Global ETD Search

11	Exploring Machine Learning Solutions in the Context of OCR Post-Processing of Invoices / Utforskning av Maskininlärningslösningar för Optisk Teckenläsningsefterbehandling av Fakturor Dwyer, Jacob, Bertse, Sara January 2022 (has links) Large corporations receive and send large volumes of invoices containing various fields detailing a transaction. Such fields include VAT, due date, total amount, etc. One common way to automatize invoice processing is optical character recognition (OCR). This technology entails automatic reading of characters from scanned images. One problem with invoices is that there is no universal layout standard. This creates difficulties when processing data from invoices with different layouts. This thesis aims to examine common errors in the output from Azure's Form Recognizer general document model and the ways in which machine learning (ML) can be used to solve the aforementioned problem, by providing error detection as a first step when classifying OCR output as correct or incorrect. To examine this, an analysis of common errors was made based on OCR output from 70 real invoices, and a Bidirectional Encoder Representations from Transformers (BERT) model was fine-tuned for invoice classification. The results show that the two most common OCR errors are: (i) extra words showing up in a field and (ii) words missing from a field. Together these two types of errors account for 51% of OCR errors. For correctness classification, a BERT type Transformer model yielded an F-score of 0.982 on fabricated data. On real invoice data, the initial model yielded an F-score of 0.596. After additional fine-tuning, the F-score was raised to 0.832. The results of this thesis show that ML, while not entirely reliable, may be a viable first step in assessment and correction of OCR errors for invoices. / Stora företag tar emot och skickar ut stora volymer fakturor innehållande olika fält med transaktionsdetaljer. Dessa fält inkluderar skattesats, förfallodatum, totalbelopp, osv. Ett vanligt sätt att automatisera fakturahantering är optisk teckenläsning. Denna teknologi innebär automatisk läsning av tecken från inskannade bilder. Ett problem med fakturor är att det saknas standardmall. Detta försvårar hanteringen av inläst data från fakturor med olika gränssnitt. Denna uppsats söker utforska vanliga fel i utmatningen från Azure's Form Recognizer general document model och sätten på vilka maskininlärning kan användas för att lösa nämnda problem, genom att förse feldetektering som ett första steg genom att klassificera optisk teckenläsningsutmatning som korrekt eller inkorrekt. För att undersöka detta gjordes en analys av vanligt förkommande fel i teckenläsningsutdata från 70 verkliga fakturor, och en BERT-modell finjusterades för klassificering av fakturor. Resultaten visar att de två vanligast förekommande optiska teckenläsningsfelen är:(i) att ovidkommande ord upptäcks i ett inläst värdefält och (ii) avsaknaden av ord i ett värdefält, vilka svarar för 51% av de optiska teckenläsningsfelen. För korrekthetsklassificeringen användes Transformermodellen BERT vilket gav ett F-värde på 0.98 för fabrikerad data. För data från verkliga fakturor var F-värdet 0.596 för den ursprungliga modellen. Efter ytterligare finjustering hamnade F-värdet på 0.832. Resultaten i denna uppsats visar att maskininlärning, om än inte fullt tillförlitligt, är ett gångbart första steg vid bedömning och korrigering av optiska teckenläsningsfel. Machine learning Optical character recognition BERT Error detection Invoice Maskininläsning Optisk teckenläsning BERT Feldetektering Faktura Computer Sciences Datavetenskap (datalogi) Computer Engineering Datorteknik
12	Condition monitoring of induction machines using a signal injection technique / Tillståndsövervakning av asynkronmotorer med hjälp av signalinjektion Senthil Kumar, Sathiya Lingam January 2020 (has links) Condition monitoring techniques can be employed to enhance reliability of electric machinery. The stator winding fault is one of the dominant causes for the failure of induction machines. In this work, the condition monitoring of an inverter-fed induction machine using high-frequency signal injection based technique is investigated. Initially, an analytical model of the induction machine with a stator inter-turn fault is developed. Subsequently, the behaviour of the induction machine in the presence of stator inter-turn fault is analyzed using the symmetrical component theory. Because of their use for fault diagnosis purposes, the analytical expressions for the fundamental and high-frequency symmetrical component currents are