Vis enkel innførsel

dc.contributor.advisorNysveen, Arne
dc.contributor.advisorEhya, Hossein
dc.contributor.authorSørheim, Ole
dc.date.accessioned2021-10-05T17:37:15Z
dc.date.available2021-10-05T17:37:15Z
dc.date.issued2021
dc.identifierno.ntnu:inspera:79771761:27012548
dc.identifier.urihttps://hdl.handle.net/11250/2787888
dc.description.abstractVannkraft representerer omtrent 90\% av all energi som produseres i Norge. Med et økende behov for ren energi er bærekraften til vannkraftprodusenter et hovedanliggende. Det er viktig å oppdage begynnende feil i vannkraftgeneratorer for å sikre pålitelig og bærekraftig energiproduksjon. Denne avhandlingen er en videreføring av det tidligere arbeidet innen feildeteksjon av synkrongeneratorer ved NTNU og undersøker bruken av maskinlæring og multisensorfusjon i tilstandsovervåking av synkrongeneratorer for å detektere feil i generatorer. Arbeidet er fokusert på deteksjonen av kortslutningsfeil i rotor viklinger og statisk eksentrisitet. Videre har anvendelsen av signalbehandlingsverktøy for å trekke ut nyttige mønstre for bruk i kunstig intelligens blitt studert. Oppgaven viser at ved å anvende sensorfusjon av vibrasjon og spredefelt sammen med en egnet maskinlæringsmetodikk, kan man oppnå en treffsikkerhet på 95\% i deteksjon av kortslutningsfeil. Datasettet som ble brukt i maskinlæringsalgoritmene ble hentet fra en laboratoriegenerator ved NTNU-anleggene. Denne generatoren var designet for å representere en typisk vannkraftgenerator og kunne påføres forskjellige feil for casestudie. Som en del av arbeidet med maskinlæring ble målinger av vibrasjoner, spredefelt, statorspenning og statorstrøm hentet ut ved forskjellige driftsforhold. Generatoren ble påført kortslutnings feil og eksentrisitet av ulik grad under målingene. Kjennetegner på feilene ble hentet fra de målte signalene ved hjelp av Fast Fourier Transform (FFT), Discrete Wavelet Transform (DWT) og TSFRESH-algorithmen. Disse kjennetegnene ble filtrert basert på relevans for deteksjon av feil ved hjelp av Random Forest-klassifisereren og TSFRESH-algoritmen, som henholdsvis ga 170 og 750 relevante kjennetegn. Kjennetegnene hentet gjennom FFT og TSFRESH viste høyeste betydning for å oppdage feil, mens DWT-Kjennetegnene var mindre viktig. Et mangfold av maskinlæringsalgoritmer har blitt evaluert og sammenlignet, inkludert Logistisk regresjon, K-nærmeste nabo, Support Vector Machine, XGBoost, Artificial Neural Network og ensemble-klassifiserere. De nevnte algorithmene ble optimalisert ved hjelp av et rutenett-søk av de mest relevante hyperparametrene. Forskjellige splittingsstrategier for trening og testdata har blitt analysert, og en foreslått metodikk har blitt presentert. Sensorfusjon av spredefelt og vibrasjon ble utført basert på fossefalls-fusjonsmodellen. Datasettene som inneholdt statorspenning og strøm var ikke tilstrekkelig til å bli brukt i maskinlæring, og resultatet ved bruk av disse datasettetene var tvilsomt. Avhandlingen viser imidlertid at ved å bruke spredefelt og vibrasjon i sensorfusjon, ble prediksjonens ytelse til algoritmene forbedret. Datasettet hentet fra laboratoriegeneratoren var sterkt ubalansert, med en minoritetsklasse som representerte en frisk generator. Som sådan ble balanseprosedyrer implementert og treningssettet ble balansert ved hjelp av SMOTE-ENN. På grunn av ubalansen var ROC AUC og spesifisitet de viktigst for evalueringen av algoritmene. Den foreslåtte algoritmen hadde en spesifisitet på 0,9440 og en ROC AUC på 0,9475 i deteksjon av kortslutningsfeil. For deteksjon av statisk eksentrisitet hadde alle algorithmene en perfekt poengsum. Det ble konkludert med at den perfekte poengsummen ikke var et resultat av datalekkasje. En evaluering av generaliserbarheten av algoritmen har også blitt utført ved å analysere ytelsen på datasett hentet fra to industrielle generatorer.
dc.description.abstractThis thesis is a continuation of the previous work within fault detection of synchronous generators at NTNU. Hydropower represents roughly 90\% of all energy produced in Norway. With an increasing demand for clean energy, the sustainability of hydropower generators is a prime concern. The detection of incipient faults in hydropower generators is vital in ensuring reliable and sustainable energy production. This thesis investigates the use of machine learning and multi sensor-fusion in on-line condition monitoring of synchronous generators for the propose of early discovery of incipient faults. The work is focused on the detection of \acrlong{ITSC} (ITSC) and \acrlong{SE} (SE). Moreover, the application of signal processing tools to extract useful patterns as an input to the artificial intelligence (AI) algorithm has been studied. The thesis shows that by applying sensor-fusion of vibration and stray magnetic field to a suitable machine learning methodology, an accuracy of 95\% in detection of ITSC can be achieved. The dataset used in the machine learning algorithms was extracted from a 100kVA salient-pole synchrnous generator at the NTNU facilities. This generator was designed to represent a typical hydropower generator and could be imposed with various faults for case study. As a part of the work with machine learning, measurements of vibration, stray magnetic field, stator voltage, and stator current was extracted for various operating conditions. The generator was imposed with ITSC and SE of various degree during measurements. Features were extracted from the measured signals using \acrlong{FFT} (FFT), \acrlong{DWT} (DWT) and the TSFRESH-algorithm. The features were filtered by the Random Forest classifier and TSFRESH-algorithm yielding approximately 170 and 750 relevant features, respectively. The features extracted through FFT and TSFRESH showed the highest importance in detecting faults, while DWT-features showed a subpar performance. A multiple of machine learning algorithms have been evaluated and compared, including Logistic Regression, \acrlong{KNN}, \acrlong{SVM}, XGBoost, \acrlong{ANN} and ensemble classifiers. The aforementioned classifiers were optimized using a grid-search of the most relevant hyperparameters. Different splitting strategies for training and test data have been analysed, and a proposed methodology has been presented. Sensor-fusion of stray magnetic field and vibration was performed based on the waterfall fusion model. The datasets containing stator voltage and current was not sufficient to be used in machine learning and the result using this dataset was questionable. However, the thesis shows that by utilizing only stray flux and vibration in sensor-fusion, the prediction performance of the algorithms improved. The dataset extracted from the laboratory generator was severely imbalanced, with the minority class representing a healthy generator. The training set was balanced using SMOTE-ENN, an algorithm that creates synthetic samples of the minority class based on the relative distance between samples. Due to the imbalance the most relevant metrics for evaluation of the algorithm were ROC AUC and specificity. ROC AUC describes the classifiers ability to distinguish classes. The proposed algorithm had an specificity of 0.9440 and a ROC AUC of 0.9475 in detection of ITSC, meaning out of all the negative classes 94.4\% was correctly classified. For detection of static eccentricity all classifiers had a perfect score. It was concluded that the perfect score was not a result of data leakage. An evaluation of the generalizability of the algorithm has been performed by analysing the performance on datasets obtained from two industrial generators.
dc.languageeng
dc.publisherNTNU
dc.titleArtificial Intelligence-based Algorithm for Incipient Fault Diagnosis of Salient Pole Synchronous Generator using Multiple Sensor Fusion
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel