Szczegóły publikacji

Opis bibliograficzny

Concept of automated malfunction detection of large turbomachinery using machine learning on transient data — Metoda automatycznej detekcji niesprawności dużych turbozespołów z zastosowaniem metod uczenia maszynowego na danych ze stanów przejściowych / Tomasz BARSZCZ, Mateusz Zabaryłło // Diagnostyka / Polskie Towarzystwo Diagnostyki Technicznej ; ISSN 1641-6414. — 2019 — vol. 20 no. 1, s. 63–71. — Bibliogr. s. 70–71, Abstr., Streszcz. — Publikacja dostępna online od: 2018-12-17. — W spisie treści numeru inny tytuł: Concept of automated fault detection of large turbomachinery using Machine Learning on transient data. — M. Zabaryłło - afiliacja: General Electric Sp. z o. o., Elbląg


Autorzy (2)


Słowa kluczowe

EN: transient datamachine learningdigital twinrotor modellingturbomachinery
PL: dane ze stanów przejściowychmodelowanie wirnikówuczenie maszynoweturbozespół

Dane bibliometryczne

ID BaDAP120644
Data dodania do BaDAP2019-06-24
Tekst źródłowyURL
DOI10.29354/diag/100399
Rok publikacji2019
Typ publikacjiartykuł w czasopiśmie
Otwarty dostęptak
Creative Commons
Czasopismo/seriaDiagnostyka

Streszczenie

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.

Abstract

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.

Publikacje, które mogą Cię zainteresować

artykuł
Fault detection method based on an automated operating envelope during transient states for the large turbomachinery / Tomasz BARSZCZ, Mateusz Zabaryłło // Journal of Vibroengineering ; ISSN 1392-8716. — 2022 — vol. 24 iss. 1, s. 75–90. — Bibliogr. s. 89–90, Abstr. — Publikacja dostępna online od: 2021-12-01. — M. Zabaryłło - afiliacja: GE Power, Elbląg
fragment książki
Novel machine learning method for automatic detection of malfunctions of large turbomachinery during transient states : [wideoprezentacja z pokazem slajdów] / Tomasz BARSZCZ, Mateusz ZABARYŁŁO // W: MFPT 2020 [Dokument elektroniczny] : keynote, session, and workshop listing : 6 August 2020 : virtual conference. — Wersja do Windows. — Dane tekstowe. — [Oak Brook : MFPT – a division of The Vibration Institute], [2020]. — Slajdy 1–17. — Tryb dostępu: https://www.screencast.com/users/preston.johnson/folders/MFPT... [2020-09-03]