<p>Detektion av gasläckor används i en mängd olika applikationer som till exempel kvalitetskontroll av kylskåp, lokalisering av skador på kablar och lokalisering av bränsleläckor i bränsletankar.</p><p>Denna rapport undersöker förbättring av detektionsalgoritmen i en existerande vätgasdetektor.</p><p>CUSUM algoritmen är en enkel men kraftfull metod för att snabbt detektera små ändringar i nivån av en signal. Denna metod är anpassad till det dynamiska beteendet i sensorn som används för att spåra vätgasläckorna och även utvärderad på omfattande mätningar utförda på läckor med kända storlekar. Resultaten visar att användning av den föreslagna detektionsalgoritmen innebär en betydande ökning av detektorns prestanda. Särskilt bra blir resultatet på små läckor.</p>

Detektion av gasläckor används i en mängd olika applikationer som till exempel kvalitetskontroll av kylskåp, lokalisering av skador på kablar och lokalisering av bränsleläckor i bränsletankar. Denna rapport undersöker förbättring av detektionsalgoritmen i en existerande vätgasdetektor. CUSUM algoritmen är en enkel men kraftfull metod för att snabbt detektera små ändringar i nivån av en signal. Denna metod är anpassad till det dynamiska beteendet i sensorn som används för att spåra vätgasläckorna och även utvärderad på omfattande mätningar utförda på läckor med kända storlekar. Resultaten visar att användning av den föreslagna detektionsalgoritmen innebär en betydande ökning av detektorns prestanda. Särskilt bra blir resultatet på små läckor.

The purpose of ths report is to shed light on the problems surrounding error detection in returncables, specifically in connection with tunnels. In Sweden, among other things, has chosen to usea BT system with a suction transformer and a dedicated return conductor to reduce interferencesuch as occurs on telecommunications and signal cables along the track. A fault that occurs in thereturn conductor does not necessarily need to be noticed in other parts of the system or gives anyoperational impact. What happens is that the local error may be undetected underneath a lowertime which can cause cable fires or other disruptions to train traffic.This thesis has a model over a tunnel system simulated to study how currents in the circuit areaffected by various faults in the conductor. Saturation of the transformer has examined in the wrongtime as it is important for the possibilities around detection in the local windows that are simulated.The result based on the simulation can clearly show that a local measurement of currents in thecurrent BT window, near the exposed tunnel best results. Measurement of the current derivativein the rail could also demonstrate a measurement possibility, provided that the earth lines can bedistinguished for each current line.

HVDC-nät kräver snabb feldetektering samt bortkoppling av fel på grund av att strömmen skenar när ett fel uppstår i en HVDC-länk. Felet bör kopplas bort inom ett par millisekunder för att minimera risken för följdfel. Projektgruppen har implememnterat feldetektering med hjälp av dv/dt i ett fyra-terminals HVDC-testnät i PSCAD. Feldetekteringen används för att detektera spänningskollapsen som sker i en HVDC-länk när ett fel inträffar. I studien undersöks hur tillverkningstoleransen för kablars XLPE-isolering påverkar spänningar och strömmar i testnätet när ett fel inträffar. Två tänkbara fel som kan uppkomma i en HVDC-länk simulerad i PSCAD, det ena felet var kortslutning mellan polerna och det andra var kortslutning från positiv pol mot jord. Båda felfallen testades på fyra olika avstånd från brytaren för att undersöka kabelns inverkan på strömmarna och spänningarna när ett fel uppstår. Samtliga felfall simulerades med sju olika tjocklekar på XLPE-isoleringen i kabeln. Resultatet visar att tillverkningstoleransen för XLPE-isoleringen har relativt låg inverkan på felströmmarna och felspänningarna och bör därför inte ha någon avgörande roll vid dimensionering av skydden till testnätet.

Att öka leveranskvaliteten i sina elnät är något som varje nätbolag strävar mot. En metod att göra detta kan vara att utrusta nätstationer i mellanspänningsnätet med feldetektering och fjärrstyrning för snabbare felsökning och sektionering vid fel. I denna studie har dessa möjligheter utretts och även de potentiella vinsterna i kortare avbrottstider mätt i indikatorn SAIDI. Studien har resulterat i ett förslag för fortsatt investering i feldetektering och fjärrstyrning i Umeå Energis elnät. Den metod som använts är att beräkna SAIDI för det värsta felscenariot för varje matande linje som tittats på, både med och utan elnätsautomation. Det förslag som tagits fram har utgått ifrån de enskilda matningarna förutsättningar vad gäller kundantal, antal nätstationer och nättopologi och har sedan jämförts med två standardalternativ, med detektering i samtliga nätstationer samt detektering i mitten av linjen. Resultatet visar att det förslag som lämnats till Umeå Energi har potential att sänka det summerade SAIDI-värdet vid värsta felscenario från 37 minuter till 10 minuter i de matningar som undersökts. Detta till en kostnad av mindre än två miljoner kronor, eller en kostnad per potentiellt minskad SAIDI-minut på ca. 70 000 kr. Studien har tittat på 16 matande linjer med totalt ca. 17 000 kunder.

