيجيات الصيانة المتدرجة بناءً على مستويات المخاطر. كما أن المقارنة الكمية مع طريقة FMEA الموزونة تعزز فعالية الإطار، مما يبرز المنطق وراء دمج أوزان عوامل المخاطر وتحليل التباينات في نتائج التصنيف. يهدف هذا النهج الشامل إلى تعزيز موثوقية التشغيل لتوربينات الرياح البحرية في ظل ظروف بيئية معقدة.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على الطلب المتزايد عالميًا على الطاقة ودور طاقة الرياح البحرية كحل قابل للتطبيق نظرًا لمواردها الوفيرة واستخدامها المحدود للأرض. في عام 2023، أضاف قطاع الرياح البحرية 10.8 جيجاوات من القدرة، ليصل الإجمالي إلى 75.2 جيجاوات. ومع ذلك، تواجه توربينات الرياح البحرية تحديات كبيرة من البيئات البحرية القاسية التي يمكن أن تؤدي إلى تدهور المكونات وفشل العمليات، مما يفاقم من القيود في التشغيل والصيانة (O&M) بسبب العوامل الجوية واللوجستية. وهذا يستلزم تحليل مخاطر فعال لتحديد أنماط الفشل المحتملة وتعزيز موثوقية وسلامة مزارع الرياح البحرية.
تناقش الورقة تطبيق منهجيات تقييم المخاطر المختلفة، وخاصة تحليل أنماط الفشل وتأثيراته (FMEA)، الذي تم استخدامه على نطاق واسع لتقييم مخاطر توربينات الرياح البحرية. على الرغم من مزاياها، فإن FMEA التقليدية لها قيود، مثل تجاهل الأهمية النسبية لعوامل المخاطر وفقدان عدم اليقين في تقييمات الخبراء. لمعالجة هذه القضايا، يقترح المؤلفون إطار عمل محسّن لـ FMEA يدمج طرق لغوية ضبابية لالتقاط عدم اليقين لدى الخبراء بشكل أفضل وتبسيط توليد القواعد الضبابية. يهدف هذا الإطار إلى تعزيز تحديد أولويات المخاطر وإبلاغ استراتيجيات التشغيل والصيانة، مما يحسن في النهاية كفاءة عمليات توربينات الرياح البحرية. ستفصل الأقسام التالية من الورقة الطرق المقترحة وتطبيقها في دراسة حالة لمزرعة رياح بحرية في الصين.
الطرق
في هذا القسم، يصف المؤلفون المنهجيات المستخدمة لتقييم أوزان عوامل المخاطر باستخدام عملية التحليل الهرمي الضبابي (FAHP)، التي تدمج نظرية المجموعات الضبابية مع التحليل الهرمي. يعزز هذا النهج عملية التحليل الهرمي التقليدية (AHP) من خلال عكس العمليات المعرفية البشرية بدقة أكبر وإدارة عدم اليقين بشكل فعال في تحويل التصورات الذاتية إلى قيم عددية. يستخدم الخبراء مقياس مقارنة ثنائي محدد مسبقًا لتحديد أعداد ضبابية مثلثية تمثل الأهمية النسبية لعوامل المخاطر، والتي يتم إزالة ضبابيتها لاحقًا لحساب أوزانها.
كما يحدد القسم إنشاء مصفوفة توزيع مستوى المخاطر، التي توضح مستويات المخاطر المرتبطة بأنماط الفشل المختلفة بناءً على الأوزان المحسوبة من FAHP. تعمل هذه المصفوفة كأساس للتصنيف والتصنيف اللاحق لأنماط الفشل. يتم استخدام نظام استدلال ضبابي لتحديد قيمة المخاطر ودرجة هذه الأنماط الفاشلة، باستخدام مدخلات مثل درجات الشدة (S)، والحدوث (O)، والاكتشاف (D). تتضمن العملية إزالة الضبابية، وتطبيق القواعد الضبابية، والاستدلال الضبابي، وإزالة الضبابية، مما يؤدي في النهاية إلى تعيين قيم المخاطر ودرجات العضوية لمستويات المخاطر.