derived. The high-frequency signal injection is performed by adding a balanced three-phase high-frequency low-magnitude voltage to the fundamental excitation voltage. The resulting high-frequency negative-sequence current component can be used as reliable fault indicator to detect stator inter-turn faults. The effectiveness of the high-frequency negative-sequence current as a fault indicator is compared with the fundamental negative-sequence current, which is one of the traditionally used fault indicators for detecting these faults. The high-frequency signal injection technique proposed in this work is tested experimentally on a prototype machine in a laboratory set-up. The use of the proposed fault indicator is found to be advantageous when compared to the use of the traditional fault indicator for variable-frequency drives. In particular, it is shown that the proposed fault indicator is less dependent from the drive operating conditions than the traditional fault indicator. / Tillståndsövervakning är en teknik som kan användas för att förbättra tillförlitligheten hos elektriska maskiner. För asynkronmaskiner är fel i statorlindningen en av de dominerande orsakerna som leder till problem. I detta arbete undersöks tillståndsövervakning av en omriktarmatad asynkronmotor med hjälp av en högfrekvent signalinjektionsbaserad teknik. Inledningsvis utvecklas en analytisk modell av en asynkronmaskin med korsslutningsfel mellan varven i statorn. Därefter analyseras beteendet hos maskinen med hjälp av teorin för symmetriska komponenter. Analytiska uttryck för både grund- och övertoner härleds för de symmetriska komponenterna. Den högfrekventa signalinjektionen utförs genom att addera en liten högfrekvent trefasspänning till den matningsspänningen. Den resulterande högfrekventa negativa strömkomponenten kan användas som en tillförlitlig indikator för att upptäcka eventuella kortslutningar i statorlindningen. Förmågan som felindikator hos den högfrekventa negativa sekvensströmmen jämförs med den grundläggande negativa strömkomponentens förmåga, vilken är den traditionella indikatorn för att detektera dessa fel. Den högfrekventa signalinjiceringsmetoden som föreslås i detta arbete undersöks experimentellt på en prototypmaskin. Den föreslagna felindikatorn har visat sig vara fördelaktig jämfört med användningen av den traditionella felindikatorn för frekvensomriktare. I synnerhet visas att den föreslagna felindikatorn är mindre beroende av frekvensomriktarens driftsförhållanden än den traditionella felindikatorn. Condition monitoring fault detection fault diagnosis stator winding fault inter-turn fault. Tillståndsövervakning feldetektering feldiagnos statorlindningsfel kortslutning mellan varv. Elektroteknik och elektronik
13	PCA för detektering av avvikande händelser i en kraftvärmeprocess / PCA for outlier detection in a CHP plant Königsson, Sofia January 2018 (has links) Panna 6 på Högdalenverket i södra Stockholm (P6) med tillhörande ångturbin producerar kraftvärme genom förbränning av utsorterat returbränsle från industri och samhälle. För att minimera underhållskostnader och öka anläggningens tillgänglighet är det viktigt att fel och oönskat processbeteende kan upptäckas i ett tidigt skede. I detta syfte testas här en metod för detektering av avvikande händelser med hjälp av principalkomponentanalys (PCA) på produktionsprocessen för kraftvärme. En PCA-modell med reducerad dimension skapas utifrån processdata från en problemfri driftperiod och används som mall för inkommande data att jämföras med i ett kontrolldigram. Avvikelser ifrån modellen bör vara en indikation på att ett onormalt drifttillstånd har uppkommit och orsaker till avvikelsen analyseras. Som avvikande händelse testas två fall av tubläckage som uppstod i ett av tubpaketen för kylning av rökgaserna under 2014 och 2015. Resultatet visar att processavvikelser ifrån normallägesmodellerna tydligt syns i kontrolldiagrammen vid båda tubläckagen och avvikelserna kan härledas till variabler som är kopplade till tubläckage. Det finns potential för att tillämpa metoden för övervakning av processen, en svårighet ligger i att skapa en modell som representerar processen när den är stabil på grund av att det finns många varierande driftfall som anses stabila, detta kräver vidare arbete. Metoden kan redan användas som analysverktyg exempelvis vid misstanke om tubläckage. / Boiler 6 at the Högdalen facility in southern Stockholm (P6) combined with a a steam turbine produces Combined Heat and Power (CHP) through combustion of treated industry waste. In order to minimise maintenance costs and increase plant availability it is of importance