Concept of automated malfunction detection of large turbomachinery using machine learning on transient data

Barszcz, Tomasz; Zabaryłło, Mateusz

doi:10.29354/diag/100399

Artykuł - szczegóły

Tytuł artykułu

Concept of automated malfunction detection of large turbomachinery using machine learning on transient data

Autorzy

Barszcz Tomasz , Zabaryłło Mateusz

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

DOI

10.29354/diag/100399

Warianty tytułu

Metoda automatycznej detekcji niesprawności dużych turbozespołów z zastosowaniem metod uczenia maszynowego na danych ze stanów przejściowych

Języki publikacji

Abstrakty

Large turbosets constitute a major source of electric energy in the world. They are critical machines which are vulnerable to several malfunctions which can decrease their availability and degrade the operation of the national electric grid system. The best source of data for assessment of the technical state are the transient data, measured during run-ups and coast-downs. The size of this data is very large and its analysis can be only performed by highly skilled vibration experts. The goal of this paper is to propose a method, which can apply Machine Learning for automated fault detection. In order to improve the quality of the learning process the method is accompanied by the ‘Digital Twin’ approach, where the simplified analytical rotordynamic model is tuned to a particular turboset and used in the learning process.

Turbozespoły dużej mocy stanowią znaczną część źródeł energii elektrycznej na świecie. Są to maszyny krytyczne, które są wrażliwe na kilka rodzajów niesprawności. Mogą one obniżyć dyspozycyjność maszyn i wpłynąć negatywnie na prace całego systemu elektroenergetycznego. Najlepszym źródłem danych do oceny stanu dynamicznego są dane ze stanów przejściowych, mierzone podczas rozruchów i odstawień. Są to dane o bardzo dużych rozmiarach a ich analiza może być przeprowadzana tylko przez doświadczonych diagnostów. Celem artykułu jest propozycja metody, wykorzystującej metody uczenia maszynowego (Machine Learning) do automatycznego wykrywania uszkodzeń. W celu podniesienia jakości procesu uczenia metoda została uzupełniona o zastosowanie uproszczonego modelu analitycznego stanu dynamicznego turbozespołu. Model ten jest dostrajany do danego turbozespołu, a następnie stosowany do wygenerowania dodatkowych danych ze stanów przejściowych, które będą następnie użyte w procesie uczenia.

Słowa kluczowe

turbomachinery transient data machine learning rotor modelling digital twin

turbozespół dane ze stanów przejściowych uczenie maszynowe modelowanie wirników

Wydawca

Polskie Towarzystwo Diagnostyki Technicznej

Czasopismo

Diagnostyka

Rocznik

2019

Tom

Vol. 20, No. 1

Strony

63--71

Opis fizyczny

Bibliogr. 25 poz., rys., tab.

