guest ::
Modellbasierte Datenvermehrung zur Erfolgsgraderhöhung von Machine-Learning-Diagnosesystemen am Beispiel von Transformatorfehlern
2021 & 2022
Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2021
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2022
Genehmigende Fakultät
Fak06
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2021-11-09
Online
DOI: 10.18154/RWTH-2021-10818
URL: https://publications.rwth-aachen.de/record/835783/files/835783.pdf
Einrichtungen
Projekte
Inhaltliche Beschreibung (Schlagwörter)
Datenvermehrung (frei) ; Diagnose (frei) ; Transformator (frei) ; data augmentation (frei) ; diagnostic (frei) ; electrical equipment (frei) ; elektrische Betriebsmittel (frei) ; machine learning (frei) ; small sample size (frei) ; transfer learning (frei) ; transformer (frei)
Thematische Einordnung (Klassifikation)
DDC: 621.3
Kurzfassung
Bedingt durch den vermehrten Einbau von Messtechnik im Verteilungsnetz werden viele Messungen eines Betriebsmittels im Normalzustand und gelegentlich im Abnormalzustand aufgezeichnet. Diese Daten ermöglichen den Einsatz von Diagnoseverfahren, die auf Supervised Machine Learning (ML) basieren, um Abnormalzustände frühzeitig zu erkennen. Wegen der geringen Anzahl von Abnormalzustandsmessungen können ML-Diagnosesysteme nicht ihr volles Potential ausschöpfen. Eine Möglichkeit zur Verbesserung von ML-Diagnosesystemen ist die Verwendung von Datenvermehrungsmethoden. Allerdings führen bisherige generische Verfahren zu synthetischen Daten, die keine zusätzlichen Informationen für die Diagnoseaufgabe beinhalten. Solche Informationen können durch physikalische Modelle von Betriebsmitteln bereitgestellt werden. Deren Integration in eine Datenvermehrung kann zu einer weiteren Verbesserung von ML-Diagnosesystemen führen. Ziel dieser Arbeit ist die Entwicklung und Analyse einer modellbasierten Datenvermehrung. Entworfen wird eine Ziehung von Parameterkombinationen physikalischer Modelle, um synthetische Normal- und Abnormalzustandsdaten zu generieren. Dazu werden statistische Informationen über die Modellparameter aus Normalzustandsmessungen ermittelt. Anschließend werden die synthetischen Daten auf zwei Arten in die Erstellung von ML-Diagnosesystemen integriert: Der Trainingsdatensatz wird um synthetische Daten erweitert oder ein ML-Modell wird mit synthetischen Daten trainiert und mittels Transfer Learning auf Messungen transferiert. Exemplarisch wird die modellbasierte Datenvermehrung an der Klassifikation eines Transformatorfehlers analysiert und mit State-of-the-Art-Diagnoseverfahren verglichen. Gezeigt wird, dass Normal- und Abnormalzustände realistisch abgebildet werden können. Anschließend wird der Erfolgsgrad aller Diagnosesysteme bei variierender Anzahl von zur Verfügung stehenden Abnormalzustandsmessungen untersucht. Die Ergebnisse zeigen, dass ML-Diagnosesysteme, die mit modellbasierter Datenvermehrung erstellt werden, den Transformatorfehler mit einer höheren Genauigkeit als die State-of-the-Art-Systeme detektieren. Insbesondere gilt dies, wenn wenige Abnormalzustandsmessungen im Trainingsdatensatz vorhanden sind.The emergence of measurement technology in the distribution grid led to a wide availability in measurements of electric equipment during normal conditions and occasionally during abnormal conditions. This data enables the use of diagnostic methods based on supervised machine learning (ML) to detect abnormal conditions at an early stage. Due to the small number of abnormal-condition measurements, ML diagnostic systems cannot reach their full potential. One way to improve ML diagnostic systems is to use data augmentation methods. However, previous generic methods lead to synthetic data without additional information for the diagnostic task. Such information can be provided by physical models of electrical equipment. Their integration into a data augmentation can lead to a further improvement of ML diagnostic systems. The aim of this work is to develop and analyze a model-based data augmentation. A stochastic sampling for parameter combinations of physical models is designed to generate synthetic normal- and abnormal-condition data. For this purpose, statistical information about the model parameters is obtained from normal-condition measurements. Then, the synthetic data is integrated into the generation of ML diagnostic systems in two ways: either synthetic data is added to the training data set or an ML model is trained with synthetic data and transferred to measurements using transfer learning. The model-based data augmentation is analyzed for the classification of an electrical transformer fault and benchmarked with state-of-the-art diagnostic systems. It is shown that normal and abnormal conditions can be simulated realistically with the proposed methods. Then, the accuracy of all analyzed diagnostic systems is investigated with varying numbers of abnormal-condition measurements in the training data. The results show that ML diagnostic systems created with model-based data augmentation detect the transformer fault with higher accuracy than the state-of-the-art systems. This holds especially true when few abnormal-condition measurements are available for the training.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis
Format
online
Sprache
German
Externe Identnummern
HBZ: HT021176352
Interne Identnummern
RWTH-2021-10818
Datensatz-ID: 835783
Beteiligte Länder
Germany
|
The record appears in these collections: |