النتائج
في هذا القسم، يقيم البحث مستويات المخاطر لـ 15 نمط فشل رئيسي في توربينات الرياح البحرية باستخدام نظام استدلال ضبابي تم تنفيذه في MATLAB. تحدد التحليلات ارتفاع درجة حرارة المولد، وفشل اللف، واهتزاز المحامل الرئيسية كأنماط فشل حرجة للغاية، كل منها له درجة مخاطر ($r > 0.7$)، مما يشير إلى أن هذه المكونات عالية المخاطر. تقدم الدراسة توصيات مفصلة للتخفيف من هذه المخاطر، بما في ذلك تصميم دوائر تبريد احتياطية للمولدات، ودمج أنظمة تزييت ذكية للمحامل الرئيسية، واستخدام مواد عزل متقدمة لللفائف لتعزيز الموثوقية والسلامة التشغيلية.
تلخص النتائج، الموضحة في الجدول 8، أنماط الفشل إلى مجموعات عالية ومتوسطة ومنخفضة المخاطر بناءً على درجات العضوية المحسوبة. تتطلب الأنماط عالية المخاطر (FM3، FM4، FM5، FM6، FM12، FM13) استراتيجية صيانة هجينة تجمع بين الصيانة القائمة على الحالة والصيانة التنبؤية، بينما تُدار الأنماط متوسطة المخاطر (FM1، FM7، FM8، FM9، FM10، FM11، FM15) بشكل أفضل من خلال الصيانة الفرصة. يمكن معالجة الأنماط منخفضة المخاطر (FM2 وFM14) من خلال الصيانة التصحيحية. يعد هذا النهج المتميز لاستراتيجيات التشغيل والصيانة (O&M) أمرًا حيويًا نظرًا للتكاليف العالية والتحديات اللوجستية المرتبطة بصيانة مزارع الرياح البحرية، مما يهدف في النهاية إلى تعزيز كفاءة الصيانة ودعم الإدارة المنسقة.
المناقشة
يهدف إطار عمل تحليل أنماط الفشل وتأثيراته (FMEA) الضبابي المقترح إلى تعزيز تقييم المخاطر في توربينات الرياح البحرية من خلال معالجة قيود الطرق التقليدية. يدمج هذا الإطار مصفوفة توزيع مستوى المخاطر ويستخدم عملية التحليل الهرمي الضبابي (FAHP) لاشتقاق أوزان الإجماع لعوامل المخاطر من خلال مقارنات ثنائية بين الخبراء. تبدأ العملية بتحديد أنماط الفشل وتقييم عوامل المخاطر، تليها إنشاء أعداد ضبابية مثلثية لتمثيل هذه المقارنات. يتم حساب معلمة \( I \) بعد ذلك، والتي تدمج مستويات عوامل المخاطر وأوزانها، والتي تُستخدم لبناء مصفوفات توزيع مستوى المخاطر. تصنف هذه المصفوفات أنماط الفشل إلى مستويات منخفضة ومتوسطة وعالية المخاطر، مما يسهل توليد القواعد الضبابية لتقييم المخاطر.
يستخدم الإطار نظام استدلال ضبابي يعالج درجات عوامل المخاطر من خلال إزالة الضبابية، والاستدلال، وإزالة الضبابية، مما ينتج في النهاية مخرجات مستوى مخاطر واضحة. تم اختيار دالة العضوية Gaussian لإزالة الضبابية نظرًا لتمثيلها السلس لدرجات المخاطر. يتم استخدام خوارزمية مانداني للاستدلال الضبابي، مما يولد 125 قاعدة ضبابية بناءً على مصفوفة توزيع مستوى المخاطر التي تم إنشاؤها. تشير تحليل الحساسية إلى أن الطريقة المقترحة قوية ضد التقلبات الطفيفة في أوزان عوامل المخاطر، حيث تظل عامل المخاطر \( S \) الأكثر تأثيرًا. تُظهر التحليلات المقارنة أن إطار عمل FMEA الضبابي المقترح ينتج تصنيفات مخاطر أكثر دقة من الطرق التقليدية، مما يلتقط بشكل فعال عدم اليقين الكامن في تقييمات الخبراء ويقدم تقييمًا أكثر شمولاً للمخاطر لمكونات توربينات الرياح البحرية.
