| dc.description.abstract | Vannkraftverk leverer grønn og pålitelig energi til befolkningen i Norge, og bidrar med rundt 88 % av landets årlige strømbehov. Uventede avbrudd og stans for kraftverkene vil resultere i store økonomiske tap, samt at kraftverkene ikke får levert nødvendig kraft til nettet. Med fremveksten av Industri 4.0 benytter industriene nyskapende teknologier som skytjenester, Kunstig Intelligens (KI) og tingenes internett for å forbedre de ulike operasjonene i selskapet. Innen vannkraft-industrien vil KI-baserte systemer bli brukt som grunnlag for prediktive vedlikehold. I dag utføres det meste av vedlikeholdsarbeid i henhold til en planlagt tidsplan, og industrien ser derfor på bruk av maskinlærings-metoder for tidlig feilgjenkjenning i vannkraftverkene. Denne masteroppgaven ser på anvendelsen av maskinlærings-algoritmer for å tidlig forutsi kortslutninger i aramturviklingene i en Permanent Magnet Synkronmaskin (PMSM), ved bruk av trefaset strøm-data. Data A ble samlet inn i et internt laboratorium med en Permanent Magnet Synkrongenerator (PMSG) som hadde en implementert 4.8 % kortslutning i aramturviklingen. Dataen bestod av sunne og defekte datasett med RMSverdier for den trefasede strømmen. Data B ble hentet fra et tidligere arbeid av den samme typen PMSM med en 6.0 % kortslutning i aramturviklingen. Data B bestod av signal-verdier for den trefasede strømmen.
Ved bruk av Python ble de to datasettene visuelt inspisert og forbehandlet ved hjelp av ‘Z-score’-metoden for å fjerne avvikende verdier. Denne prosessen hadde imidlertid ingen merkbar effekt på nøyaktigheten til maskinlærings-modellene. Enkel signalbehandling i tidsplanet ble anvendt på strømdataene, men klarte ikke å oppdage kortslutningsfeilen implementert på den andre faseviklingen. Statistiske parameter som gjennomsnitt, standard avvik, skjevhet, kurtose, toppverdifaktor, peak-to-peak, RMS, klaringsfaktor, formfaktor og impulsfaktor ble beregnet for alle tre fasene. En Principal Component Analysis (PCA)- algoritme ble anvendt på datasettene med de statistiske parameterne og reduserte Data A fra 18 parameter til tre Principal Components. Data B ble redusert fra 33 parametere til fire Principal Components. Før dataen kjøres i maskinlørings-modellene, ble feilindikatorer som flagger verdier utenfor den 95. persentilen av gjennomsnittsverdiene til parameterne lagt til i datasettet . Fire overvåkede maskinlærings-modeller – ‘Random Forest’, ‘Decision Trees’, ‘k-NN’ og ‘Naive Bayes’ – ble kjørt for datasettene. Random Forest- og Decision Tree-modellene hadde en tendens til å overtilpasse maskinlærings-prediksjonene på datasettene som inneholdt de statistisk parameterne. Datasettet med PCA-komponentene reduserte overtilpasningen av disse modellene og forbedret nøyaktigheten til Naive Bayes-modellen. Ettersom Naive Bayes-modellen ga varierende resultater og ble ansett som inkonsekvent, samt overtilpasnings-tendensene til Random Forest og Decision Tree, ble k-NN-modellen vurdert som den mest pålitelige av maskinlærings-modellene. De beste feilindikatorene for Data A var kurtose- og skjevhet-indikatorene, mens klaringsfaktor og formfaktor ga best nøyaktighet for Data B.
Videre arbeid bør unngå bruk av data som inneholder RMS-verdier, og fokusere på bruk av signalbaserte verdier slik som i Data B. Dataprosessering og feilmerking bør også utføres i frekvensplanet, ettersom en stor svakhet ved avhandlingen er at metodikken kun ble anvendt i tidplanet. Andre ytelsesindikatorer som robusthet bør også brukes for å vurdere ytelsen til maskinlærings-modellene. | |
