INCIPIENT PARTIAL DISCHARGE DETECTION IN ELECTRICAL EQUIPME BASED ON ULTRASOUND USING DEEP LEARNING APPROACH. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Revised Thesis Report for Abdulaziz Alshalawi (for eprint) V2.pdf Restricted to Repository staff only until 31 July 2025. Download (3MB)

Arabic Abstract

المعدات الكهربائية بطبيعتها معرضة للعديد من أنواع التفريغ الجزئي للتيار الكهربائي و التي قد تتفاوت ما بين التأثير المحدود كإرتخاء التوصيلات و اللتي حين إكتشافها لا تكلف الكثير لإصلاحها . لكن بعض أنواع الأعطال تعتبر ذات كلفه صيانة عالية و التي تصل في بعض الأوقات لاستبدال المعدة. في هذا البحث,تم تطوير ثلاث نماذج مختلفة لاكتشاف هذه الأعطال و تصنيفها عن طريق التعليم العميق و هذه الأعطال المدروسة في هذا البحث هي تفريغ إلارتخاء, و الأقواس الكهربائية, و ظاهرة كورونا و أخيرا تشجر العوازل. نماذج التعلم العميق تقوم المطورة تقوم بالتعرفعلى وجود الخلل ثم تصنيفة بدقة عالية تفوق نسبة 92% و هذه النسبة في وجود الضوضاء الخلفية تكون صعبة للغاية و بالتالي هذه النتائج تعتبر عالية. تم تطوير النموذج أكثر بتحسنه عن طريق استخدام طريقة "بيز" الحسابية و اللتي نتج عنها تحسين دقة أفضل بنسبة 94% و تحسين دقة التصنيف لكل نوع من الأعطال.

English Abstract

Electrical equipment is prone to different types of Partial Discharge failures that are vary between minor and severe level. In this thesis, Three developed models for Convolution Neural Network (CNN) is proposed to detect and classify four electrical equipment faults which are Arcing, Corona discharge, Tracking and Looseness and distinguish them from normal equipment situation. The model is developed to extract the maximum information from each recorded signal waveform through multiple features including Short-Time-Fourier-Transform (STFT) in addition to Mel Frequency Cepstral Coefficients (MFCC) phase and magnitude. Notably, the resulting models exhibited an impressive overall accuracy of more than 92%, which is particularly significant considering the inherent presence of noise in the real-world samples obtained as representative field failures. The model is further improved by optimizing the model using Bayesian Optimization which results better overall validation accuracy of 94% and improved classification of each PD type. These findings underscore the robustness and effectiveness of the CNN model in accurately identifying PDs, despite the intricate challenges associated with real-world data.

Item Type:	Thesis (Masters)
Subjects:	Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Al-Ismail, Fahad
Committee Members:	Abido, M. A. and Khalid, Muhammad
Depositing User:	ABDULAZIZ ALSHALAWI (g201037420)
Date Deposited:	31 Jul 2024 10:32
Last Modified:	31 Jul 2024 10:32
URI:	http://eprints.kfupm.edu.sa/id/eprint/143015