to detect process faults and deviations at an early state. In this study a method for outlier detection using Principal Component Analysis (PCA) is applied on the CHP production process. A PCA model with reduced dimension is created using process data from a problem free period and is used as a template for new operating data to be compared with in a control chart. Deviations from the model should be an indication of the presence of abnormal conditions and the reasons for the deviations are analysed. Two cases of tube failure in 2014 and 2015 are used to study the deviations. The result shows that process deviations from the models can be detected in the control chart in both cases of tube failure and the variables known to be associated with tube failure contributes highly to the deviating behaviour. There is potential for applying this method for process control, a difficulty lies in creating a model that represents the stable process when there are big variances within what is considererd a stable process state. The method can be used for data analysis when suspecting a tube failure. combined heat and power chp MSPC PCA principal component analysis multivariate analysis process control fault detection outlier detection kraftvärme principalkomponentanalys processkontroll feldetektering processdiagnostik processövervakning multivariat analys anomali Övrig annan teknik Engineering and Technology Teknik och teknologier
14	Real-time Classification of Multi-sensor Signals with Subtle Disturbances Using Machine Learning : A threaded fastening assembly case study / Realtidsklassificering av multi-sensorsignaler med små störningar med hjälp av maskininlärning : En fallstudie inom åtdragningsmontering Olsson, Theodor January 2021 (has links) Sensor fault detection is an actively researched area and there are a plethora of studies on sensor fault detection in various applications such as nuclear power plants, wireless sensor networks, weather stations and nuclear fusion. However, there does not seem to be any study focusing on detecting sensor faults in the threaded fastening assembly application. Since the threaded fastening tools use torque and angle measurements to determine whether or not a screw or bolt has been fastened properly, faulty measurements from these sensors can have dire consequences. This study aims to investigate the use of machine learning to detect a subtle kind of sensor faults, common in this application, that are difficult to detect using canonical model-based approaches. Because of the subtle and infrequent nature of these faults, a two-stage system was designed. The first component of this system is given sensor data from a tightening and then tries to classify each data point in the sensor data as normal or faulty using a combination of low-pass filtering to generate residuals and a support vector machine to classify the residual points. The second component uses the output from the first one to determine if the complete tightening is normal or faulty. Despite the modest performance of the first component, with the best model having an F1-score of 0.421 for classifying data points, the design showed promising performance for classifying the tightening signals, with the best model having an F1-score of 0.976. These results indicate that there indeed exist patterns in these kinds of torque and angle multi-sensor signals that make machine learning a feasible approach to classify them and detect sensor faults. / Sensorfeldetektering är för nuvarande ett aktivt forskningsområde med mängder av studier om feldetektion i olika applikationer som till exempel kärnkraft, trådlösa sensornätverk, väderstationer och fusionskraft. Ett applikationsområde som inte verkar ha undersökts är det inom åtdragningsmontering. Eftersom verktygen inom åtdragningsmontering använder mätvärden på vridmoment och vinkel för att avgöra om en skruv eller bult har dragits åt tillräckligt kan felaktiga mätvärden från dessa sensorer få allvarliga konsekvenser. Målet med denna studie är att undersöka om det går att använda maskininlärning för att detektera en subtil sorts sensorfel som är vanlig inom åtdragningsmontering och har visat sig vara svåra att detektera med konventionella modell-baserade metoder. I och med att denna typ av sensorfel är både subtila och infrekventa designades ett system bestående av två komponenter. Den första får sensordata från en åtdragning och försöker klassificera varje datapunkt som antingen normal eller onormal genom att uttnyttja en kombination av lågpassfiltrering för att generera residualer och en stödvektormaskin för att klassificera dessa. Den andra