القيود
تُحدد قيود نموذج تحليل أنماط الفشل وتأثيراته (FMEA) المقترح في ثلاثة مجالات رئيسية. أولاً، يمكن أن يؤدي الاعتماد على حكم الخبراء في تقييم عوامل مخاطر أنماط الفشل إلى إدخال تباين، حيث قد تؤدي مجموعات الخبراء المختلفة إلى نتائج متباينة. تهدف الأبحاث المستقبلية إلى استخدام طرق تجميع الخبراء لتقييم تأثير هذا التباين. ثانيًا، بينما يعزز إنشاء أوزان عوامل المخاطر بناءً على إجماع الخبراء كفاءة بناء النظام، قد يهدد ذلك متانة قاعدة القواعد الضبابية. يمكن أن تستكشف الدراسات المستقبلية استراتيجيات الوزن الديناميكي وتحسين القواعد التكيفية لتعزيز استجابة النظام ومتانته. أخيرًا، تتطلب عملية تحسين تصميمات توربينات الرياح البحرية المستمرة تحديثات منتظمة لـ FMEA؛ ومع ذلك، غالبًا ما تؤدي قيود جدول المشروع إلى تأخير هذه التقييمات، مما قد يؤدي إلى عدم توافقها مع المخاطر الحالية للفشل. لمعالجة ذلك، يُقترح تطوير قاعدة بيانات موحدة لـ FMEA ونظام إدارة المعرفة، والذي من شأنه دمج التغييرات في التصميم، والبيانات التشغيلية، وتاريخ الصيانة، مما يسهل الإدارة الديناميكية ويحسن التكيف طوال دورة حياة المنتج.
DOI: https://doi.org/10.1016/j.oceaneng.2025.122649
Publication Date: 2025-09-01
Author(s): E. Chen et al.
Primary Topic: Risk and Safety Analysis
Overview
The research paper presents an enhanced Failure Mode and Effect Analysis (FMEA) framework tailored for the risk assessment of offshore wind turbines, addressing the limitations of traditional FMEA methodologies. By integrating the Fuzzy Analytic Hierarchy Process (FAHP) with a Mamdani-based fuzzy inference system, the proposed framework effectively incorporates expert evaluation fuzziness, streamlines fuzzy rule generation, and improves risk classification. Key contributions include the embedding of FAHP-derived consensus weights into fuzzy rules, the automation of rule generation through risk level distribution matrices, and the application of defuzzification for risk prioritization and classification. Validation using operational data from an 80-turbine offshore wind farm in China identified critical failure modes, such as generator overheating (risk value $r = 0.786$), demonstrating a significant enhancement in risk ranking accuracy compared to traditional methods.
In conclusion, the proposed framework not only optimizes fuzzy rule generation by embedding risk factor weights but also enables a nuanced approach to risk management through differentiated operation and maintenance (O&M) strategies. The study recommends targeted interventions for critical failure modes, emphasizing the importance of intelligent monitoring, material optimization, and tiered maintenance strategies based on risk levels. A quantitative comparison with the Weighted FMEA method further validates the framework’s effectiveness, highlighting the rationale for incorporating risk factor weights and analyzing discrepancies in ranking results. This comprehensive approach aims to enhance the operational reliability of offshore wind turbines amidst complex environmental conditions.
Introduction
The introduction of this research paper highlights the increasing global demand for power and the role of offshore wind energy as a viable solution due to its abundant resources and minimal land use. In 2023, the offshore wind sector added 10.8 GW of capacity, bringing the total to 75.2 GW. However, offshore wind turbines face significant challenges from harsh marine environments that can lead to component degradation and operational failures, exacerbated by constraints in operation and maintenance (O&M) due to weather and logistical factors. This necessitates effective risk analysis to identify potential failure modes and enhance the reliability and safety of offshore wind farms.
The paper discusses the application of various risk assessment methodologies, particularly Failure Mode and Effects Analysis (FMEA), which has been widely used for evaluating offshore wind turbine risks. Despite its advantages, traditional FMEA has limitations, such as neglecting the relative significance of risk factors and the loss of uncertainty in expert evaluations. To address these issues, the authors propose an improved FMEA framework that integrates fuzzy linguistic methods to better capture expert uncertainty and streamline the generation of fuzzy rules. This framework aims to enhance risk prioritization and inform O&M strategies, ultimately improving the efficiency of offshore wind turbine operations. The subsequent sections of the paper will detail the proposed methods and their application in a case study of an offshore wind farm in China.
