Konenäön hyödyntäminen keskijännite-verkkojen ennakoivassa kunnossapidossa
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
2022-08-22
Department
Major/Subject
Sustainable Energy Systems and Markets
Mcode
ELEC3048
Degree programme
Master's Programme in Advanced Energy Solutions
Language
fi
Pages
76
Series
Abstract
Sähkö on merkittävä osa modernia yhteiskuntaa. Tämän vuoksi sen toimitusvarmuuden merkittävyys on kasvanut, mikä nähdään sähkömarkkinalain kiristyneissä toimitusvarmuustavoitteissa. Näiden saavuttamiseksi useat jakeluverkkoyhtiöt ovat alkaneet korvaamaan ilmajohtoja kaapeleilla, mikä ei kuitenkaan ole aina kustannustehokkain ratkaisu. Toimitusvarmuutta voidaan parantaa myös kehittämällä verkkojen ennakoivaa kunnossapitoa. Diplomityön tavoitteena oli tutkia, miten konenäköä hyödyntämällä voidaan tehostaa Järvi-Suomen Energian (JSE) keskijänniteverkkojen kunnossapitoa. JSE:n keskijänniteverkkojen kunnossapitotarkastukset perustuvat lentotarkastuksiin, joissa ammattitaitoinen henkilö arvioi silmämääräisesti verkon komponenttien kuntoa sekä johtokaduilla olevan kasvillisuuden raivaustarvetta. Tämän rutiininomaisen tarkastuksen helpottamiseksi sekä tehostamiseksi tutkimuksessa opetettiin kohteentunnistusalgoritmeja havaitsemaan keskijänniteverkoissa esiintyviä komponentteja. Algoritmien tarkoitus on poimia verkoista otetuista kuvista tarkasteltavat kohteet tarkempaa kuntotutkimusta varten. Opetettaviksi kohteentunnistusalgoritmeiksi valikoituivat aiempien tutkimusten pohjalta Faster-RCNN sekä Single Shot Detector (SSD). Tuloksista voitiin todeta, että kummatkin algoritmit havaitsivat niille opetetut kohteet, mutta Faster-RCNN antoi tarkempia tuloksia. Tuloksissa havaittiin myös, että tarkastuskuvien laadulla on suuri merkitys algoritmien tunnistustarkkuuksiin, etenkin jos konenäön avulla halutaan tutkia komponenttien kuntoa. Vaikka algoritmit eivät kyenneet arvioimaan komponenttien kuntoa, voidaan niiden avulla tehostaa kuviin perustuvaa kunnossapitotarkastusta, sillä algoritmit poimivat tutkittavat kohteet automaattisesti, eikä kohteita tarvitse erikseen etsiä kuva-aineistosta. Lisäksi ne pienentävät tarkastettavien kuvien kokoa rajaamalla tarkastusten kannalta kiinnostavat kohteet kuvista, mikä helpottaa niiden käsittelyä sekä säilöntää. Komponenttien kunto joudutaan silti tarkastamaan silmämääräisesti, sillä opetusmateriaalia niiden epäkohdista ei ole vielä tarpeeksi tarjolla, jotta viat voitaisiin tunnistaa konenäköä hyödyntäen.Electricity is significant part of modern society which is why its security of supply has grown in importance. This can be seen in the tightened supply goals of the Electricity Market Act. To achieve these goals, distribution network companies have started to replace overhead lines with underground cables, which is not always the most cost-effective solution. The reliability of the electricity supply can also be secured by making predictive maintenance more efficient, and this can be done with tools provided by artificial intelligence. The goal of this master thesis was to investigate how the maintenance of Järvi-Suomen Energia's (JSE) medium voltage networks can be improved by utilizing machine vision. The maintenance inspections in JSE are based on aerial inspections, where inspector assesses the condition of the network com-ponents. To make this routine inspection more efficient, object recognition algorithms were taught to identify components present in medium voltage networks. The purpose of the algorithms is to pick up the objects under review for a closer examination. Faster-RCNN and Single Shot Detector (SSD) object detection algorithms were selected to be taught based on previous studies. From the test results, it could be stated that both algorithms detected the objects taught to them, however, Faster-RCNN gave more accurate results. The results also showed that the quality of the inspection images is of great importance to the accuracy of the algorithms, especially if you want to use machine vision to examine the condition of the components. Although the algorithms were not able to assess the condition of the components, they can still be used to enhance the maintenance inspection, because the algorithms can automatically pick up the objects of interest from the inspection images. In addition, they reduce the size of the images by cutting the objects of interest from the inspection images, which facilitates their processing and storage. The condition of the components still must be checked visually from the cropped images because there is not yet enough data of the defects of the components to teach the condition classifier.Description
Supervisor
Lehtonen, MattiThesis advisor
Ylisirniö, EljasKeywords
keskijänniteverkko, tekoäly, konenäkö, ennakoiva kunnossapito, syväoppiminen, konvoluutioverkko
