Συντάχθηκε 22-10-2026 09:39
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 23/10/2026 08:00
Λήξη: 23/10/2026 09:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ηρακλή Τσαουσίδη
με θέμα
Διάγνωση και Ερμηνεία Αστοχίας Στοιχείου Ηλεκτρικής Προστασίας Χαμηλής Τάσης
Diagnosis and Interpretation of Failure of Low Voltage Electrical Protection Component
Εξεταστική Επιτροπή
Επίκουρος Καθηγητής Γεώργιος Πέππας (Σχολή ΗΜΜΥ, Επιβλέπων)
Αναπληρωτής Καθηγητής Νικόλαος Γιατράκος (Σχολή ΗΜΜΥ)
Καθηγητής Μιχαήλ Λαγουδάκης (Σχολή ΗΜΜΥ)
Περίληψη
Οι βαρίστορ οξειδίου μετάλλου (Metal Oxide Varistors – MOVs) από οξείδιο του ψευδαργύρου (ZnO) χρησιμοποιούνται ευρέως ως μη γραμμικά στοιχεία περιορισμού της τάσης σε διατάξεις προστασίας χαμηλής τάσης από υπερτάσεις. Οι μεταβολές της ηλεκτρικής τους απόκρισης υπό ηλεκτρική και θερμική καταπόνηση καθιστούν αναγκαία την αξιόπιστη αξιολόγηση της κατάστασής τους. Η παρούσα διπλωματική εργασία διερευνά κατά πόσον στατιστικά χαρακτηριστικά, τα οποία εξάγονται από καταγεγραμμένες κυματομορφές ρεύματος και τάσης 8/20 µs, μπορούν να υποστηρίξουν την ταξινόμηση δειγμάτων MOV σύμφωνα με πειραματικά αποδοθείσες ετικέτες PASS/FAIL. Αναλύθηκε ένα βιομηχανικό σύνολο δεδομένων 57 μοναδικών δειγμάτων MOV, αποτελούμενο από 16 δείγματα FAIL και 41 δείγματα PASS, και εξήχθησαν 18 στατιστικά χαρακτηριστικά από τα καταγεγραμμένα κανάλια των κυματομορφών. Αξιολογήθηκαν συγκριτικά οι ταξινομητές Logistic Regression, Support Vector Machine και Random Forest, με τον Random Forest να διατηρείται ως ο τελικός αυτοτελής ταξινομητής βάσει της συνολικής συγκριτικής τεκμηρίωσης και όχι βάσει ενός μόνο μέτρου απόδοσης. Τα αποτελέσματα υποδεικνύουν ότι τα στατιστικά χαρακτηριστικά που προκύπτουν από τις κυματομορφές μπορούν να υποστηρίξουν τη διάκριση PASS/FAIL εντός του διαθέσιμου πειραματικού πληθυσμού δειγμάτων. Ωστόσο, επειδή οι ίδιες 16 ταυτότητες δειγμάτων FAIL επαναχρησιμοποιήθηκαν στα ισορροπημένα υποσύνολα εκπαίδευσης και αξιολόγησης, η αναφερόμενη επίδοση δεν συνιστά επικύρωση σε δείγματα με αστοχία που δεν είχαν χρησιμοποιηθεί προηγουμένως. Αναπτύχθηκε επίσης ένα συμπληρωματικό μοντέλο ATP/EMTP, αποτελούμενο από μία γεννήτρια κρουστικού ρεύματος σε επίπεδο κυκλώματος και μία μη γραμμική αναπαράσταση ZnO MOV συνδεδεμένη σε σειρά με αυτή. Οι συνιστώσες της προσομοίωσης και της Μηχανικής Μάθησης αντιμετωπίστηκαν ως συμπληρωματικές και όχι ως ποσοτικά συζευγμένες μέσω δεδομένων, ενώ το μοντέλο ATP/EMTP δεν χρησιμοποιήθηκε για την επικύρωση των αποτελεσμάτων ταξινόμησης. Συνολικά, η εργασία αναδεικνύει τις δυνατότητες της στατιστικής ταξινόμησης βάσει κυματομορφών για την αξιολόγηση της κατάστασης των MOV, προσδιορίζοντας παράλληλα τον διαθέσιμο πληθυσμό δειγμάτων αστοχίας ως τον κύριο περιορισμό για ισχυρότερη γενίκευση.
Abstract
Zinc Oxide (ZnO) Metal Oxide Varistors (MOVs) are widely used nonlinear voltage-limiting elements in low-voltage surge protection, and changes in their electrical response under electrical and thermal stress motivate reliable condition assessment. This thesis investigates whether statistical descriptors derived from recorded 8/20 µs current and voltage waveforms can support classification of MOV samples according to experimentally assigned PASS/FAIL labels. An industrial dataset of 57 unique MOV samples, comprising 16 FAIL and 41 PASS samples, was analysed, and 18 statistical features were extracted from the recorded waveform channels. Logistic Regression, Support Vector Machine and Random Forest classifiers were comparatively evaluated, with Random Forest retained as the final standalone classifier on combined comparative evidence rather than on a single performance measure. The results indicate that waveform-derived statistical descriptors can support PASS/FAIL discrimination within the available experimental sample population. However, because the same 16 FAIL identities were reused across the balanced training and evaluation subsets, the reported performance does not constitute validation on previously unseen faulty devices. A complementary ATP/EMTP model was also developed, consisting of a circuit-level surge-current generator and a nonlinear ZnO MOV representation connected in series with it. The simulation and Machine Learning components were treated as complementary rather than quantitatively data-coupled, and the ATP/EMTP model was not used to validate the classification results. Overall, the work demonstrates the potential of waveform-based statistical classification for MOV condition assessment while identifying the available failure population as the principal limitation to stronger generalisation.
Meeting ID: 381 365 665 492 905 1
Password: ZK9Bu6H3
