Artificial Intelligence-based Algorithm for Incipient Fault Diagnosis of Salient Pole Synchronous Generator using Multiple Sensor Fusion

Vannkraft 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