Til hovedinnhold

125-7 Deteksjon av feil og anomalier i vannkraftanlegg gjennom big data og kunstig intelligens

125-7 Deteksjon av feil og anomalier i vannkraftanlegg gjennom big data og kunstig intelligens

Motivasjon og relevans

Sikker og pålitelig kraftforsyning er viktig for det moderne samfunnet. Mesteparten av elektrisiteten i Norge produseres i vannkraftanlegg. Vannkraft anses som en moden teknologi, og anleggene er pålitelige og har lang levetid. Likevel vil digitalisering og analyse av store datamengder kunne gi nye muligheten til å effektivisere vedlikehold og tilstandskontroll av anleggene slik at samfunnet vårt forsynes kostnadseffektivt med ren og fornybar energi.

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 kan 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 analysere driftsdata fra SCADA-systemet (Supervisory Control And Data Acquisition) og fra ulike måleinstrumenter med metoder for prediktiv analyse, som f.eks. intelligente statistiske metoder eller metoder basert på maskinlæring og kunstig intelligens. Gjennom MonitorX-prosjektet vil studenten ha tilgang til tidsserier av måledata (tidsrekker) fra vannkraftanlegg. Eksempler på 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 uønsket tilstandsendring (dvs. forverring av teknisk tilstand, slitasje, aldring) eller 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 kort historikk, for dårlig dataoppløsning, etc.). Oppgaven til studenten er å teste ut ulike analysemetoder på tilgjengelige måledata.

Oppgave

  • 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 foreslå og velge ut analysemodeller og -verktøy som kan brukes til å detektere feil og anomalier, dvs. gjenkjenne endringer som kan tyde på tilstandsendringer og feil.
  • Å bruke utvalgte modeller og verktøy på tilgjengelige måledata.
  • Skrive rapport som dokumenterer gjennomførte analyser og analyseresultatene.

Forutsetninger

  • Programmeringserfaring.
  • Kjennskap til og erfaringer med metoder for å analysere store datamengder. Det er en fordel å ha erfaring fra analyse av store tidsrekker (time series).
  • Kjennskap til ulike maskinlærings- og kunstig intelligens-modeller, samt analyseverktøy som f.eks. Matlab Statistics and Machine Learning Toolbox, Matlab Neural Network Toolbox, Phyton scikit-learn, R neuralnet, etc.

Medveileder:  Jørn Foros

Slik søker du

Søknad sendes til 
EN-sommerjobb2018@sintef.no

  • Vi trenger søknadstekst, CV og karakterutskrifter samlet i ett pdf-dokument.
  • I tittel-/subjectfeltet skriver du navnet ditt og jobbnummeret på de sommerjobbene du søker (maks 3).
  • Søker du på flere ber vi deg skrive jobbnumrene i prioritert rekkefølge. 

Søknadsfrist er 1. mars, aktuelle kandidater vil bli kontaktet fortløpende. Vi oppfordrer deg derfor til å søke tidlig.