Using machine learning for instrument fault detection
Loading...
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2020-12-14
Department
Major/Subject
Control, Robotics and Autonomous Systems
Mcode
ELEC3025
Degree programme
AEE - Master’s Programme in Automation and Electrical Engineering (TS2013)
Language
en
Pages
75
Series
Abstract
As the quality requirements of electrical transmission are restricting, has condition monitoring of power transformers become into the interest of energy companies. A popular way to monitor the transformer’s condition is to perform a dissolved gas analysis (DGA) to the transformer oil. In DGA, the gases dissolved into the oil are measured and based on the results, conclusions about the transformer’s condition can be made. The DGA process can be automated by installing a gas monitor into the transformer. The gas monitor can run the DGA process continuously and report the results. Especially with more sophisticated multi-gas monitors is the DGA process complex and sensitive to instabilities. Thus, any faults within the gas monitor may disturb the DGA process and cause unreliable results. In this thesis, creating an automated fault detection system for the Vaisala OPT100 gas monitor is investigated. The OPT100 is a relatively new product in the markets, thus the knowledge of its maturing, such as aging of seals and components is still incomplete. For that reason, the chosen approach for fault detection was to use black-box modeling implemented with neural networks. The model aims to learn how the real device operates so that it could be used as a reference point to see if something in the real device changes. Neural networks, artificial intelligence, and machine learning are presented as background theory for the implementation. The developed prototype employs data collected from devices and using machine learning, find a model for it. The final model is used for estimating how three sensory values will evolve over time, and these estimates are compared to the real values produces by the device. If the estimates and the real values start to diverge, it is interpreted as a sign of a change in the real device, possibly due to a fault. The prototype is based on using a certain type of neural networks, recurrent neural networks, which are designed for estimating sequential data. Several models were built and tested against. The chosen model was validated by feeding it with simulated data that could possibly be produced by a faulty device. The model performed well even with the simulated data and the estimates were on the allowed limits of variation, although the input data contained significantly higher variations. Thus, it could be stated that the model can be used as a reference point for detecting a faulty device.Laatuvaatimusten kiristyessä sähkönsiirrossa on tehomuuntajien kunnonvalvonta sähköyhtiöiden kasvavan mielenkiinnon kohteena. Yleinen tapa valvoa tehomuuntajien kuntoa on tehdä muuntajaöljylle liuenneiden kaasujen analyysi. Siinä muuntajaöljyn sisältämät kaasut määritetään, ja löydettyjen kaasujen pohjalta voidaan tehdä tulkintoja muuntajan kunnosta. Tämä prosessi voidaan automatisoida asentamalla muuntajaan kaasuanalysaattori, joka pystyy suorittamaan jatkuvaa analyysiä ja raportoimaan tulokset. Erityisesti kehittyneemmissä usean kaasun kaasuanalysaattoreissa on analysointiprosessi tarkasti kontrolloitu, ja herkkä olosuhdemuutoksille. Täten, kaasuanalysaattorin viat kuten kuluneet komponentit voivat häiritä kaasujen mittausta, ja tuottaa mahdollisesti vääriä tuloksia. Tässä työssä on tutkittu automatisoitua vikadiagnosointijärjestelmää Vaisala OPT100 kaasuanalysaattorille. OPT100 on markkinoilla verrattain uusi kaasuanalysaattori, joten kaikkia laitteen vanhenemiseen liittyviä tietoja kuten komponenttien kulumista ei tunneta täysin. Siksi vikadiagnosointijärjestelmän lähtökohdaksi on valittu laitteen mallintaminen musta-laatikko lähtöisesti neuroverkkojen avulla. Mallin tarkoituksena on oppia todellisen laitteen käyttäytyminen, jotta sitä voidaan käyttää vertailukohtana, jolla havaita, jos jokin todellisessa laitteessa muuttuu. Neuroverkot, tekoäly ja koneoppiminen on esitetty pohjateoriana järjestelmän toteutukselle. Järjestelmän prototyyppi on kehitetty taustatutkimuksesta kerättyyn tietoon tukeutuen. Se käyttää laitteesta kertynyttä dataa ja koneoppimiseen pohjautuen sovittaa mallin sille. Malli ennustaa laitteen eri anturien lukemien kehitystä, ja näitä ennusteita verrataan oikean laitteen tuottamiin arvoihin. Jos ero ennusteiden ja todellisten arvojen välillä alkaa kasvaa, tulkitaan se merkiksi muutoksesta oikeassa laitteessa, mahdollisesti vikaantumisen seurauksena. Prototyyppi kehitettiin pohjautuen sellaisiin neuroverkkoihin, jotka on suunnattu erityisesti sekventaalisen datan ennustamiseen. Useita malleja testattiin ja vertailtiin keskenään. Valittu malli validoitiin simuloimalla dataa, jota mahdollisesti vikaantunut laite voisi tuottaa. Havaittiin että mallin ennusteet pysyivät sallitun varianssin rajoissa, vaikka simuloitu data sisälsi huomattavasti runsaampaa vaihtelua. Täten voidaan todeta että malliin onnistuttiin luomaan riittävästi tietoa todellisesta laitteesta, että se kykenee toimimaan vertailupisteenä vikaantuneen laitteen tunnistamiselle.Description
Supervisor
Visala, ArtoThesis advisor
Lindblom, HenrikKeywords
neural networks, machine learning, fault diagnostics, anomaly detection