Fault detection of a controlled rectifier using machine learning
Translated title
Fejldetektion af en kontrolleret ensretter ved hjælp af maskinlæring
Author
Ameen, Mohamed
Term
4. semester
Education
Publication year
2020
Pages
70
Abstract
På baggrund af behovet for pålidelig tilstandsovervågning i offshore energisystemer undersøger dette speciale fejldetektering i en enkeltfaset styret ensretter ved hjælp af maskinlæring. Målet er at udvikle en ikke-intrusiv metode, der bruger spændingsmålinger til at identificere fejl, efterhånden som de opstår. Arbejdet omfatter model og simpel kontrol af ensretteren, en gennemgang af typiske komponentfejl og deres observerbare virkninger (herunder fejl i effektkontakt/IGBT, dioder, kondensatorer, induktorer samt eksterne fejl), samt dataforbehandling, netværksarkitektur og validering. Fejltilstande emuleres, og data fra sunde og fejlede tilstande anvendes til at træne et neuralt net, der kombinerer konvolutionslag og fuldt forbundne lag til klassifikation. Den endelige algoritme opnår 99,5% nøjagtighed på simulerede data. Projektet er afgrænset til en enkeltfaset platform for at fokusere på maskinlæringsdelen og bruger primært ikke-intrusive spændingsmålinger; datatilgængelighed adresseres via simulation og laboratorieopsætning med emulerede fejl.
Motivated by the need for reliable condition monitoring in offshore energy systems, this thesis investigates fault detection in a single-phase controlled rectifier using machine learning. The objective is to develop a non-intrusive method that uses voltage measurements to identify faults as they occur. The work covers modeling and basic control of the rectifier, an overview of typical component faults and their observable effects (including power switch/IGBT, diode, capacitor, inductor, and external faults), as well as data processing, network architecture, and validation. Fault conditions are emulated, and data from healthy and faulty states are used to train a neural network that combines convolutional layers with fully connected layers for classification. The resulting algorithm achieves 99.5% accuracy on simulation data. The project is scoped to a single-phase platform to emphasize the machine learning aspect and relies primarily on non-intrusive voltage measurements; data availability is addressed through simulation and a lab setup with emulated faults.
[This summary has been generated with the help of AI directly from the project (PDF)]
Keywords
Documents