Under de senaste åren fick maskininlärning mer och mer popularitet i samhället. Den implementeras i stor utsträckning inom många datavetenskapliga områden, t.ex. igenkänning av tal, video, objekt, sentimentanalys osv. Dessutom genererar moderna datorsystem och program stora filer med loggdata under deras körning och användning. Dessa loggfiler innehåller vanligtvis enorma mängder data, vilket leder till svårigheter att bearbeta all data manuellt. Således är användning av maskininlärningstekniker vid analys av loggdata för detektering av anomalibeteende av stort intresse för att uppnå skalbar underhåll av systemen. Syftet med detta arbete var att undersöka tillgängliga framträdande metoder för att implementera maskininlärning för upptäckning av loggfel och utvärdera en av dessa metoder. Uppsatsen fokuserade på att utvärdera DeepLog artificiella neurala nätverk som innehåller Long short-term memory algoritm. Utvärderingen omfattade mätning av den exekveringstid som behövdes och vilken precision, återkallande, noggrannhet och F1-index uppnåddes med modellen för maskininlärningsfelsdetektering vid användning av två olika loggdatamängder, en från OpenStack och en annan från Hadoop Distributed File System. Resultaten visade att DeepLog presterade bättre när man använde OpenStack-datamängd genom att uppnå höga resultat för alla index, särskilt recallsindex på cirka 90% som minimerade falska negativa förutsägelser, vilket är viktigt vid loggfelsdetektering. När DeepLog användes med HDFS-datamängd förbättrades körningstiden något men noggrannheten och recall av modellen tappades. Framtida arbete inkluderar att försöka och testa modellen med andra loggdatamängder eller andra ML-modeller för upptäckning av loggfel. / During the last years machine learning was gaining more and more popularity in the society. It is widely implemented in many fields of computer science, e.g. recognition of speech, video, objects, sentiment analysis, etc. Additionally, modern computer systems and programs generate large files with log data through their execution. These log files contain usually immense amount of data, which is a struggle for processing it manually. Thus, using machine learning techniques in the analysis of log data for detection of anomaly behavior is of a high interest for achieving scalable maintaining of the systems. The purpose of this work was to look into available prominent approaches of implementing machine learning for log fault detection and evaluate one of them. The paper focused on evaluating DeepLog artificial neural network that incorporates Long short-term memory. The evaluation included measuring the execution time needed and what precision, recall, accuracy and F1-index were achieved by the machine learning fault detection model when using two different log datasets, one from OpenStack and another from Hadoop Distributed File System. The results showed that DeepLog performed better when using OpenStack dataset by achieving high results for all indexes, especially the recall index of around 90%, minimizing the false negative predictions, which is important in the log fault detection. When using DeepLog with HDFS dataset the execution time was slightly improved but the accuracy and recall of the model were dropped. Future works includes trying another log datasets or ML models for log fault detection.

Early failure detection has been an integral part of condition monitoring of critical systems, such as wind turbines and helicopter rotor drivetrains. An unexplored application of early failure detection is fatigue testing of driveline components. On many occasions, driveline components fail catastrophically, leaving no evidence of the root cause of failure and causing extensive damage to test equipment. This can be prevented by detecting failure in its early stages. Test specimen would be preserved, enabling correlation of test results with design predictions. In this thesis, a method for early failure detection of gear fatigue is proposed. The gears in questions are parts of driveline components undergoing fatigue tests. The proposed method includes generation of an autoregressive model from a healthy, time synchronously averaged vibration signal. The parameters of the generated model are then used to construct a filter, which predicts deviations from the healthy signal. The output of this filter is then processed to detect failure. Vibration data from four run to failure tests were analysed. While the proposed method detected failure in all four data sets, performance was better in tests carried out at high torque and low speed in comparison to tests carried out under low torque and high speeds. Finally, potential improvements in the proposed method to increase its effectiveness are proposed. / “Early Failure Detection” (tidig detektion av utmattningsbrott) har länge varit en viktig del av tillståndsövervakning av kritiska system, som till exempel vindkraftverk och drivsystem för rotorblad på helikoptrar. Ett mindre utforskat område av “Early Failure Detection” är utmattningstestning av komponenter för transmissionssystem. Ofta går komponenterna sönder på ett sådant sätt att grundorsaken till haveriet inte går att fastställa, och som riskerar att skada testriggarna. Detta kan förebyggas om haveriet kan upptäckas i ett tidigt skede innan komponenten gar sönder helt och hållet. Testobjeket kan då bevaras, vilket ger möjligheter att korrelera testresultatet till utmattningsberäkningar av konstruktionen.  I den här uppsatsen föreslås en metod för Early Failure Detection för drevsatser i växlar. Växlarna ingår i transmissionssystem som utmattningsprovas. Den föreslagna metoden innebär att en autoreggresiv modell skapas från en tids-synkron medelvärdesbildning på den uppmätta signalen för den oförstärda komponenten. Parametrarna från den modellen används sedan för att skapa ett filter som predikterar avvikelser mot den oförstörda komponenten. Slutligen behandlas utsignalen fran det filteret för att upptäcka utmattningsskador pa drevsatsen i växeln.  Vibrationsdata fran fyra utmattningsprov har analyserats. I samtliga prov har provet körts tills brott har konstaterats. Utmattningsskador kunde konstateras tidigt, innan brottet inträffade, i tre av de fyra fallen. Slutligen föreslås förslag på utveckling av den använda metoden for att förbättra predikteringarna.

