Distributed Air-Gap Flux and Rotor-Current Fusion for Operating-Regime Identification in a 10-MW Kaplan Hydrogenerator

Technische Samenvatting: Fusie van Gedistribueerde Luchtspleetflux en Rotorstroom voor Identificatie van Werkingsregimes in een 10-MW Kaplan-hydrogenerator

Probleemstelling
Betrouwbare monitoring van hydrogeneratoren vereist beschrijvers die zowel de elektrische belasting als het elektromagnetische veldgedrag vastleggen. In Kaplan-turbine-generatorunits veranderen variaties in de stand van de geleidingskleppen (GVO) de belasting van de generator en kunnen deze de luchtspleetfluxdistortie, modulatie en ruimtelijke niet-uniformiteit beïnvloeden. Hoewel rotorstroommetingen nuttige informatie over de belasting bieden, beschrijven ze de ruimtelijke distributie van het magnetische veld in de luchtspleet niet volledig. Omgekeerd biedt gedistribueerde magnetische sensoriek direct inzicht in elektromagnetische asymmetrie en velddistortie, maar is dit minder onderzocht in combinatie met rotorstroomkenmerken voor de classificatie van werkingsstanden. Dit werk adresseert de behoefte aan een datagedreven raamwerk dat deze twee modaliteiten fuseert om werkingsregimes nauwkeurig te identificeren onder veranderende hydraulische en elektrische omstandigheden.

Methodologie
De studie maakt gebruik van gesynchroniseerde metingen van een 10-MW Kaplan-hydrogenerator (Porjus U9) die opereert onder zeven stationaire GVO-instellingen (14° tot 26°). De dataset bestaat uit tien op de stator gemonteerde Hall-probes die de luchtspleetfluxdichtheid meten en zes rotorstroomkanalen, gesampled op 250 Hz.

Het voorgestelde raamwerk verwerkt 300-seconden stationaire opnamen die zijn gesegmenteerd in overlappende segmenten van 1 seconde. Kenmerkextractie vindt plaats in parallelle takken:

1. Ruimtelijke Fluxkenmerken: Een discrete ruimtelijke Fourier-transformatie wordt toegepast op de gemiddelde fluxwaarden van de tien probes om de fundamentele ruimtelijke amplitude ($B_1$) en een Ruimtelijke Niet-Uniformiteitsindex (SNI) af te leiden.
2. Temporele Fluxkenmerken: Voor elke probe schat Welch's methode de vermogensspectrale dichtheid in om de dominante temporele amplitude ($A_1$), een Flux Temporele Distortie-index (FTDI) en een Flux Modulatie-index (FMI) voor laagfrequente componenten te extraheren.
3. Rotorstroomkenmerken: Kanaalsgewijze Root Mean Square (RMS) waarden worden berekend voor de zes stroomkanalen.

Deze kenmerken worden geanalyseerd met behulp van Pearson-correlatie en Principal Component Analysis (PCA) om hun relatie met de GVO te begrijpen. Vervolgens wordt supergecontroleerde classificatie uitgevoerd met behulp van Random Forest (RF), Radial-Basis-Function Support Vector Classification (SVC-RBF) en Multilayer Perceptron (MLP) modellen om de zeven GVO-standen te onderscheiden.

Belangrijkste Bijdragen

• Spatiotemporele Kenmerkextractie: Het artikel introduceert een specifieke set beschrijvers die de ruimtelijke magnetische structuur (via Fourier-analyse van gedistribueerde probes) scheidt van de temporele fluxdynamiek (via spectrale analyse) en elektrische belasting (via RMS-stroom).
• Fusieraamwerk: Het demonstreert een systematische aanpak voor het fuseren van gedistribueerde luchtspleetfluxgegevens met rotorstroommetingen, waarmee verder wordt gegaan dan enkelvoudige modale analyse.
• Interpreteerbaarheid: Door middel van correlatie en PCA ontkoppelt de studie de fysieke betekenis van de kenmerken, waarbij wordt aangetoond dat stroomkenmerken primair de elektrische belastingsas volgen, terwijl fluxkenmerken complementaire informatie bieden met betrekking tot ruimtelijke onbalans en golfvormdistortie.

Resultaten

• Kenmerkgedrag: Correlatieanalyse bevestigt dat RMS-stroomkenmerken een zeer sterke monotone relatie hebben met de GVO (Pearson $\rho \approx 0,978$), wat dient als de primaire belastingsbeschrijver. In tegen tegenstelling hiertoe vertonen ruimtelijke kenmerken (SNI, $B_1$) een zwakke correlatie met de GVO, wat suggereert dat ze persistente structurele asymmetrieën weerspiegelen in plaats van belastingveranderingen. Temporele distortie (FTDI) vertoont een matige positieve correlatie.
• Classificatieprestaties:
  • Alleen ruimtelijke kenmerken leverden een slechte scheidbaarheid op, met testnauwkeurigheden onder de 27%.
    • Alleen stroomkenmerken bereikten een baseline nauwkeurigheid van ongeveer 84–85%, maar hadden moeite met het onderscheiden van nabijgelegen condities bij lage belasting.
  • Alleen fluxkenmerken presteerden beter dan alleen ruimtelijke kenmerken (tot ~88% met MLP), maar waren minder effectief dan stroomkenmerken alleen.
  • Gefuseerde Kenmerken: Het combineren van flux- en stroominformatie leverde de meest discriminerende representatie op. Het SVC-RBF model bereikte een testnauwkeurigheid van 99,5% en een macro-F1 score van 0,995. Het toevoegen van alle beschikbare kenmerken verbeterde de prestaties niet consistent boven de flux-stroomfusie, wat wijst op redundantie in de volledige set.

Betekenis en Claims
Het artikel claimt dat gedistribueerde luchtspleetmagnetische sensoriek, wanneer gefuseerd met rotorstroommetingen, een nauwkeurige en interpreteerbare datagedreven monitoring van de werkingsregimes van Kaplan-hydrogeneratoren ondersteunt. De resultaten geven aan dat hoewel de rotorstroom de dominante belastingsrichting bepaalt, flux-gebaseerde kenmerken essentiële ruimtelijke en modulerende structuren coderen die orthogonaal zijn aan de belastingsas. Deze combinatie maakt een zeer betrouwbare classificatie van de stand van de geleidingskleppen mogelijk. De auteurs positioneren dit raamwerk als een compact fundament voor toekomstige conditiebewakings- en digital-twin-toepassingen voor hydrogeneratorsystemen, waarbij zij benadrukken dat eenvoudigere machine learning-methoden met fysiek interpreteerbare kenmerken eenvoudige deep learning-modellen kunnen overtreffen wanneer informatieve signaalkenmerken beschikbaar zijn.