komponenten använder resultatet från den första komponenten för att avgöra om hela åtdragningen ska klassificeras som normal eller onormal. Trots att den första komponenten hade ett ganska blygsamt resultat på att klassificera datapunkter så visade systemet som helhet mycket lovande resultat på att klassificera hela åtdragningar. Dessa resultat indikerar det finns mönster i denna typ av sensordata som gör maskininlärning till ett lämpligt verktyg för att klassificera datat och detektera sensorfel. Multivariate time series classification Residual-based fault detection Low-pass filter Support vector machine Threaded fastening assembly Multivariat tidserieklassificering Residual-baserad feldetektering Lågpass-filter Stödvektormaskin Åtdragningsmontering Computer and Information Sciences Data- och informationsvetenskap
15	Exogenous Fault Detection in Aerial Swarms of UAVs / Exogen Feldetektering i Svärmar med UAV:er Westberg, Maja January 2023 (has links) In this thesis, the main focus is to formulate and test a suitable model forexogenous fault detection in swarms containing unmanned aerial vehicles(UAVs), which are aerial autonomous systems. FOI Swedish DefenseResearch Agency provided the thesis project and research question. Inspiredby previous work, the implementation use behavioral feature vectors (BFVs)to simulate the movements of the UAVs and to identify anomalies in theirbehaviors. The chosen algorithm for fault detection is the density-based cluster analysismethod known as the Local Outlier Factor (LOF). This method is built on thek-Nearest Neighbor(kNN) algorithm and employs densities to detect outliers.In this thesis, it is implemented to detect faulty agents within the swarm basedon their behavior. A confusion matrix and some associated equations are usedto evaluate the accuracy of the method. Six features are selected for examination in the LOF algorithm. The firsttwo features assess the number of neighbors in a circle around the agent,while the others consider traversed distance, height, velocity, and rotation.Three different fault types are implemented and induced in one of the agentswithin the swarm. The first two faults are motor failures, and the last oneis a sensor failure. The algorithm is successfully implemented, and theevaluation of the faults is conducted using three different metrics. Several setsof experiments are performed to assess the optimal value for the LOF thresholdand to understand the model’s performance. The thesis work results in a strongLOF value which yields an acceptable F1 score, signifying the accuracy of theimplementation is at a satisfactory level. / I denna uppsats är huvudfokuset att formulera och testa en lämplig modellför detektion av exogena fel i svärmar som innehåller obemannade flygfordon(UAV:er), vilka utgör autonoma luftburna system. Examensarbetet ochforskningsfrågan tillhandahölls av FOI, Totalförsvarets forskningsinstitut.Inspirerad av tidigare arbete används beteendemässiga egenskapsvektorer(BFV:er) för att simulera rörelserna hos UAV:erna och för att identifieraavvikelser i deras beteenden. Den valda algoritmen för felavkänning är en densitetsbaserad klusterana-lysmetod som kallas Local Outlier Factor (LOF). Denna metod byggerpå k-Nearest Neighbor-algoritmen och använder densiteter för att upptäckaavvikande datapunkter. I denna uppsats implementeras den för att detekterafelaktiga agenter inom svärmen baserat på deras beteende. En förväxlings-matris(Confusion Matrix) och dess tillhörande ekvationer används för attutvärdera metodens noggrannhet. Sex egenskaper valdes för undersökning i LOF-algoritmen. De första tvåegenskaperna bedömer antalet grannar i en cirkel runt agenter, medande andra beaktar avstånd, höjd, hastighet och rotation. Tre olika feltyperimplementeras och framkallas hos en av agenterna inom svärmen. De förstatvå felen är motorfel, och det sista är ett sensorfel. Algoritmen implementerasframgångsrikt och utvärderingen av felen genomförs med hjälp av treolika mått. Ett antal uppsättningar av experiment utförs för att hitta detoptimala värdet för LOF-gränsen och för att förstå modellens prestanda.Examensarbetet resultat är ett optimalt LOF-värde som genererar ettacceptabelt F1-score, vilket innebär att noggrannheten för implementationennår en tillfredsställande nivå. Exogenous Fault Detection Local Outlier Factor Aerial Swarm Unmanned Aerial Vehicle Behavioral Feature Vector Outlier Detection Cluster Analysis Exogen Feldetektering Local Outlier Factor Drönarsvärm Obemannad Drönare Beteendevektor Avvikelse-Analys Kluster-Analys Computational Mathematics Beräkningsmatematik
