Predictive maintenance in hydropower plants : a case study of valves and servomotors

Abstract

Digitalization has opened the opportunity for a fourth industrial revolution and the hydropower industry is taking charge of enabling digitalization in their operation. There are a lot of studies on predictive maintenance, however, there are, to our knowledge no studies on system-specific predictive maintenance for hydropower. To bridge this gap, the idea of system-specific, Machine Learning driven Predictive Maintenance is explored. Two systems are chosen as a use-case for this thesis: valves and servomotors. With the increasing amount of intermittent renewable energy resources entering the power system, the need for flexibility in the power grid is unequivocal. Valves and servomotors are key components of hydropower control and thus will play a pivotal role in securing flexibility to the grid.

The first system assessed is the main valve. In order to make this analysis easily applicable, the data that is already being collected at Nore 1 hydropower plant is analyzed in order to assess the possibility of maintenance prediction from limited data. Unfortunately, this did not achieve the desired results for the data collected from the valve sensors. This is due to the fact that only one variable was measured, in this case, the opening and closing time-lag of the valve. However, this thesis presents a framework for data collection that allows the use of Machine Learning for predictive maintenance. Various sensors are suggested based on several published works on predictive maintenance.

The second system assessed is the servomotor that controls the guiding vanes in a Francis turbine. Servomotors are key components of hydropower control. Due to the data not being collected by Statkraft at the time of the study, this data was provided by one of Statkrafts suppliers. By making use of the historical data of pressure as a function of the piston position, a boundary for where new values should be expected is computed by making use of One Class Support Vector Machine. Another embodiment of this case is presented where force is given as a function of piston position, which yielded better results. When new values are being measured, the data is presented as a bullet chart that visualizes the distance of new values compared to the boundary computed by the One Class Support Vector Machine. This tool could easily be applied to other servomotors which perform other tasks such as controlling water injection to a Pelton turbine or opening and closing of the valve, whether they are butterfly or ball valves. Suggestions for further data collection are presented in order to make use of more data for the use of Machine Learning in Predictive Maintenance.

Digitalisering har ledet frem til en fjerde industriell revolusjon og vannkraft bransjen er i ferd med å digitalisere sin operasjon. Under literaturstudien er det ikke funnet noen publiseringer innen systemspesifikk maskinlæringsdrevet predikativ vedlikehold. I denne masteroppgaven blir muligheten for bruk av systemspesifikk, maskinlæringdrevet predikativ vedlikehold innen vannkraftverk utforsket for å vekke interesse innen dette feltet. To av vannkraftverkenes maskiner er brukt som eksempler og utforsket: ventiler og servomotor. Økende mengder uregulerbar strøm er introdusert i kraftnettet og behovet for fleksibilitet øker. Ventiler og servomotor er nøkkeldeler av vannkraftverk regulering og spiller en stor rolle i å sikre flexibilitet til strømnettet. Det første systemet som ble analysert er ventiler. For å gjøre analysen og resultatene enkelt anvendbare, blir data som allerede er innsamlet analysert for å utforske muligheten for predikativ vedlikehold med begrenset data. Analysene basert på data samlet inn fra sensorne montert på ventilene ble dessverre ikke konklusive. Det er utfordrende å forutsi fremtiden når man bare har en variabel å ta utgangspunkt i. Likevel presenteres det et prinsipielt rammeverk for innsamling av data som gjør det mulig å ta i bruk maskinlæring for predikativ vedlikehold. Ulike sensorer er foreslått, basert på relevant litteratur innen ventiler og maskinlæring drevet predikativ vedlikehold. Det andre systemet analysert under studien er servomotorer som styrer vannet i en Francis turbin ved å regulere vinklingen til skovlene. Dataen innsamlet om servomotoren er en god indikator på tilstanden til servomotoren. Ettersom dataen var ikke samlet inn av Statkraft da studien ble utført, ble dataen hentet fra en av Statkraft sine leverandører. En One Class Support Vector Machine ble brukt for å beregne foventet verdi av differansetrykk over stempelkamrene, som funksjon av stempel posisjon. En kulegraf som viser avstanden mellom grensen og nye verdier er visualisert. En annen metode er også presentert hvor man regner ut kraft på begge sider av stempelkamrene gjennom trykk for å vise kraft som funksjon av stempel posisjon. Dette ga bedre valideringsresultater i forventet differansekraft over tempelkamrene. Verktøyet kan enkelt bli anvendt til andre servomotorer som styrer vannmengden i en Pelton turbin eller åpning og lukking av ventilene, uavhengig av om det er spjeld- eller kuleventiler. Forslag til videre data innsamling er presentert for å ta i bruk maskinlæring for predikativ vedlikehold.