Improvement of a Hydrogenerator Prognostic Model by using Partial Discharge Measurement Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Availability and performance of hydrogenerators are key features that have driven electrical utilities to implement monitoring and diagnostic methods in order to evolve to condition based maintenance (CBM). Ten years ago, Hydro-Quebec has implemented a home-built web-basedapplication, called MIDA, to cover most of its power plants. MIDA centralizes diagnostic data from several tools, aggregates all diagnostic results and calculates a health index for each hydrogenerators. Data from MIDA used in conjunction with PHM techniques can feed a prognostic model that will provide useful equipment information and lead to the implementation of predictive maintenance. The prognostic framework used for hydrogenerators is based on a failure mechanism and symptom analysis (FMSA) approach. For the stator, a major component of hydrogenerators, more than 100 failure mechanisms have been consigned in the form of causal trees or graphs. A large number of these failure mechanisms involve the presence of partial discharges (PD) before failure occurs. At Hydro-Quebec, PD measurements on hydrogenerators have been carried out over the past 30 years and a significant PD database is integrated in MIDA. The analysis of this huge amount of data is of paramount importance to understand the behavior and evolution of the discharge activity in order to build a robust prognostic approach using physics based as well as data driven models. To that end, this paper presents case studies that shed some light on key features related to the evolution of PD activity in hydrogenerators. The paper discusses how to use this data in the prognostic model to assess warning signs before failure occurs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle