кейс Айдос1

1.

Машиналық оқыту
негізінде подстанциядағы
силовой
трансформаторларды
диагностика жүйесін
дамыту
Орындаған: Студент(тер)
Университет, кафедра

2.

Жобаның өзектілігі
Энергетикадағы рөлі
Ақаулардың салдары
Мәселенің маңыздылығы
Силовой трансформаторлар
Авариялар, тоқтап қалулар және
Сенімді диагностика жүйесін құру
энергетикалық жүйенің негізгі
қымбат жөндеу шығындары.
өте маңызды.
элементі.

3.

Жобаның мақсаты және міндеттері
1
2
Диагностика дәлдігін арттыру
Мониторинг жүйесіне интеграция
ML арқылы аномалияларды ерте анықтау.
Жүйені қолданыстағы мониторингке қосу.
Міндеттер тізімі:
Деректер жинау және өңдеу
Модель таңдау және бағалау
Интеграция концепциясын жасау

4.

Силовой трансформаторлардағы негізгі
ақаулар
Қызу
Температураның қалыптан тыс өсуі.
Изоляцияның ескіруі
Диэлектрлік қасиеттердің нашарлауы.
Газдардың пайда болуы (DGA)
Майда еріген газдардың құрамының өзгеруі.
Вибрациялар
Механикалық дірілдердің пайда болуы.

5.

Қолданыстағы диагностика әдістеріне шолу
Әдістер:
Шектеулері:
Периодтық бақылау
Ақауларды кеш анықтау
DGA (Gas-in-oil)
Толық емес ақпарат
Тепловизиялық бақылау
Қолмен талдау қажеттілігі
Вибродиагностика

6.

Машиналық оқытудың
артықшылықтары
Үлкен деректерді талдау
Автоматты және тиімді талдау.
Прогноздық диагностика
Болашақ ақауларды болжау.
Аномалияларды ерте анықтау
Қауіпті жағдайларды алдын ала білу.
Реал-тайм мониторинг
Жүйені үздіксіз бақылау мүмкіндігі.

7.

Жоба үшін қолданылатын
деректер
Трансформатор
параметрлері:
Деректер
көздері:
Температуралар (май, обмотка)
DGA құрамдары (газдар)
Жүктеме
Симуляция
Вибрация
Ашық dataset-тер
Ток/кернеу
Нақты деректер (бар
болса)

8.

Деректерді алдын ала өңдеу
01
02
03
Тазарту (cleaning)
Нормализация
Қателерді толықтыру
Қате деректерді жою.
Деректерді стандартты түрге келтіру.
Жетіспейтін деректерді қалпына
келтіру.
04
05
Feature engineering
Трендтер мен корреляциялар
Жаңа белгілерді құру.
Деректердегі заңдылықтарды анықтау.

9.

ML-модельді таңдау және
негіздеу
Анықтау түрлері:
Қолайлы модельдер:
Ақауларды анықтау →
Random Forest
классификация
SVM
Жағдайды болжау →
Neural Networks
Autoencoder
XGBoost
регрессия
Ерте аномалия табу →
anomaly detection

10.

Жобаның нәтижелері және
болашақ даму жолдары
Аналитикалық шолу
Жасалған ML-модель және
оның метрикалары.
Мониторинг
концепциясы
Интеграция және персоналға
хабарлау.
Болашақ даму
Жүйені өндіріске енгізу, деректер көлемін арттыру, толық
автоматтандыру.