Примена вештачке интелигенције у изражавању мерне несигурности неитеративног алгоритма за акустичко лоцирање парцијалног пражњења у минералном уљу

Abstract

Стандардне методе за акустичко лоцирање парцијалног пражњења у минералном уљу користе претпоставку о константној вредности температуре минералног уља при изражавању резултата. Истраживањем у оквиру докторске дисертације се таргетира оправданост коришћења дате претпоставке у неитеративном алгоритму на нови начин, са аспекта мерне несигурности. Резултат предметног истраживања је квантификација утицаја промене температуре минералног уља на буџет комбиноване мерне несигурности неитеративног алгоритма применом метода вештачке интелигенције, као и утврђивање значајности односно доприноса других улазних параметара (релативна конфигурација сензора и извора, коришћени модел машинског обучавања) у буџету мерне несигурности. У сврху формирања и имплементације поступка квантификације доприноса промене температуре минералног уља комбинованој мерној несигурности неитеративног алгоритма, развијен је наменски софтверски агент са обучавањем (машинским учењем). На основу вредности коефицијента детерминације R2, употреба метода машинског обучавања је унапредила процену доприноса температуре минералног уља буџету мерне несигурности неитеративног алгоритма за више од два пута. Међутим, дата примена метода машинског обучавања (вештачке интелигенције) је проузроковала нови извор мерне несигурности који потиче од самог модела машинског обучавања. За изражавање мерне несигурности модела машинског обучавања предложен је нови поступак на основу изражавања мерне несигурности типа Б и аналогије између модела машинског обучавања и мерног уређаја. Валидација резултата софтверског агента је спроведена на моделу у лабораторијским условима. Истраживања су у складу са трендом коришћења софтверских алата и метода вештачке интелигенције у оптимизацији решавања нелинеарних проблема код којих се до решења не може доћи аналитичким методама на једноставан (познат) начин. Циљ истраживања је унапређење неитеративне све-акустичке методе преко подизања нивоа статистичке сигурности и поузданости резултата мерења применом наменског софтверског агента. Унапређени алгоритам могу користити стручњаци који се баве стандардизацијом метода, који врше испитивања опреме у лабораторијама, погонима и на терену, код које се користи минерално уље као изолациони материјал. Нови предложени поступак за одређивање мерне несигурности регресиoног модела машинског обучавања није ограничен на скуп података из предметног истраживања већ се може користити у свим сличним регресионим моделима укључујући и оне који користе концепт великих података (енгл. big data) за обучавање.

Standard acoustic methods for locating partial discharge in mineral oil use the assumption of a constant oil temperature when expressing the results. The research within the doctoral dissertation targets the justification of using the given assumption in the non-iterative algorithm in a novel way from the aspect of measurement uncertainty. The result of the subject research is the quantification of the influence of the change in mineral oil temperature on a budget of the combined measurement uncertainty of the non-iterative algorithm using artificial intelligence, as well as the determination of the significance of the contribution of other input parameters (relative configuration of sensors and partial discharge, the used machine learning model) in the budget of measurement uncertainty. A dedicated software agent with machine learning was developed to create and implement a procedure for quantifying the contribution of mineral oil temperature changes to the combined measurement uncertainty of the non-iterative algorithm. Based on the value of the coefficient of determination R2, machine learning methods improved the estimation of the contribution of mineral oil temperature to the measurement uncertainty budget of the non-iterative algorithm by more than two times. However, the application of machine learning (artificial intelligence) has caused a new source of measurement uncertainty that originates from the machine learning model. A novel procedure to express the measurement uncertainty of the machine learning model was proposed based on the type B measurement uncertainty and the analogy between a machine learning model and a measuring device. The validation of the results of the software agent was carried out on the actual model in laboratory conditions. Research is in line with the trend of using software tools and artificial intelligence methods to optimize non-linear problems where the solution cannot be reached by analytical techniques in a straightforward (known) way. The research aims to improve the non-iterative all-acoustic method by increasing the statistical certainty and reliability of measurement results using a dedicated software agent. The improved algorithm can be used by experts who standardize methods and perform equipment tests in laboratories, plants, and the field, where mineral oil is used as an insulating material. The novel proposed procedure for determining the measurement uncertainty of the machine learning regression model is not limited to the data set from the subject research but can be used in all similar regression models, including those that use big data for training.