Studentoppgave:Optimalisering av maskinlæringsmodeller for tilstandsovervåking av omformere

Maskinlæring for tilstandsovervåking er et viktig fokusområde innen elektriske kraftsystemer, spesielt for å sikre påliteligheten og ytelsen til kritisk infrastruktur som omformerstasjoner. Oppgaven går ut på å optimalisere maskinlæringsmodeller for kontinuerlig overvåking og tidlig oppdagelse av avvikende målinger i elektriske maskiner. Det er avgjørende å utvikle et system som gjør det mulig å oppdatere modellene regelmessig uten at de feilaktig lærer avvikende atferd som normal. Følgende punkter skisserer mulige delmål for å oppnå hovedmålet om optimalisert tilstandsovervåking:

• Utføre en litteraturgjennomgang om maskinlæringsmetoder brukt for tilstandsovervåking i kraftforsyning for jernbane og andre elektriske systemer.
• Analysere hvordan modellene bør trenes og finjusteres for å gi pålitelige tidlige varsler om avvik i maskinatferd.
• Undersøke hvilke data som er kritiske for overvåking og hvordan disse bør bearbeides for bruk i maskinlæringsmodeller.
• Utforske ulike maskinlæringsrammeverk og miljøer, som Azure, for trening og utrulling av modeller på BaneNORs data.
• Utvikle og evaluere minst ett testscenario som validerer de optimaliserte maskinlæringsmodellene ved hjelp av data fra BaneNOR.
• Dokumentere funnene i masteroppgaven.