16	Evaluation of machine learning methods for anomaly detection in combined heat and power plant Carls, Fredrik January 2019 (has links) In the hope to increase the detection rate of faults in combined heat and power plant boilers thus lowering unplanned maintenance three machine learning models are constructed and evaluated. The algorithms; k-Nearest Neighbor, One-Class Support Vector Machine, and Auto-encoder have a proven track record in research for anomaly detection, but are relatively unexplored for industrial applications such as this one due to the difficulty in collecting non-artificial labeled data in the field.The baseline versions of the k-Nearest Neighbor and Auto-encoder performed very similarly. Nevertheless, the Auto-encoder was slightly better and reached an area under the precision-recall curve (AUPRC) of 0.966 and 0.615 on the trainingand test period, respectively. However, no sufficiently good results were reached with the One-Class Support Vector Machine. The Auto-encoder was made more sophisticated to see how much performance could be increased. It was found that the AUPRC could be increased to 0.987 and 0.801 on the trainingand test period, respectively. Additionally, the model was able to detect and generate one alarm for each incident period that occurred under the test period.The conclusion is that ML can successfully be utilized to detect faults at an earlier stage and potentially circumvent otherwise costly unplanned maintenance. Nevertheless, there is still a lot of room for improvements in the model and the collection of the data. / I hopp om att öka identifieringsgraden av störningar i kraftvärmepannor och därigenom minska oplanerat underhåll konstrueras och evalueras tre maskininlärningsmodeller.Algoritmerna; k-Nearest Neighbor, One-Class Support Vector Machine, och Autoencoder har bevisad framgång inom forskning av anomalidetektion, men är relativt outforskade för industriella applikationer som denna på grund av svårigheten att samla in icke-artificiell uppmärkt data inom området.Grundversionerna av k-Nearest Neighbor och Auto-encoder presterade nästan likvärdigt. Dock var Auto-encoder-modellen lite bättre och nådde ett AUPRC-värde av 0.966 respektive 0.615 på träningsoch testperioden. Inget tillräckligt bra resultat nåddes med One-Class Support Vector Machine. Auto-encoder-modellen gjordes mer sofistikerad för att se hur mycket prestandan kunde ökas. Det visade sig att AUPRC-värdet kunde ökas till 0.987 respektive 0.801 under träningsoch testperioden. Dessutom lyckades modellen identifiera och generera ett larm vardera för alla incidenter under testperioden. Slutsatsen är att ML framgångsrikt kan användas för att identifiera störningar iett tidigare skede och därigenom potentiellt kringgå i annat fall dyra oplanerade underhåll. Emellertid finns det fortfarande mycket utrymme för förbättringar av modellen samt inom insamlingen av data. Machine Learning Anomaly detection Fault detection Health/condition monitoring Sensor surveillance PHM CHP Plant Boilers k-Nearest Neighbor One-Class Support Vector Machine Auto-encoder Maskininlärning Anomalidetektion Feldetektering Tillståndsbevakning Sensorövervakning PHM Kraftvärmeverkpannor k-Nearest Neighbor One-Class Support Vector Ma- chine Auto-encoder Computer and Information Sciences Data- och informationsvetenskap
17	PCBA verification and fault detection using a low-frequency GMR-based near-field probe with magnetic closed-loop feedback compensation : A non-contact alternative to physical probing / Verifiering och feldetektering av kretskort mha en lågfrekvent närfältssond baserad på en GMR-sensor med magnetisk återkopplingskrets med sluten kompensationsslinga : Ett kontaktlöst alternativ till fysisk sondering Sundh, Joacim January 2022 (has links) As electronics are getting both smaller and more advanced, the need to verify and validate remains and the means are getting more complex the more functions and components are added. Traditionally, in-circuit tests (ICTs) are performed by probing dedicated test points on the Printed Circuit Board Assembly (PCBA) in a test sequence that is unique to each product. But as the density of components increases, the choice between component and test point must be considered. Instead of decreasing the reliability during verification by having to remove less system-critical test points, this thesis suggests the use of a near-field probe (NFP) based around a Giant Magneto-Resistance (GMR) sensor to possibly replace the need for a physical test point by instead performing contactless testing. The use of a GMR sensor allows for bandwidth from 0 Hz up to the MHz range, whereas commercial NFPs are based on a