Prognostics and health monitoring for medium and high voltage circuit breakers

Nowadays, companies and their customers increasingly look for new solutions to streamline and improve their operations. It follows that achieving an effective and efficient maintenance strategy, that allows getting critical information about when the equipment will fail and due to what kind of failure, is a key objective. In this work, it is proposed a method based on a statistical approach as basis for an efficient Condition-Based maintenance for High Voltage and Medium Voltage Circuit Breakers. Given a piece of equipment, such method exploits the data coming from the monitoring system adopted for the control of its health in order to predict a confidence interval for the date at which it should be not able to perform appropriately its intended task. Such result can be used by the industries for scheduling a maintenance activity when it is actually needed, without having avoidable downtimes in the production. The work is subdivided in five main sections. After a short introduction to the several kinds of maintenance and the ways with which they can be classified, the first chapter focuses on the concept of prognostics and health management. Particular emphasis is given to the Data-Driven approaches and to the two main subclasses in which they are subdivided: Machine Learning approaches and Statistical approaches. In the second section, an overview on the condition monitoring systems is given. A small report in the Medium Voltage Circuit Breakers and an example of condition monitoring system that can be adopted to get information about their health state is present. After this, the contribute continues in the third chapter with a detailed description of the proposed method. It is proposed a conceptual idea to extract knowledge from a fleet of homogeneous equipment and to use this knowledge to improve the power of prognostic analysis. They can be recognized inside two main sections where it is explained the application of the method when the knowledge at fleet level about the equipment under analysis is whether introduced or not. The following chapter focuses on the effect that the introduction of the uncertainty on the measurements coming from the monitoring systems has on the final results. In the fifth and last chapter, it is tested the efficiency of the method when is called to deal with monitoring data that follow trends with respect to the time different from the usual ones, on the basis of which has been developed. New solutions for the improvement of its efficiency in these circumstances are also proposed. Finally, it is a present a conclusive section where the results obtained in the previous chapters are commented and suggestions in order to improve the method and get more precise and reliable results are given.

Al giorno d’oggi, sia le industrie che i loro clienti sono sempre più alla ricerca di nuove soluzioni che consentano la razionalizzazione e il miglioramento delle loro operazioni. Ne consegue che uno degli obiettivi chiave è riuscire a delineare una strategia di manutenzione efficiente e valida, che permetta loro di ottenere informazioni critiche riguardo ai tempi, modi e cause per cui l’apparecchiatura in loro possesso possa andare incontro a un guasto. In questo lavoro di tesi, viene proposto un metodo di prognostica, basato su un approccio statistico, che possa essere utilizzato come strumento per una efficiente Condition-Based maintenance (manutenzione basata sulle condizioni di salute dell’apparecchiatura sotto esame) per interruttori di Alta Tensione e Media Tensione. Tale metodo utilizza i dati relativi allo stato di salute dell’apparecchiatura in esame, resi disponibili dal relativo sistema di monitoraggio, in modo da predire un intervallo di confidenza per la data in cui tale apparecchiatura non dovrebbe più essere in grado di svolgere la funzione per la quale è preposta. Raggiungere un risultato di questo tipo è molto importante, in quanto può fornire alle industrie informazioni utili che consentano di programmare le proprie attività di manutenzione quando sono realmente necessarie, garantendo allo stesso tempo il corretto funzionamento dei loro impianti ed evitando stop indesiderati nella produzione. Il lavoro è suddiviso in cinque macro sezioni. Dopo una breve introduzione sui diversi tipi di manutenzione e sui modi in cui essi possano essere suddivisi, il primo capitolo si concentra sui concetti di prognostica e gestione della salute di un’apparecchiatura. Particolare enfasi è data agli approcci Data-Driven, approcci che effettuano prognostica e decisioni sulla salute delle apparecchiature basandosi esclusivamente sui dati disponibili, e sulle due maggiori sottoclassi in cui essi sono suddivisi: Machine Learning (apprendimento automatico) e approcci statistici. Nella seconda sezione, si può trovare una panoramica sui sistemi di monitoraggio. Nel dettaglio, è presente una piccola presentazione sugli interruttori di Media Tensione e la descrizione di un sistema di monitoraggio in particolare che può essere adottato per avere informazioni sul loro stato di salute. Dopodiché, il contributo continua nel terzo capitolo con una descrizione dettagliata del metodo proposto. E’ presentata un’idea concettuale su come estrarre la conoscenza da una flotta di attrezzature simili e usare questa conoscenza per aumentare la potenza dell’analisi prognostica. Possono essere riconosciute all’interno due principali sezioni dove è spiegata l’applicazione del metodo nei casi in cui la conoscenza a livello di flotta dell’apparecchiatura sotto analisi è introdotta o meno. Il capitolo successivo pone l’accento sull’effetto che l’introduzione dell’incertezza sulle misure provenienti dal sistema di monitoraggio ha sui risultati finali. Nel quinto e ultimo capitolo, si testa l’efficienza che presenta il metodo quando i dati di monitoraggio da elaborare per ottenere un intervallo di confidenza circa la data in cui si presuppone debba essere attuato un intervento di manutenzione presentano nel tempo un trend differente da quello usuale e sulla base del quale è stato sviluppato. Nuove soluzioni per migliorare la sua efficienza in queste circostanze sono proposte. Infine, è presente una sezione conclusiva dove sono commentati i risultati ottenuti nei capitolo precedenti e sono indicati dei suggerimenti per migliorare l’efficienza del metodo al fine di ottenere risultati più precisi e affidabili.