Open Access

Thomas Kraxner

• Erosion due to cavitation is a common problem for any kind of water turbine. Most of the currently used techniques to detect cavitation are using an Acoustic Emission (AE) sensor and highspeed cameras during operation. For the pelton wheel which is subject of this thesis it is impossible to take pictures during operation, because of the splashing water and the mist. Therefore this thesis aims to explore possibilities in detecting erosion on the buckets of the pelton wheel on images taken during manual inspections. Since the provided images are snapshots taken with a mobile phone camera without a tripod, a lot of effort was invested in the preprocessing of the images. For the main task, the classification of the erosion, two methods were evaluated: Local Binary Patterns (LBP) + kN-earest neighbor classification and the classification with a Convolutional Neural Network (CNN). The given 2405 images, contained 4810 buckets on which the erosion was graded from zero to four. This means the baseline for the classification accuracy is 20%. LBP + kNearest neighbor classification scored 32.03%. The chosen CNN model, a light version of the Xception architecture outperformed the LBP + kNearest classification with 58,29%. The biggest issue found during research is the variance of the erosion grading by the maintainance personnel. Reasons for this are: no objective grading critera like the area of erosion in mm2, classification by different employees, a shift in grading from overall bucket condition to erosion from cavitation and too many classes for grading. The mentioned reasons were confirmed by the manual classification experiment were an IllwerkeVKW employee had to perform the grading on images of the dataset. The contestants accuracy score was 36% for this task. The result of 58,29% classification accuracy indicates that an automated grading of erosion by cavitation is feasible.
• Erosion durch Kavitation tritt beim Betrieb jeder Bauart von Turbinen in Flüssigkeiten auf. Die meisten Methoden zur Detektion von Kavitation benutzen akustische Sensoren und Hochgeschwindigkeitskameras, um Kavitation während des Betriebs festzustellen. Durch die Funktion des Pelton Rades ist es unmöglich Bilder während des Betriebs zu erfassen. Gründe dafür sind spritzendes Wasser und Nebel. Ziel dieser Thesis ist es daher Methoden zu finden welche den Erosionsgrad auf den Bechern des Peltonrades auf Basis von Inspektionsfotos bestimmen. Da sämtliche Inspektionsfotos Freihand mit einer Handy Kamera erzeugt wurden, bestand ein großer Teil der Arbeit darin Methoden zur Vorverarbeitung der Bilder zu finden. Für die eigentliche Erosionsklassifizierung wurden zwei Methoden evaluiert: Local Binary Patterns (LBP) + kNearest neighbor Klassifizierung sowie die Klassifizierung mittels Convolutional Neural Network (CNN). Der Datensatz für die Klassifizierung bestand aus 2405 Bildern. Die daraus resultierenden 4810 Becher wurden anhand des Erosionsgrades von null bis vier bewertet. Aus den fünf Klassen ergibt sich eine Baseline von 20%. Die LBP + kNearest neighbor Klassifizierung erreichte eine Klassifizierungsgenauigkeit von 32.03%. Das gewählte CNN Model, eine light Version der Xception Architektur übertraf die LBP + kNearest neighbor Klassifizierung mit 58,29% Klassifizierungsgenauigkeit bei weitem. Als größtes Problem wurde die Varianz in der Bewertung der Erosion durch das Wartungspersonal identifiziert. Gründe dafür sind: keine objektiven Bewertungskriterien wie etwa Erosionsfläche in mm2 , die Bewertung durch unterschiedliche Personen, der Wechsel von der Bewertung des Allgemeinzustands des Bechers hin zur "reinen" Erosionklassifizierung, sowie zu viele Klassen für die Bewertung. Die angesprochenen Punkte wurden durch die Bewertung eines Wartungsmitarbeiters auf Basis von Inspektionsbildern untermauert. Der IllwerkeVKW Mitarbeiter erreichte eine Klassifizierungsgenauigkeit von 36%. Das Ergebnis einer Klassifizierungsgenauigkeit von 58,29% zeigt das eine automatische Bewertung des Erosionsgrades möglich ist.