different technique and are operational from the MHz range and up. The goal of this project was to improve the non-linearity of typically 15% present in the AAH002-02 model from NVE by the use of an analogue closed-loop magnetic feedback circuit. The project successfully improved the linearity to 99.8% by the use of an instrumentation amplifier, a subtractor and a push-pull amplifier in conjunction with a 3x30 turn planar coil embedded in a PCB, located beneath the sensor Integrated Circuit (IC). The resulting linearity was verified by a Helmholtz coil where a uniform magnetic field was produced with linearly increased field strength, and calculated using the R2 value from a linear regression analysis on the acquired data. In the future, the data acquired from this kind of NFP could be used together with a Machine Learning (ML) model to remove the manual labour required when constructing these product-unique test sequences. / Dagens elektronik blir både mindre och mer avancerad, men behovet av verifiering och validering av dessa kvarstår och metoderna för detta ökar i komplexitet ju fler funktioner och komponenter som läggs till. Dagens kretskortstester genomförs genom att sondera dedikerade testpunkter strategiskt utplacerade på kretskortet enligt en testsekvens som är unikt skapad för varje produkt. Men med att densiteten av komponenter ökar måste valet mellan komponent och testpunkt tas i beaktning. Instället för att minska tillförlitligheten vid validering genom att ta bort mindre kritiska testpunkter föreslår denna avhandling användandet av en närfältssond baserad runt en Giant Magneto-Resistance (GMR)-sensor för att möjligen ersätta behovet av en fysisk testpunkt genom att istället genomföra kontaktlös testning. Användandet av en GMR-sensor tillåter en bandbredd från 0 Hz upp till MHzområdet, där kommersiella närfältssonder är baserade på annan teknik och är funktionsdugliga från MHz-området och uppåt. Målet med detta projekt var att förbättra olinjäriteten på typiskt 15% som är närvarande hos en sensor av modell AAH002-02 från NVE genom en analog magnetisk återkopplingskrets med sluten slinga. Projektet lyckades förbättra linjäriteten till 99.8% genom användandet av en intrumentförstärkare, en subtraherare och en push-pull-förstärkare i samverkan med en plan spole på 3x30 varv inbyggd i ett mönsterkort placerd under sensorns integrerade krets. Den resulterande linjäriteten validerades med hjälp av en Helmholtz-spole där ett uniformt magnetfält producerades med linjärt ökande fältstyrka och beräknades genom R2 -värdet från en linjär regression-analys på den inhämtade datan. I framtiden kan datan som inhämtats från den här sortens närfältssond kunna användas tillsammans med en maskininlärningsmodell för att ersätta det manuella arbetet som idag krävs för att konstruera dessa produktunika testsekvenser GMR sensor magnetic field near-field probe linearity PCB coil PCBA analogue integrated circuits analog operational amplifiers electrical fault detection feedback circuits in-circuit tests GMR sensor magnetfält närfält sond linjäritet mönsterkort spole kretskort analoga integrerade kretsar operationsförstärkare elektrisk feldetektering återkopplingskretsar kretskortstest Embedded Systems Inbäddad systemteknik
18	Contamination Level Detection of Hydraulic Pressure Filters in Forklifts : using only pump motor currents and load pressure measurements Sehlstedt, Robert, Sellén, Erik January 2022 (has links) With the advent of Industry 4.0 and the Internet of Things, collecting data on Cyber-Physical systems has become the norm practice in large scale industries. By collectingrelevant data, it is possible to monitor the health status of whole systems or specificcomponents within them. Such practices allow for historical maintenance strategies suchas reactive maintenance or preventive maintenance to be phased out.In this thesis two separate algorithms are presented, both designed to identify contaminationlevels in the hydraulic pressure filters of forklifts. Furthermore, in contrast torelevant literature for similar applications only sensory data from the hydraulic pump’smotor current and hydraulic fluid pressure at the load was used. More specifically, theproposed algorithms are based on trends observed in the relationship between the measurementsand how it changes over time. The algorithms were evaluated on data fromfour forklifts used in Toyota’s factory. The forklifts had been collecting data while usedin production for over a year.The results indicate strong evidence that both algorithms can be used to detect degradationin the hydraulic system. This is especially true for one forklift