Sähkötekniikan korkeakoulun väitöskirjat ovat saatavilla yliopiston ylläpitämässä avoimessa Aaltodoc-julkaisuarkistossa.
Väitös, sähkö- ja energiatekniikka, MSc Nada El Bouharrouti
Induktiokoneiden ennakoiva kunnossapito ja kunnonvalvonta: mallipohjaiset, datavetoiset ja hybridimenetelmät.
Väitös Aalto-yliopiston sähkötekniikan korkeakoulusta, sähkötekniikan ja automaation laitokselta
Väitös Aalto-yliopiston sähkötekniikan korkeakoulusta, sähkötekniikan ja automaation laitokselta
Väitöskirjan nimi: Towards Sample- and Compute-Efficient Condition Monitoring of Induction Machines
³Õä¾±³Ù³Ù±ð±ô¾±Âáä: Nada El Bouharrouti
³Õ²¹²õ³Ù²¹±¹Ã¤¾±³Ù³ÙäÂáä: Prof. Lucia Frosini, Universita degli Studi di Pavia, Italia
Kustos: Prof. Anouar Belahcen, Aalto-yliopiston sähkötekniikan korkeakoulu
Induktiokoneita käytetään laajasti teollisissa sovelluksissa niiden kestävyyden ja kustannustehokkuuden vuoksi, mutta niiden luotettavuutta heikentävät usein laakerivauriot ja roottoriin liittyvät viat. Nämä viat kehittyvät usein vähitellen ja ovat vaikeasti havaittavissa rajallisen datan ja rajoitettujen mittausolosuhteiden vuoksi. Tämän vuoksi tässä väitöskirjassa tutkitaan otos- ja laskentatehokkaita kunnonvalvontamenetelmiä vikojen havaitsemiseksi induktiokoneissa. Työssä kehitetään mallipohjaisia, datavetoisia ja hybridimenetelmiä näiden koneiden kunnonvalvontaan, ottaen samalla eksplisiittisesti huomioon datan määrään ja laskentaresursseihin liittyvät rajoitteet.
Tutkimuksessa hyödynnetään analyyttistä mallinnusta, monifysikaalista simulointia, piirre-eksraktiota sekä koneoppimismenetelmiä. Ensin esitellään radiaalinen keskittyneiden parametrien laakerimalli, jolla kuvataan paikallisia vikadynamiikkoja pienemmällä laskennallisella kuormalla. Mallia laajennetaan yhteissimulaation avulla sähkömagneettisten mallien kanssa realististen roottori–statori-vuorovaikutusten toistamiseksi säilyttäen samalla laskennallinen tehokkuus. Tätä täydennetään datavetoisilla menetelmillä, jotka perustuvat värähtelysignaalien monitaajuusanalyysiin sekä siirto-oppimiseen suodatetuilla aika–taajuusesityksillä. Tulokset osoittavat, että luotettava vikadiagnostiikka voidaan saavuttaa rajatuista ja ei-invasiivisista mittauksista. Lopuksi esitellään hybridinen generatiivinen kehys, joka perustuu generatiivisiin vastakkaisverkkoihin, simuloidun ja kokeellisen datan yhdistämiseksi datan augmentointia varten. Menetelmä tuottaa fysikaalisesti johdonmukaisia synteettisiä signaaleja, jotka säilyttävät roottoritankovikojen keskeiset piirteet, parantaen mallien yleistettävyyttä ja lieventäen datan niukkuutta.
Tulokset osoittavat, että luotettava vikadiagnostiikka induktiokoneissa on mahdollista saavuttaa pienemmillä data- ja laskentaresursseilla, kun fysikaalinen mallinnus ja oppimispohjaiset menetelmät yhdistetään huolellisesti.
Avainsanat: Kunnonvalvonta, induktiokoneet, roottorivikojen havaitseminen, kuulalaakerivikojen havaitseminen, mallipohjainen kunnonvalvonta, datavetoinen kunnonvalvonta, hybridinen kunnonvalvonta, otostehokkuus.
Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 7 päivää ennen väitöstä):
Yhteystiedot: nada.elbouharrouti@aalto.fi
Sähkötekniikan korkeakoulun väitöskirjat
Zoom pikaopas