The purpose of ths report is to shed light on the problems surrounding error detection in returncables, specifically in connection with tunnels. In Sweden, among other things, has chosen to usea BT system with a suction transformer and a dedicated return conductor to reduce interferencesuch as occurs on telecommunications and signal cables along the track. A fault that occurs in thereturn conductor does not necessarily need to be noticed in other parts of the system or gives anyoperational impact. What happens is that the local error may be undetected underneath a lowertime which can cause cable fires or other disruptions to train traffic.This thesis has a model over a tunnel system simulated to study how currents in the circuit areaffected by various faults in the conductor. Saturation of the transformer has examined in the wrongtime as it is important for the possibilities around detection in the local windows that are simulated.The result based on the simulation can clearly show that a local measurement of currents in thecurrent BT window, near the exposed tunnel best results. Measurement of the current derivativein the rail could also demonstrate a measurement possibility, provided that the earth lines can bedistinguished for each current line.

Den här rapporten utreder förutsättningarna för att konstruera om ett mindre distributionsnät på 10 kV i Stockholms skärgård till ett så kallat smart nät med självläkande funktion. Nätet är avlägset och har haft många fel de senaste åren, därför är det önskvärt att kunna lokalisera fel i nätet och automatiskt koppla om till rundmatning direkt ifrån driftcentralen för att minska avbrottstiden för de boende på öarna. Rapporten fokuserar speciellt på att utreda lämpligheten med att använda feldetekteringsutrustningen SICAM FCM i nätet och hur dessa bör ställas in. Information om det aktuella nätet och problemet beskrivs tillsammans med en teoretisk bakgrund. Resultat ifrån tester och felsimuleringar på SICAM FCM med fokus på känslighet kring tröskelvärden presenteras och analyseras. Utifrån testresultat och information om nätet har rekommenderade inställningar för SICAM FCM tillsammans med andra rekommendationer för implementeringen av det självläkande nätet tagits fram. / This report has investigated the conditions for reconstructing a small 10 kV distribution grid in the Stockholm archipelago into a so called smart grid with a self-healing function. The grid is in a remote location and have had a lot of faults during the last years, therefore it is desirable to be able to locate the fault and automatically section it and restore service through a back-up feeder (if needed) to reduce downtime for customers. This report focuses especially on the suitability to use the fault detection equipment SICAM FCM in the grid and to propose how it should be configured. Information about the grid and problem is described together with a theoretical background. The results from tests and fault simulations on the SICAM FCM focused on sensibility around threshold values is presented and analysed. From test results and information about the grid recommended settings for SICAM FCM together with other recommendations for implementation of the self-healing grid has been produced.

In this thesis, the red hot topic anomaly detection is studied, which is a subtopic in machine learning. The company, Procera Networks, supports several broadband companies with IT-solutions and would like to detected errors in these systems automatically. This thesis investigates and devises methods and algorithms for detecting interesting events in diagnostics data. Events of interest include: short-term deviations (a deviating point), long-term deviations (a distinct trend) and other unexpected deviations. Three models are analyzed, namely Linear Predictive Coding, Sparse Linear Prediction and Wavelet Transformation. The final outcome is determined by the gap to certain thresholds. These thresholds are customized to fit the model as well as possible. / I den här rapporten kommer det glödheta området anomalidetektering studeras, vilket tillhör ämnet Machine Learning. Företaget där arbetet utfördes på heter Procera Networks och jobbar med IT-lösningar inom bredband till andra företag. Procera önskar att kunna upptäcka fel hos kunderna i dessa system automatiskt. I det här projektet kommer olika metoder för att hitta intressanta företeelser i datatraffiken att genomföras och forskas kring. De mest intressanta företeelserna är framfärallt snabba avvikelser (avvikande punkt) och färändringar äver tid (trender) men också andra oväntade mänster. Tre modeller har analyserats, nämligen Linear Predictive Coding, Sparse Linear Prediction och Wavelet Transform. Det slutgiltiga resultatet från modellerna är grundat på en speciell träskel som är skapad fär att ge ett så bra resultat som mäjligt till den undersäkta modellen..