Application of signal processing and machine learning tools in fault detection of synchronous generators

Abstract

Deteksjon av feil i synkrongeneratorar med utprega polar er avgjerande for å sikre påliteleg produksjon i vasskraftverka der desse maskinene er lokalisert. Ei enkelt kortslutning mellom vindingar (ITSC på engelsk) i rotorfeltviklinga kan forårsake varmeutvikling som induserer isolasjonssvikt hos nabovindingane, og til slutt får heile rotorpolens vikling til å svikte. Det kan òg forårsake ytterlegare mekaniske feil grunna vibrasjonar som stammar frå det resulterande ujamne magnetfeltet. Dette kan unngåast om ein oppdagar ITSC tidleg. Denne oppgåva undersøker om maskinlæring og signalbehandling kan brukast til on-line overvaking av maskintilstand for å avsløre ITSC i vasskraftgeneratorar. Det vart gjort ved å trene fleire maskinlæringsmodellar til å oppdage ITSC-feil, med utgangspunkt i datasett som vart konstruert ved hjelp av signalbehandlingsverktøy.

Eit datasett for maskinlæring vart laga ved bruk av signalbehandlingsteknikkar for å trekke ut trekk frå målingar av ein synkrongenerator med utprega polar som drivast under forskjellige grader av ITSC-feil. Trekka som vart trekt ut var frekvenskomponenten til heiltalmultiplar av generatorens mekaniske frekvens ekstrahert med fast Fourier transform (FFT), diskrete wavelet-transformasjonsenergiar, og tidsserietrekkekstraksjon basert på skalerbare hypotetestar (TSFRESH). Ved hjelp av dette datasettet vart fleire maskinlæringsmodellar trent opp til å oppdage ITSC-feil. Maskinlæringsmodellane som vart evaluert var logistisk regresjon, K-nearest neighbours (KNN), radial basisfunksjon support vector machine (SVM), lineær SVM, XGBoost-beslutningstre-skog, fleirkappa perceptron (MLP) og ein stabelmodell av alle dei nemnde modellane. Modellane vart optimalisert ved hjelp av hyperparameterrutenettsøk. I tillegg vart tre trekkval og -reduksjonsalgoritmar evaluert.

Av 475 trekk som vart undersøkt, var relative wavelet-energiar (RWE) for høge nedbrytingsnivå, aggregerte lineærregresjonstrekk, omtrentlege entropitrekk og endringskvantile funksjoner dei mest nyttige funksjonane. FFT-avleidde trekk presterte dårleg. Korrelasjon med målverdien var ein sterk indikasjon på at trekk vil vere nyttige i klassifiseringa og kunne dermed brukast til å saumfare eit stort tal potensielle trekk, med fare for å gå glipp av trekk med ulineære forhold til målverdien.

Ei generell trend under optimaliseringa var at lineære maskinlæringsmodellar presterte bra, og at ytinga til modellane auka etter kvert som kompleksiteten gjekk ned. Den beste ytinga vart oppnådd av ein stabel av dei optimaliserte logistiske regresjon-, SVM-, MLP- og XGBoostmodellane som grunnlærarar og logistisk regresjon som metalærar. Stabelen klassifiserte 84,48% av prøvene i hold-out datasettet riktig, og 84,56% av dei prøvane med feil i vart riktig klassifisert. Av prøvane som vart klassifisert som feil, var 92,74% korrekt klassifisert. KNN hadde den dårlegaste ytinga. Dette viser at ITSC-feil kan bli oppdaga ved bruk av maskinlæring, men desse resultata bør bekreftast på større datasett som inkluderer andre typar feil.

The detection of faults in salient pole synchronous generators is crucial to ensure reliable production in hydroelectric power plants where these machines are located. A single inter-turn short-circuit (ITSC) in the rotor winding can create hot spots that induce insulation failure its neighbours, eventually causing the entire rotor pole winding to fail. This can also cause further mechanical faults caused by vibrations from the resulting uneven magnetic field. This can be avoided if ITSCs are detected early. This thesis examines if machine learning and signal processing can be used for on-line condition monitoring to reveal ITSC in salient pole hydropower generators. This was done by creating several machine learning classifiers to detect ITSC faults, utilising data sets that were constructed using signal processing tools.

A data set for machine learning was built using signal processing techniques to extract features from measurements of a salient pole synchronous generator operated under several different severities of ITSC fault. The features extracted were the power spectral density of integer multiples of the generator's mechanical frequency extracted by fast Fourier transform (FFT), discrete wavelet transform energies, and time series feature extraction based on scalable hypothesis tests (TSFRESH). Using this data set, a wide range of classifiers were trained to detect the presence of ITSC faults. The classifiers evaluated were logistic regression, K-nearest neighbours, radial basis function support vector machine (SVM), linear SVM, XGBoost decision tree forest, multi-layer perceptron (MLP), and a stacking ensemble classifier including all of the aforementioned. The classifiers were optimised using hyper-parameter grid searches. In addition, some feature selection and reduction algorithms were assessed such as random forest feature selection, TSFRESH feature selection, and principal component analysis.

Out of 475 features investigated, high decomposition level relative wavelet energy features, aggregate linear trend features, approximate entropy features, and change quantile features were the most useful features. FFT derived features performed poorly. Correlation to the target value was a strong indication that features will be useful in classification and could thus be used to screen a large number of potential features at the risk of missing features with non-linear relationships.

A general trend during optimisation was that linear machine learning models performed well and that the performance of non-ensemble classifiers increased as the complexity decreased. The best performance was yielded by a stacking classifier using the optimised Logistic Regression, SVM, MLP, and XGBoost classifiers as base-classifiers, and logistic regression as the meta-classifier. It correctly classified 84.48 % of samples in the hold-out data set, and 84.56 % of the faulty samples present were correctly classified as such. Of the samples that were classified as faulty, 92.74 % were correctly classified. The worst performance was exhibited by the K-nearest neighbours classifier, performing worse than random chance. This demonstrates that ITSC faults are suited to be detected using machine learning, however, these results should be confirmed on larger data sets that include other incipient faults.