Til hovedinnhold

125-3 Intelligente metoder for tilstandsanalyse

125-3 Intelligente metoder for tilstandsanalyse

Tilstandsprediksjon og feildeteksjon basert på analyse av driftsdata fra vannkraftanlegg

Bakgrunn
Vannkraft er fortsatt bærebjelken for norsk kraftforsyning. Storhetstiden for prosjektutbyggingen var i perioden 1945–1975. Selv om mange av anleggene i hovedsak er som en gang bygget har kravene til robusthet, pålitelighet, fleksibilitet og kostnadseffektivitet gradvis økt. Energimarkedet er i endring og mer fornybar kraft i markedet fører til større konkurranse. For å styrke vannkraftens konkurransefortrinn bør det tas i bruk nye metoder og avanserte modeller for tilstandskontroll og planlegging av drift og vedlikehold.

Vi er inne i en tid hvor det påstås at vi opplever en digital transformasjon beskrevet gjennom begreper som Industri 4.0, Internet of Things (IoT), Big Data, Data Mining, Predictive Maintenance, m.m. I forskingsprosjektet MonitorX skal det testes ut og tas i bruk ulike elementer fra denne nye digitale verden. Prosjektet ser på både datauthenting, dataanalyse og bruk av analyseresultater for vedlikeholds- og reinvesteringsbeslutninger.

Hovedfokus til sommerjobboppgaven er å se på ulike muligheter til å bruke dagens driftsdata fra SCADA-systemet (Supervisory Control And Data Acquisition) til å analysere disse dataene med metoder for prediktiv analyse, som f.eks. intelligente statistiske metoder eller metoder basert på maskinlæring / kunstig intelligens.

Gjennom MonitorX-prosjektet vil studenten ha tilgang til tidsserier av måledata (tidsrekker) fra vannkraftanlegg. Eksempler for slike målinger er temperatur på lager, smøreolje eller kjølevann, vibrasjonsmålinger på lager eller generator, elektriske målinger, styresignaler (ventil eller bryter åpnes/lukkes, etc.) eller vann-/oljenivå i kjølevanns-/smøreoljebeholderen. Endringer i disse målingene kan tyde på uønskede tilstandsendring (dvs. forverring av teknisk tilstand, slitasje, aldring) og potensielle feil. Nye intelligente analysemetoder gjør det enklere å oppdage og tolke sammenhenger og endringer i måledataene, men metodene kan ha begrensninger pga. begrenset datatilgang (for liten historikk, for dårlig dataoppløsning, etc.). Oppgaven til studenten er å teste ut ulike analysemetoder på tilgjengelige måledata.

Oppgaven består i

  • Å sette seg inn i problemstillingen.
  • Å forberede dataene til analyser, dvs. å få dataene over i riktig format, filtrere dataene, ta ut feil eller manglende måleverdier, etc.
  • Å bruke ulike analyseverktøy til å oppdage og beskrive mønster i dataseriene, predikere videre forløp og gjenkjenne endringer som kan tyde på tilstandsendringer og feil.
  • Vurdere mulighet til å fastslå tilstand og oppdage feil med gitte data og uttestede verktøy.
  • Skrive rapport som dokumenterer gjennomførte analyser og analyseresultatene.

Forutsetninger

  • Programmeringserfaring og erfaring fra dataanalyse. Det er en fordel å ha erfaring fra analyse av store tidsrekker (time series).
  • Interesse for eller kjennskap til metoder for å analysere store datamengder med bl.a. statistiske metoder eller metoder basert på maskinlæring / kunstig intelligens, etc.
  • Kjennskap til eller interesse for Cloud Computing.
  • Kjennskap til (eller evne til å sette seg inn i) maskinlæring / kunstig intelligens-analyseverktøy som f.eks. Matlab Statistics and Machine Learning Toolbox, Matlab Neural Network Toolbox, Microsoft Azure Machine Learning, R neuralnet, etc.

Medveiledere  og