where it was knownthat the damage at the time of replacement was substantial. However, it cannot be trulyestablished without further testing whether the algorithms detect degradation in the filteror pump. forklift contamination level fault detection hydraulic pressure filter pump motor current pressure data pdm predictive maintenance rm reactive physical model modelling models moving window linear regression armature mean gaffeltruck kontamineringsnivå kontaminering detektering feldetektering tryckfilter hydraulikfilter hydraulfilter filter pumpfilter pump motor motorström tryck linjär regression linjärregression fysikalisk modellering modell armatur genomsnittsvärde fönster data datafönster Reliability and Maintenance Tillförlitlighets- och kvalitetsteknik
19	Real-time detection of stator resistance unbalances in three phase drives / Realtids detektering av obalanser i statorsmotstånd i trefasiga enheter Singh, Bhanu Pratap January 2020 (has links) An estimated 30% of the faults in Induction Machine (IM) are related to its stator. These faults are mostly in the form of an Inter-Turn Short Circuit (ITSC) fault i.e., when two winding inside the stator of IM are shorted due to insulation failure. However, ITSC fault can be avoided by detecting them in advance and then scheduling the maintenance of the IM. This thesis studies two methods for detecting this incipient ITSC fault in a three-phase IM and then estimating the stator resistance unbalance due to the ITSC fault. The first method is based on the asymmetry caused in the IM by the ITSC fault. As a result of this asymmetry, the negative sequence components of the stator voltages and the stator currents are generated inside the IM. A healthy IM also have these negative sequence components due to the manufacturing process and the supply voltage unbalances. The characteristics and the compensation methods of these negative sequence components in a healthy IM are discussed. The results show that after compensating the negative sequence components in a healthy machine, they can be used for detecting an ITSC fault and then to calculate the fault quantities as well as the stator resistance unbalances. The second method for detecting an ITSC fault is based on analysing the stator resistance unbalances. A three-phase drive is used to inject DC voltage in the stationary reference frame. The DC current generated by this DC voltage is measured and then by applying Ohm’s law stator phase resistances are calculated. In a healthy IM, the phase resistances are balanced. However, in case of ITSC fault in any of the phases, the phase resistance of that phase deviates from those of the other two phases which can be utilized for detecting ITSC fault. / Uppskattningsvis 30% av alla fel i induktionsmaskiner (IM) är kopplad till dess stator. Dessa fel är i huvudsak Inter-Turn Short Circuit (ITSC)-fel, dvs. två lindningar inom IM:ens stator blir kortsluta pga. ett isoleringsfel. Emellertid kan man undvika ITSC-fel genom att detektera dem i förhand och planera underhåll. Det här examensarbetet undersöker två metoder för att detektera ett förestående ITSC-fel i en tre-fas IM. Den första metoden är baserad på asymmetrin i IM:er pga. ITSC-felet. Resultatet av den här asymmetrin är att en negativ sekvens genereras i IM:ens statorspänning och statorström. En oskadad IM kan också visa dessa negativa sekvenser pga. tillverksprocessen och statorspänningsobalanser. Egenskaperna och kompensationsmetoderna för dessa negativa sekvenser i en oskadad IM kommer att diskuteras. Resultaten visar att efter kompenseringen av de negativa sekvenserna i en oskadad IM, kan de användas för att detektera ITSC-fel och efteråt för att beräkna felstorheter och även statormotståndobalanser. Den andra metoden för att detektera ITSC-fel är baserad på en undersökning av statormotståndobalanser. Ett tre-fas-drivsystem används för att injektera likspänning i den stationära referensramen. Likströmmen som följer av denna likspänning mäts och statorfasmotstånden beräkna efteråt med Ohms lag. I en oskadad IM är fasmotstånden balanserade. Däremot, när ett ITSC-fel uppstår i en fas, avviker fasmotståndet i den felaktiga fasen från de andra två fasernas, vilket kan användas för att detektera ITSC-fel. DC voltage injection Fault detection Field-Oriented Control Induction machine Inter-Turn Short Circuit Short circuit Sequence Stator resistance unbalance Symmetrical components likspänningsinjektion feldetektering fält orienterad reglering induktionsmaskin InterTurn Short Circuit kortslut sekvenser statormotstånd obalans symmetriska komponenter Elektroteknik och elektronik

Search results