Methods
In this section, the authors describe the methodologies employed to assess the weights of risk factors using a Fuzzy Analytic Hierarchy Process (FAHP), which integrates fuzzy set theory with hierarchical analysis. This approach enhances the traditional Analytic Hierarchy Process (AHP) by more accurately reflecting human cognitive processes and effectively managing uncertainties in translating subjective perceptions into numerical values. Experts utilize a predefined pairwise comparison scale to establish triangular fuzzy numbers that represent the relative importance of risk factors, which are subsequently defuzzified to calculate their respective weights.
The section also outlines the creation of a risk level distribution matrix, which illustrates the risk levels associated with various failure modes based on the calculated weights from the FAHP. This matrix serves as a foundation for the subsequent ranking and categorization of failure modes. A fuzzy inference system is employed to determine the risk value and grade of these failure modes, utilizing inputs such as Severity (S), Occurrence (O), and Detection (D) scores. The process involves fuzzification, application of fuzzy rules, fuzzy inference, and defuzzification, culminating in the assignment of risk values and membership degrees to risk levels.
Results
In this section, the research evaluates the risk levels of 15 major failure modes in offshore wind turbines using a fuzzy inference system implemented in MATLAB. The analysis identifies generator overheating, winding failure, and main bearing vibration as extremely critical failure modes, each with a risk score ($r > 0.7$), indicating that these components are high-risk. The study provides detailed recommendations for mitigating these risks, including the design of redundant cooling circuits for generators, integration of intelligent lubrication systems for main bearings, and the use of advanced insulation materials for windings to enhance reliability and operational safety.
The results, summarized in Table 8, categorize the failure modes into high, medium, and low-risk groups based on their calculated membership degrees. High-risk modes (FM3, FM4, FM5, FM6, FM12, FM13) warrant a hybrid maintenance strategy combining condition-based and predictive maintenance, while medium-risk modes (FM1, FM7, FM8, FM9, FM10, FM11, FM15) are best managed through opportunistic maintenance. Low-risk modes (FM2 and FM14) can be addressed with corrective maintenance. This differentiated approach to operation and maintenance (O&M) strategies is crucial given the high costs and logistical challenges associated with offshore wind farm maintenance, ultimately aiming to enhance maintenance efficiency and support coordinated management.
Discussion
The proposed fuzzy Failure Mode and Effects Analysis (FMEA) framework aims to enhance risk assessment in offshore wind turbines by addressing the limitations of traditional methods. This framework incorporates a risk level distribution matrix and employs the Fuzzy Analytic Hierarchy Process (FAHP) to derive consensus weights for risk factors through expert pairwise comparisons. The process begins with the identification of failure modes and the assessment of risk factors, followed by the creation of triangular fuzzy numbers to represent these comparisons. A parameter \( I \) is then calculated, integrating risk factor levels and their weights, which is used to construct risk level distribution matrices. These matrices categorize failure modes into low, medium, and high-risk levels, facilitating the generation of fuzzy rules for risk evaluation.
The framework utilizes a fuzzy inference system that processes the risk factor scores through fuzzification, inference, and defuzzification, ultimately producing a crisp risk level output. The Gaussian membership function is selected for fuzzification due to its smooth representation of risk scores. The Mamdani algorithm is employed for fuzzy inference, generating 125 fuzzy rules based on the established risk level distribution matrix. Sensitivity analysis indicates that the proposed method is robust against minor fluctuations in risk factor weights, with the risk factor \( S \) remaining the most influential. A comparative analysis demonstrates that the proposed fuzzy FMEA framework yields more nuanced risk rankings than traditional methods, effectively capturing the inherent uncertainties in expert assessments and providing a more comprehensive risk evaluation for offshore wind turbine components.
Limitations
The limitations of the proposed Failure Mode and Effects Analysis (FMEA) model are outlined in three key areas. Firstly, the reliance on expert judgment for scoring failure mode risk factors can introduce variability, as different expert groups may yield divergent results. Future research aims to employ expert clustering methods to evaluate this variability’s impact. Secondly, while establishing risk factor weights based on expert consensus enhances system construction efficiency, it may compromise the robustness of the fuzzy rule base. Future studies could explore dynamic weighting and adaptive rule optimization strategies to bolster the system’s responsiveness and robustness. Lastly, the continuous optimization of offshore wind turbine designs necessitates regular FMEA updates; however, project schedule constraints often delay these assessments, potentially misaligning them with current failure risks. To address this, the development of a unified FMEA database and knowledge management system is proposed, which would integrate design changes, operational data, and maintenance history, thereby facilitating dynamic management and improving adaptability throughout the product lifecycle.