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)
- AGHBarszcz Tomasz
- Zabaryłło Mateusz
Słowa kluczowe
Dane bibliometryczne
ID BaDAP | 120644 |
---|---|
Data dodania do BaDAP | 2019-06-24 |
Tekst źródłowy | URL |
DOI | 10.29354/diag/100399 |
Rok publikacji | 2019 |
Typ publikacji | artykuł w czasopiśmie |
Otwarty dostęp | |
Creative Commons | |
Czasopismo/seria | Diagnostyka |
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.