Twórcy

autor

Barszcz Tomasz

tbarszcz@agh.edu.pl

AGH University of Science and Technology, Krakow, Poland

autor

Zabaryłło Mateusz

mateusz.zabaryllo@ge.com

General Electric Sp. z o.o., Elblag, Poland

Bibliografia

1. Baranowski A, Chmiel J, Ciura Sz. The future of conventional power industry in Poland - report of discussion panel. Silesian Electrical Journal. 2017;134:12-19. Polish.
2. Bently D, Hatch CT. Fundamentals of Rotating Machinery Diagnostics. 1st ed. Canada. 2002.
3. Vance JM. Rotordynamics of turbomachinery. Wiley. 1988.
4. Muszyńska A. Rotordynamics. 1st ed. USA; 2005.
5. Kiciński J. Dynamika wirników i łożysk ślizgowych. Polish (Dynamics of shafts and hydrodynamic bearings). 2005.
6. Pennacchi P, Vania A, Chatterton S. Identification of mechanical faults in rotating machinery for power generation. IEEE International Symposium on Industrial Electronics. 2010. https://doi.org/10.1109/ISIE.2010.5637771
7. Bachschmid N, Pennacchi P, Chatterton S, Ricci R. On model updating of turbo-generator sets. Journal of Vibroengineering. 2009;11:379-391
8. Abu Mostafa Y. Magdon-Ismail M, Lin HT. Learning From Data. AML Book. 2012.
9. Bishop CM. Pattern recognition and machine learning. Springer. 2011.
10. Dou D, Zhou Z. Comparison of four direct classification methods for intelligent fault diagnosis of rotating machinery. Applied Soft Computing. 2016; 46:459-468. https://doi.org/10.1016/J.ASOC.2016.05.015
11. Fawzi A, Fawzi O, Frossard P. Analysis of classifiers’ robustness to adversarial perturbations. Mach Learn. 2018:107:481–508. https://doi.org/10.1007/S10994-017-5663-3
12. Shen Ch, Wang D, Kong F, Tse PW. Fault diagnosis of rotating machinery based on the statistical parameters of wavelet packet paving and a generic support vector regressive classifier. Measurement. 2013. 46:1551-1564. https://doi.org/10.1016/J.MEASUREMENT.2012.12. 011
13. Zhong JH, Wong PK, Yang ZX. Fault diagnosis of rotating machinery based on multiple probabilistic classifiers. Mechanical Systems and Signal Processing. 2018;108:99-114. https://doi.org/10.1016/j.ymssp.2018.02.009
14. Haidong S, Hongkai J, Huiwei Z, Fuan W. A novel deep autoencoder feature learning method for rotating machinery fault diagnosis. Mechanical Systems and Signal Processing. 2017;95:187-204. https://doi.org/10.1016/j.ymssp.2017.03.034
15. Deng L, Zhao R. A vibration analysis method based on hybrid techniques and its application to rotating machinery. Measurement. 2013;46:3671-3682. https://doi.org/10.1016/J.MEASUREMENT.2013.07. 014
16. Liu Z, Guo W, Hu J, Ma W. A hybrid intelligent multi-fault detection method for rotating machinery based on RSGWPT. KPCA and Twin SVM, ISA Transactions. 2017;6:249-261. https://doi.org/10.1016/j.isatra.2016.11.001
17. Jia F, Lei Y, Lin J, Zhou X, Lu N. Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data. Mechanical Systems and Signal Processing. 2016;72-73:303-315. https://doi.org/10.1016/j.ymssp.2015.10.025
18. Li W, Zhu Z, Jiang F, Zhou G, Chen G. Fault diagnosis of rotating machinery with a novel statistical feature extraction and evaluation method. Mechanical Systems and Signal Processing. 2015;50-51:414-426. https://doi.org/10.1016/j.ymssp.2014.05.034
19. Khosravifar B, Bouguessa M. Using Support Vector Machines for Intelligent Service Agents Decision Making, P. Perner (Ed.): MLDM 2016, LNAI 9729. 2016:73-87. https://doi.org/10.1007/978-3-319-41920-6_6
20. Khadersab A, Dr.Shivakumar S. Vibration analysis techniques for rotating machinery and its effect on bearing faults. Procedia Manufacturing. 2018:20 247-252. https://doi.org/10.1016/J.PROMFG.2018.02.036
21. Fu C, Ren X, Yang Y, Xia Y, Deng W. An interval precise integration method for transient unbalance response analysis of rotor system with uncertainty. Mechanical Systems and Signal Processing. 2018;107:137-148. https://doi.org/10.1016/j.ymssp.2018.01.031
22. Li C, Cabrera D, Oliveira JV, Sanchez RV, Cerrada M, Zurita G. Extracting repetitive transients for rotating machinery diagnosis using multiscale cluster gray infogram. Mechanical Systems and Signal Processing. 2016;76-77:157-173. https://doi.org/10.1016/j.ymssp.2016.02.064
23. Antoni J. The infogram: Entropic evidence of the signature of repetitive transients. Mechanical Systems and Signal Processing. 2016;74:73-94. https://doi.org/10.1016/j.ymssp.2015.04.034
24. Kalita M, Kakoty SK. Analysis of whirl speeds for rotor-bearing systems supported on fluid film bearings. Mechanical Systems and Signal Processing 2004;18:1369-1380. https://doi.org/10.1016/j.ymssp.2003.09.002
25. Torkhani M, May L, Voinis P. Light, medium and heavy partial rubs during speed transients of rotating machines: Numerical simulation and experimental observation. Mechanical Systems and Signal Processing. 2012;29:45-66. https://doi.org/10.1016/j.ymssp.2012.01.019

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-cefe02a6-3927-4fb3-ac02-1596e2c4ae86