Predykcja uszkodzeń w urządzeniach energetycznych z wykorzystaniem zaawansowanych technik uczenia maszynowego

• Autorzy: Sajewicz Dariusz , Łaguna Wojciech

Identyfikatory

DOI

10.15199/74.2024.5.5

Warianty tytułu

EN

Fault prediction in power equipment using machine learning tools

• Języki publikacji: PL

Abstrakty

PL

W artykule poruszono tematykę predykcji uszkodzeń w urządzeniach energetycznych z wykorzystaniem zaawansowanych technik uczenia maszynowego. Dotychczasowa analiza przebiegów pozyskanych z rejestratorów zakłóceń instalowanych w urządzeniach elektroenergetycznej automatyki zabezpieczeniowej (EAZ) opierała się na wiedzy eksperckiej. Przebiegi pozyskane w wyniku wystąpienia zakłócenia były analizowane przez specjalistę lub zespół ekspertów i na tej podstawie wyciągano wnioski i rekomendowano działania profilaktyczne. Tradycyjne formy oprogramowania do analizy danych nie były przystosowane do obsługi takiego poziomu złożoności i skali analizowanych zjawisk, dlatego w ramach prac badawczych podjęto próbę wykorzystania systemów, narzędzi i aplikacji zaprojektowanych do analizy zbiorów danych z wykorzystaniem technik uczenia maszynowego. Dzięki temu podejściu osiągnięto wysoką dokładność predykcji uszkodzeń urządzeń energetycznych.

EN

This article addresses the issue of predicting faults in power equipment through the use of machine learning techniques. Previous analyses of waveforms obtained from disturbance recorders installed in power utility devices relied on expert knowledge. The waveforms resulting from disturbances were analyzed by a specialist or a team of experts, and conclusions were drawn and preventive actions recommended based on this analysis. Traditional forms of data analysis software were not equipped to handle such a level of complexity and the scale of the phenomena analyzed, therefore, within the framework of research work, an attempt was made to utilize systems, tools, and applications designed for data set analysis using machine learning techniques. This approach has achieved high accuracy in predicting faults in power equipment.

Słowa kluczowe

PL

urządzenie energetyczne; uczenie maszynowe; rejestrator zakłóceń; predykcja uszkodzeń

EN

power device; machine learning; disturbance recorder; fault prediction

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Wiadomości Elektrotechniczne
• Rocznik: 2024
• Tom: R. 92, nr 5
• Strony: 30--33
• Opis fizyczny: Bibliogr. 9 poz., rys., wykr., zdj.

Twórcy

autor

Sajewicz Dariusz

• Wydział Elektryczny Politechniki Białostockiej

autor

Łaguna Wojciech

• Elektrometal Energetyka SA, Warszawa

Bibliografia

• [1] Cheon K., J. Yang. 2020. An Ensemble Model for Machine Failure Prediction.
• [2] Elektrometal Energetyka. Karta katalogowa K-1.2.5. Rozdzielnica średniego napięcia e2 ALPHA. Warszawa, 2018.
• [3] Elektrometal Energetyka. Karta katalogowa K-3.2.8. Sterownik polowy e2 TANGO-600, – 800, – 1000,-1200. Warszawa, 2021.
• [4] Elektrometal Energetyka. Karta katalogowa K-35.1.1. Zespół zabezpieczeń WN e2 TANGO-2000. Pole transformatora WN. Warszawa, 2022.
• [5] Foshin D., T. Chernyshova, D. Anoshin, X. Ireton. 2023. Azure Data Factory Cookbook. Build ETL, Hybrid ETL and ELT pipelines using ADF, Synapse Analytics, Fabric and Databricks – Second Edition. Packt Publishing.
• [6] Leukel J., J. González, M. Riekert. 2021. Adoption of machine learning technology for failure prediction in industrial maintenance: A systematic review. Journal of Manufacturing Systems.
• [7] Marz Nathan M., W. Warren James. 2016. Big Data. Najlepsze praktyki budowy skalowalnych systemów obsługi danych w czasie rzeczywistym. Gliwice: Helion.
• [8] Mayer-Schönberger V., K. Cukier. 2014. BIG DATA Rewolucja, która zmieni nasze myślenie, pracę i życie. Warszawa: MT Biznes.
• [9] McKinney W. 2017. Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter, 3rd Edition. O’Reilly Media.