Erkennung von Teilentladungsmustern in elektrischen Maschinen:

Die Lebensdauer von elektrischen Maschinen hängt wesentlich von dem Zustand der Isolation ab. Die Bewertung dieser Isolation erfolgt händisch anhand von Teilentladungsmessungen. Diese Messungen zeigen das momentane TE Verhalten. Das geschulte Auge kann dort Muster erkennen und auf die Ursachen der TE schließen. Erst durch regelmäßig wiederholte Messungen sind Aussagen zur Lebensdauer möglich. Insbesondere bei großen stationären Generatoren sind automatisierte Messungen von großem Nutzen, um Ausfälle frühzeitig zu erkennen.

In SmartTE werden Algorithmen erprobt und ertüchtigt diese TE Muster zu erkennen. Es werden speziell für das Training des Algorithmus fehlerhafte Muster vermessen. Anhand dieser Daten wird ein auf maschinelles Lernen aufbauender Algorithmus antrainiert und erprobt.

Das Projekt ist interessant für:

Hersteller von elektrischen Maschinen, Anbieter von Überwachungstechnik / Teilentladungsmesstechnik

• Entwicklung eines Klassifizierungsverfahrens für Teilentladungsmuster in elektrischen Maschinen
  
• Evaluation des Verfahrens sowohl für offline als auch online aufgenommene TE-Messungen

• Neuronale Netze, MLP, CNN, Data Augmentation

Im Rahmen des Projektes sind zunächst in Kooperation mit der Uni Kassel exemplarisch TE-Messungen an Spulenmustern durchgeführt worden. Parallel zu den Messungen wurden die gängigsten Messformen für Teilentladungen und deren Darstellungsformen recherchiert. Auf Basis dieser Messungen und der Rechercheergebnisse wurde entschieden ausschließlich PRPD-Bilder als Input-daten für die Klassifizierung zu nutzen. Diese Form der Darstellung unterstützen alle gängigen Teilentladungsmessgeräte.

Da anhand der Spulenmuster nicht alle Fehlerbilder abgebildet werden können, sind im Laufe des Projektes die Fehlerbilder aus den Normen IEC TS 60034-27-1:2012 und IEC TS 60034-27-2:2012 entnommen worden. Um genügend Trainingsbilder für einen CNN-Klassifikator zu erzeugen, wurden auf Basis der Normbilder jeweils 400 Bilder für jeden Fehlertyp generiert. Um eine ausreichende Diversität in den Bildern zu erzeugen, mussten diese mittels Streckung und Stauchung sowie einer Anpassung der Schwarz-/ Weißverteilung für jede Pixelreihe eines Bildes erzeugt werden.

Mit den auf diese Weise erzeugten Bildern ist ein CNN-Netz trainiert, welches die Bilder einem bestimmten Fehlertyp zuordnet. Dabei wurden zwei verschiedene Label Kategorien als Zielgrößen untersucht. Die erste Kategorie grenzt den Fehlertyp nur in drei grobe Fehlerarten ein: Nutentladungen, innere Teilentladung und Teilentladung in den Wickelköpfen. Die zweite Kategorie erlaubt eine genauere Zuordnung des Fehlers in insgesamt sieben Fehlertypen.

• Erzeugung von TE-Mustern am Prüfstand
• Auswahl, Erzeugung und Aufbereitung von Trainingsdaten
  
• Entwicklung und Evaluierung der Modelle zur Klassifizierung von TE-Mustern

Mitarbeitende vom Fraunhofer IEE:

Sebastian Lengsfeld, Florian Rehwald, Hardy Ast, Constantin Arronsohn, Bela Schinke

Veröffentlichungen

Projektlaufzeit

26.03.2021 – 30.09.2021

Sebastian Lengsfeld