Gleb V. Prokhorskii har vært knyttet til ph.d.-programmet ved Teknologi og realfag, med spesialisering i Ingeniørvitenskap, fagområde Fornybar energi.
- Prøveforelesning starter kl. 10.15
- Disputas starter kl. 12.15
Tema for prøveforelesningen "Integrating First Principles and Data-Driven Methods for Thermal Modeling of Combined Heat and Power Plants: Status and Development Trends"
Les avhandlingen i Nasjonalt vitenarkiv
Disputasleder: Paul Ragnar Svennevig
Evalueringskomite:
- Første opponent: Professor Raphael Lechner, OTH Amberg-Weiden, Tyskland
- Andre opponent: Professor Lars O. Nord, NTNU, Norge
- Leder for bedømmelseskomite: Associate Professor Muhammad Faisal Aftab, UiA
Veiledere i doktorgradsarbeidet:
- Hovedveileder: Professor Souman Rudra, UiA
- Biveileder: Professor Markus Preissinger, Vorarlberg University of Applied Sciences, Østerrike
Sammendrag
Termiske og biomassebaserte kraftverk er komplekse systemer der komponentene ikke fungerer uavhengig av hverandre, men involverer ikke-lineære prosesser. Tradisjonelle vedlikeholdsmetoder, som korrektivt (kjør-til-feil) eller preventivt (kalenderbasert) vedlikehold, er ofte utilstrekkelige i slike omgivelser. Prediktivt vedlikehold, som estimerer gjenværende levetid ved hjelp av data, ekspertkunnskap, fysiske modeller eller en kombinasjon av disse, har vist stort potensial. De viktigste modelleringsmetodene i denne sammenhengen er datadrevne (DD), kunnskapsbaserte (KB) og fysikkbaserte (PB) modeller. Kunnskapsbaserte prediksjoner bygger på erfaringen til driftspersonell, men denne ekspertisen er sjelden sentralisert og kan gå tapt ved personellskifter og pensjonering. Fysikkbaserte tilnærminger kan være nøyaktige, men er som regel vanskelige å anvende i full skala og krever ofte forenklede antakelser. Datadrevne maskinlæringsmodeller (ML) er godt egnet for anvendelser i termiske kraftverk, ettersom de kan oppdage spesifikke problemer og identifisere det berørte utstyret direkte fra sensordata.
En hovedutfordring er å velge riktig prediksjonsmodell blant de mange MLteknikkene som finnes. For å undersøke dette, sammenlignet vi fire algoritmer med ulik kompleksitet og læringsmekanismer. Vi optimaliserte hyperparametere for hver modell (for eksempel regularisering for Lasso, antall trær for random forest, nettverksarkitektur eller antall naboer for KNN) for å oppnå best mulige resultater.
Modellene ble bygget ved hjelp av to av de mest generelle og forenklede funksjonssettene, som representerer kjernefysiske prosesser, og sammenlignet under to treningsstrategier: statisk trening, der modellen trenes én gang på et historisk datasett, og dynamisk (rullerende vindu) trening, der modellen jevnlig retrenes på de nyeste dataene.
Vi undersøkte også om klynging kunne bidra til at den statiske treningsmetoden oppnår samme nøyaktighet som dynamisk trening. Ved å modellere både kunnskapsbasert og ML-basert klynging identifiserte vi driftsregimer der prediksjonene avviker, og fant at visse tilstander i anlegget er mer krevende å modellere nøyaktig. Denne innsikten bidrar til å målrette videre analyser og forbedringer.
En annen sentral utfordring er den høye dimensjonaliteten i moderne sensordata. Termiske kraftverk kan ha tusenvis av funksjoner, som temperaturer, trykk og strømningsrater, noe som øker beregningsbelastningen og risikoen for overtilpasning. Nøye funksjonsutvelgelse er derfor avgjørende: reduksjon av dimensjonalitet forbedrer både modellens nøyaktighet og tolkbarhet for ingeniører. Å velge riktige funksjoner er ikke trivielt og krever en balansegang mellom ekspertkunnskap og automatiserte, datadrevne metoder for å sikre at viktige signaler inkluderes. I dette arbeidet utviklet vi modeller basert på en rekke ulike utvelgelsesstrategier: enkle fysikkbaserte sett, ren ekspertkunnskap, fullstendig datadrevet utvelgelse og hybride tilnærminger. Denne kombinasjonen hadde som mål å maksimere nøyaktighet, generaliserbarhet og tolkbarhet.
Til tross for fremskritt på relaterte områder finnes det fremdeles ingen helhetlig studie av prediktiv modellering for overvåkning av termiske kraftverk. Det meste av tidligere arbeid omhandler anomalideteksjon, prognoser eller feilklassifisering separat. Effektiviteten til ulike metoder for funksjonsutvelgelse, spesielt betydningen av ekspertkunnskap, har kun nylig blitt evaluert på reelle datasett. På samme måte er forskningen på modeller som kan tilpasse seg skiftende driftsforhold og varierende driftsregimer fortsatt begrenset. Denne avhandlingen bidrar til å tette dette gapet ved å systematisk sammenligne og vurdere slike tilnærminger i operative termiske kraftverk. Videre viser arbeidet at kombinasjonen av ekspertkunnskap og datadrevet funksjonsutvelgelse, sammen med dynamisk trening og klynging, resulterer i prediktive vedlikeholdsmodeller som både er tilpasningsdyktige og effektive i håndteringen av moderne kraftverks skala og kompleksitet.
For å demonstrere den praktiske verdien av tilnærmingen, utviklet vi et skybasert system for kontinuerlig prediksjon av dampproduksjon i ett kraftverk og tilpasset det senere til et annet anlegg. I dette oppsettet kjører modellen på en skyplattform som kontinuerlig mottar sensordata i sanntid. Den genererer løpende prediksjoner av nøkkelvariabler som damputgang eller effektivitet. Når faktiske sensorverdier avviker fra de predikerte, markerer systemet mulige anomalier. I slike tilfeller analyserer vi modellvektene for å identifisere hvilke variabler som bidro mest til avviket, og dermed avdekke mulige rotårsaker. Ved å integrere ekspertkunnskap med avanserte datadrevne metoder viser de utviklede løsningene en praktisk vei mot mer intelligent og pålitelig prediktivt vedlikehold i komplekse industrielle miljøer. Modellenes dokumenterte tilpasningsevne og transparens legger grunnlaget for bredere anvendelse i reelle kraftverk, og bidrar ikke bare til bedre ytelse og redusert nedetid, men også til å gi operatører et beslutningsgrunnlag basert på tolkbare og handlingsrettede innsikter.
Slik følger du disputasen digitalt
Disputasen er åpen for alle. Meld deg på via denne Zoom-lenken for å følge digitalt.
Du logger deg på tidligst 10 minutter før oppgitt tid. Etter dette kan du når som helst forlate og komme inn igjen i disputasen
Opponent ex auditorio:
Tidsfrist for å stille spørsmål er senest i løpet av pausen mellom opponentene. Spørsmål ex auditorio fra publikum kan sendes til Kristine Evensen Reinfjord.
Kontaktperson
- E-post
- kristine.reinfjord@uia.no
- Telefon
- +47 37 23 30 14