Gå til hovedinnhold
0
Hopp til hovedinnhold

Data-assistert diagnostisering av feilmuligheter i elektriske girkassebaserte drivlinjer i industrimaskiner

Jagath Sri Lal Senanayaka of the Faculty of Engineering and Science has submitted his thesis “Online Condition Monitoring of Electric Powertrains using Machine Learning and Data Fusion” and will defend the thesis for the PhD-degree Wednesday 20 May 2020. (Photo: Private)

All the proposed fault diagnosis schemes are tested with experimental data, and key features of the proposed solutions are highlighted with comparative studies.

Jagath Sri Lal Senanayaka

Ph.d.-kandidat og universitetslektor

Jagath Sri Lal Senanayaka disputerer for ph.d.-graden med avhandlingen “Online Condition Monitoring of Electric Powertrains using Machine Learning and Data Fusion” onsdag 20. mai 2020.

Industrimaskiner er komplekse, og havari fører ofte til dyre avbrudd og kostbare reparasjoner. Jagath Sri Lal Senanayaka har forsket på feil i elektriske girkassebaserte drivlinjer i industrimaskiner. Målet er å redusere risikoen for feil ved å diagnostisere feilkilder tidlig ved hjelp av data-overvåkning.

Han har fulgt doktorgradsprogrammet ved Fakultet for teknologi og realfag, med spesialisering i mekatronikk.

Slik oppsummerer Jagath Sri Lal Senanayaka selv avhandlingen:

Online Condition Monitoring of Electric Powertrains using Machine Learning and Data Fusion

Safe and reliable operations of industrial machines are highly prioritized in industry. Typical industrial machines are complex systems, including electric motors, gearboxes and loads.

Catastrophic failures and productivity losses

A fault in critical industrial machines may lead to catastrophic failures, service interruptions and productivity losses, thus condition monitoring systems are necessary in such machines.

The conventional condition monitoring or fault diagnosis systems using signal processing, time and frequency domain analysis of vibration or current signals are widely used in industry, requiring expensive and professional fault analysis team.

Further, the traditional diagnosis methods mainly focus on single components in steady-state operations.

Under dynamic operating conditions, the measured quantities are non-stationary, thus those methods cannot provide reliable diagnosis results for complex gearbox based powertrains, especially in multiple fault contexts.

Four main research topics

In this dissertation, four main research topics or problems in condition monitoring of gearboxes and powertrains have been identified, and novel solutions are provided based on data-driven approach.

  • The first research problem focuses on bearing fault diagnosis at early stages and dynamic working conditions.
  • The second problem is to increase the robustness of gearbox mixed fault diagnosis under noise conditions.
  • Mixed fault diagnosis in variable speeds and loads has been considered as third problem.
  • Finally, the limitation of labelled training or historical failure data in industry is identified as the main challenge for implementing datadriven algorithms.

To address mentioned problems, this study aims to propose data-driven fault diagnosis schemes based on order tracking, unsupervised and supervised machine learning, and data fusion.

All the proposed fault diagnosis schemes are tested with experimental data, and key features of the proposed solutions are highlighted with comparative studies.

Disputasfakta:

Kandidaten: Jagath Lal Senanayaka (1982, Matara Sri Lanka) BSc i “Electrical and Information Engineering”, University of Ruhuna, Sri Lanka (2007), MBA i “Technology Management”, University of Moratuwa, Sri Lanka (2012). MSC i fornybar energi, Universitetet i Agder (2014). Fra 2007 til 2011 arbeidet han som ingeniør i telekommunikasjon i Sri Lanka, og som vitenskapelig assistent ved UiA (2014 -2016). Nå arbeider han som universitetslektor ved UiA. Forskningsinteressen hans går på feil-diagnostisering og kontroll av elektriske drivverk, fornybar energi, dataanalyse, signalbehandling og kunstig intelligens.

Prøveforelesning og disputas finner sted digitalt på internett i konferanseprogrammet Zoom (lenke under) onsdag 20. mai 2020.

Disputasen blir ledet av instituttleder, professor Geir Grasmo, Institutt for ingeniørvitenskap, UiA.

Prøveforelesning kl 10:15

Disputas kl 12:15

Oppgitt emne for prøveforelesning: "Overview on electrical machines technology used in drive trains: challenges and opportunities for machine learning algorithms"

Tittel på avhandling: “Online Condition Monitoring of Electric Powertrains using Machine Learning and Data Fusion”

Søk etter avhandlingen i AURA - Agder University Research Archive, som er et digitalt arkiv for vitenskapelige artikler, avhandlinger og masteroppgaver fra ansatte og studenter ved Universitetet i Agder. AURA blir jevnlig oppdatert.

Opponenter:

Førsteopponent: Professor Gerard-André Capolino, Université de Picardie Jules Verne, Frankrike

Annenopponent: D.Sc, Senior Specialist Antti Laiho, EHE Electronics Ltd, Finland

Bedømmelseskomitéen er ledet av professor Joao Leal, Institutt for ingeniørvitenskap, UiA

Veiledere i doktorgradsarbeidet var professor Kjell Gunnar Robbersmyr (hovedveileder) og professor Van Khang Huynh (medveileder)

Slik gjør du som publikum:

Vi ber publikum om å ankomme digitalt tidligst ti minutter før oppgitt tid - det vil si til prøveforelesningen 10:05 og disputasen tidligst kl 12:05. Etter disse klokkeslettene kan du når som helst forlate og komme inn igjen i møtet. Videre ber vi om at publikum slår av mikrofon og kamera, og har dette avslått under hele arrangementet. Det gjør du nederst til venstre i bildet når du er i Zoom. Vi anbefaler å velge «Speaker view». Dette velger du oppe til høyre i bildet når du er i Zoom.

Opponent ex auditorio:

Disputasleder inviterer til spørsmål ex auditorio i innledningen i disputasen, med tidsfrister. Disputasleders e-post er tilgjengelig i chat-funksjonen under disputasen. Spørsmål om ex auditorio kan sendes til disputasleder Geir Grasmo på e-post geir.grasmo@uia.no

Avhandlingen er tilgjengelig her: https://uia.brage.unit.no/uia-xmlui/handle/11250/2653755