Hyppää sisältöön
    • Suomeksi
    • På svenska
    • In English
  • Suomeksi
  • In English
  • Kirjaudu
Näytä aineisto 
  •   Etusivu
  • LUTPub
  • Kandidaatin tutkintojen opinnäytetyöt
  • Näytä aineisto
  •   Etusivu
  • LUTPub
  • Kandidaatin tutkintojen opinnäytetyöt
  • Näytä aineisto
JavaScript is disabled for your browser. Some features of this site may not work without it.

Automatic classification of the operating efficiency of centrifugal pumps

Rahikainen, Harri (2017)

Katso/Avaa
Kandidaatintyo_Rahikainen_Harri.pdf (948.2Kb)
Lataukset: 


Kandidaatintyö

Rahikainen, Harri
2017

Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2017111350621

Tiivistelmä

Pumping systems account for almost a fifth of global motor electricity consumption. With large consumption, system efficiency becomes increasingly important. Efficiency monitoring is typically handled by observing key process variables or machinery and performing separate energy audits. By applying methods of automatically identifying pump efficiency to gathered process data, savings on expensive auditing due to instrumentation costs could be made.
In this Bachelor’s Thesis, methods for automatically identifying centrifugal pump operating state are studied. A literature review is performed on the existing research material concerning pump efficiency monitoring. Commercially available solutions are examined. Studied methods and process monitoring are discussed in the case of motor phase current data from industrial pumps. Sample features are extracted from the current data and tested with selected machine learning algorithms. Suggestions for further research and development are proposed.
Commonly used classification methods for pumping applications were reviewed and their basic principles were explained with examples from previous research. Overview of commercial applications found existing products insufficient in terms of automatic classification and more geared towards upgrading traditional fixed-speed systems. Available current data was examined for features and the workflow for doing this was described. Extracted features were tested in MATLAB (MathWorks) environment with six supervised machine learning algorithms, an artificial neural network and a self-organizing map. The reliability of test results is weakened by the lack of sufficient available labelled test data. Systematic collection of more pump operating state data for labelling and further feature engineering were identified as the key focus areas of possible future research.
 
Pumppausjärjestelmät käsittävät lähes viidesosan globaalista moottoreiden energiankulutuksesta. Suuren kulutuksen myötä järjestelmien tehokkuuden merkitys kasvaa. Tehokkuuden valvontaa suoritetaan tyypillisesti tarkkailemalla prosessin tärkeimpiä muuttujia tai laitteita ja suorittamalla erillisiä energia-auditointeja. Soveltamalla pumppujen tehokkuuden automaattisen tunnistamisen menetelmiä kerättävään prosessidataan voitaisiin tulevaisuudessa saavuttaa säästöjä mittalaitteiden ja niiden asennusten vuoksi kalliissa auditoinneissa.
Tässä kandidaatintyössä tarkastellaan keskipakopumppujen toimintatilan automaattisen tunnistamisen menetelmiä. Työssä suoritetaan kirjallisuuskatsaus olemassa olevalle tutkimukselle koskien pumppujen toimintatehokkuuden tarkkailemista. Lisäksi tarkastellaan kaupallisesti saatavilla olevia ratkaisuja sekä tutkittuja menetelmiä ja prosessinvalvontaa teollisuuspumppujen moottorivirtadatan tapauksessa. Analyysissä erotetaan virtamittausdatasta esimerkkipiirteitä, joita testataan valituilla koneoppimisalgoritmeilla. Lopuksi annetaan ehdotuksia jatkotutkimusta ja -kehitystä varten.
Tavallisesti pumppausjärjestelmille käytettyjä luokittelumenetelmiä käytiin läpi ja niiden perusperiaatteita selitettiin aiemmasta tutkimuskirjallisuudesta poimittujen esimerkkien kanssa. Kaupallisten sovellusten katsauksen perusteella voidaan todeta nykyisten tuotteiden olevan automaattisen luokittelun osalta riittämättömiä ja suunnattuja pikemminkin perinteisten vakionopeusjärjestelmien päivittämiseen. Käytettyä virtadataa tarkasteltiin esimerkkipiirteiden löytämiseksi ja tämän työnkulku kuvattiin. Löydettyjä piirteitä testattiin MATLAB (MathWorks) ympäristössä kuudella valvotulla koneoppimisalgoritmilla, yhdellä neuroverkolla sekä itseorganisoivalla kartalla. Testitulosten luotettavuutta heikentää käytettävissä ollut riittämätön määrä luokiteltua testidataa. Jatkotutkimuksen pääkohteiksi tunnistettiin piirteiden jatkokehitys ja pumppujen toimintatiladatan systemaattinen kerääminen luokittelua varten.
 
Kokoelmat
  • Kandidaatin tutkintojen opinnäytetyöt [4758]
LUT-yliopisto
PL 20
53851 Lappeenranta
Ota yhteyttä | Tietosuoja | Saavutettavuusseloste
 

 

Tämä kokoelma

JulkaisuajatTekijätNimekkeetKoulutusohjelmaAvainsanatSyöttöajatYhteisöt ja kokoelmat

Omat tiedot

Kirjaudu sisäänRekisteröidy
LUT-yliopisto
PL 20
53851 Lappeenranta
Ota yhteyttä | Tietosuoja | Saavutettavuusseloste