Machine learning in industrial power distribution

Abstract

In the age when data collection and data processing is ever cheaper and more powerful, implementing machine learning algorithms are becoming more and more prevalent. Also the potential gains are becoming more and more obvious. This is why studying these opportunities are more and more necessary and topical at the moment. This thesis researches different fault analysis method done with machine learning algorithms on the basis of industrial time series data. The thesis presents all the devices that will be used for the analysis and their usual faults. After that thesis goes through different methods of machine learning. An algorithm that best fits the data being used will be chosen.

In this thesis there is circuit breaker data from ABB's Emax 2 circuit breakers that will be used for this thesis. Most common problems in circuit breakers are jamming of mechanical switching components. For the analysis current signal from the circuit breakers are being be chosen. The chosen algorithm for the application of this thesis is the Greenhouse system. The algorithm developed for the thesis has a Long Short-Term Memory algorithm. That is used to predict current signal values. These predicted values are used to compare them between the actual values and a prediction error is calculated based on the difference of those. After that error values are being normalized and a boundary is defined to differentiate the faulty signals from healthy ones.

Thesis tests two different styles of current signals. Based on the tests can be deducted that the algorithm can predict normal behavior of a stable signal well. In the case of a signal that has really hard cyclic change of values, the algorithm quite often marks normal behavior as faulty. With future development the algorithm can be developed into a working part of fault detection and even as part of predictive maintenance.

Tietoliikenteen ja sen tiedonprosessoinnin halventuessa ja kehittyessä jatkuvasti alkaa koneoppimisalgoritmien sovellus tulla ajankohtaisemmaksi, ja myös niillä saavutettava potentiaalisen hyödyn arvo alkaa tulla enemmän ja enemmän esille. Täten asian tutkinta on hyvinkin tarpeellista ja ajankohtaista. Tämän diplomintyö tutkii erilaisia koneoppimisen algoritmeja teollisuuden aikasarjadatan pohjalta tehtävään vika-analysointiin. Työ esittelee sekä analysoitavat laitteet ja niiden yleisimmät viat. Sen jälkeen työssä käydään läpi erilaisia koneoppimisen menetelmiä, joiden pohjalta selvitetään parhaiten käytössä olevalle datalle soveltuva algoritmi.

Tässä työssä on käytössä katkaisijadataa ABB Emax 2 katkaisijoilta. Katkaisijoiden pääasiallisina vikoina ovat mekaaniset jumiutumiset. Katkaisijadatasta tutkitaan virtasignaalia. Työtä varten valitaan Greenhouse järjestelmä toteutukseen. Toteutettava algoritmi sisältää Long Short-Term Memory -algoritmin, joka ennustaa virtasignaalin arvoja. Näitä ennustustettuja arvoja verrataan tapahtuneisiin signaalin arvoihin ja näiden pohjalta lasketaan ennustuksen virhe. Virhettä sen jälkeen normalisoidaan ja määritellään raja, jossa signaaliarvot luetaan vioiksi.

Työssä testaan kahta erityylistä virtasignaalia. Testien pohjalta voidaan päätellä, että algoritmi kykenee hyvin ennustamaan stabiilisen signaalin toiminnan. Signaalin kohdalla, jossa on hyvin vahvaa syklistä käyttäytymistä, algoritmi helposti merkitsee normaalin käyttäytymisen ääritilanteissa virheeksi. Jatkokehittämisellä algoritmista voidaan saada toimiva osa viantunnistusta ja mahdollisuus jopa osa ennakoivaa kunnonvalvontaa.