Nguyen Hoang Nam Du har vært knyttet til ph.d.-programmet i teknologi og realfag, med spesialisering i mekatronikk.
- Prøveforelesning starter kl. 10.15
- Disputas starter kl. 12.15
Tema for prøveforelesningen: "Challenges in transferring fault diagnosis methods from laboratory environments to industrial applications".
Les avhandlingen i Nasjonalt vitenarkiv
Disputasleder: Paul Svennevig
Evalueringskomite:
- Første opponent: Professor Jose Antonino-Daviu, Polytechnic University of Valencia, Spania
- Andre opponent: Dr. Jenni Pippuri-Makelainen, VTT Technical Research Centre of Finland and Aalto University, Finland
- Komiteadministrator: Professor Joao Leal, UiA
Veiledere i doktorgradsarbeidet:
- Hovedveileder: Professor van Khang Hyunh, UiA
- Biveileder: Professor Kjell Gunnar Robbersmyr, UiA
Sammendrag
Energibehovet har økt betydelig som følge av pandemien og den geopolitiske ustabiliteten globalt. Ifølge IEA-rapporten nådde veksten i fornybare energikilder 34,5% ved utgangen av 2025. Selv om det gjøres betydelige tiltak for å utvikle og ta i bruk fornybare energikilder for å møte etterspørselen, ligger utviklingen fortsatt langt under det årlige vekstmålet på 8%. For å akselerere den årlige veksten i energiproduksjonen spiller permanentmagnet-synkronmaskiner (PMSM-er) dessuten en sentral rolle i den bærekraftige utviklingen av storskala energiproduksjon, energiomstilling, elektrifisering, autonome kjøretøy og luftfartsindustrien.
PMSM-er blir i økende grad det foretrukne valget for store vindturbiner på grunn av deres høye virkningsgrad, presise styring, høye momenttetthet og enkle vedlikehold. Til tross for den raske utviklingen innen diagnostiske teknologier muliggjort av kunstig intelligens, er PMSM-er utsatt for elektriske feil samt mekaniske og termiske belastninger under dynamiske driftsforhold. I tillegg begrenser mangelen på historiske feildata i praktiske anvendelser effektiviteten til datadrevne metoder, som vanligvis krever store mengder merkede data. Robust feildeteksjon og -identifikasjon (FDI) basert på datadrevne metoder er derfor ikke bare avgjørende for å kunne implementere pålitelige og sikre energisystemer, men også for å redusere arbeids- og vedlikeholdskostnader.
Denne avhandlingen tar for seg disse utfordringene gjennom tre hovedbidrag. For det første forbedres FDI-ytelsen ved feil med lav alvorlighetsgrad og under dynamiske driftsforhold. For det andre utvikles et rammeverk som integrerer domenekunnskap med datadrevne metoder for å muliggjøre forklarbar beslutningstaking på tvers av ulike tidsskalaer innen prediktivt vedlikehold. For det tredje foreslås et autonomt rammeverk for nettbasert feildiagnostikk som gir sporbare beslutningsforløp og fysisk begrunnelse under dynamiske driftsforhold.
De foreslåtte metodene beskrives teoretisk og valideres gjennom eksperimentelle oppsett. Resultatene viser at modellene oppnår robusthet og forklarbarhet for hver enkelt prediksjon innen feildiagnostikk, noe som gjør dem godt egnet for implementering i strategier for prediktivt vedlikehold av PMSM-er. En kort oppsummering av modellene og de tilhørende resultatene presenteres i denne avhandlingen, mens detaljerte forklaringer og resultater finnes i vedleggene.
Slik følger du disputasen digitalt
Disputasen er åpen for alle. Meld deg på via denne Zoom-lenken.
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