Классификация уровня эрозии проточной части изолированной ступени осевого компрессора

Авторы

  • Блинов В.Л. Уральский федеральный университет имени первого Президента России Б.Н. Ельцина
  • Дерябин Г.А. Уральский федеральный университет имени первого Президента России Б.Н. Ельцина
  • Зубков И.С. Уральский федеральный университет имени первого Президента России Б.Н. Ельцина

Ключевые слова:

осевой компрессор, эрозионный износ, численное моделирование, машинное обучение, техническое состояние, диагностика

Аннотация

Эрозионный износ деталей проточной части осевого компрессора газотурбинной установки является распространенной причиной для преждевременного вывода оборудования из эксплуатации. Актуальным для газотранспортных предприятий России является создание продвинутой системы диагностики, которая, среди прочего, позволит определять уровень эрозии лопаток по штатным параметрам без необходимости осмотра или разбора установки. В работе представлены предварительные результаты применения методов машинного обучения для решения такой задачи для изолированной ступени осевого компрессора. В качестве исходных данных использовались верифицированные результаты численного моделирования течения воздуха в ступени. Степень эрозии задавалась как отношение хорды эродированной лопатки к хорде новой лопатки в периферийном сечении. Этот же параметр являлся целевым для моделей машинного обучения. В качестве параметров использовались наборы локальных и интегральных параметров численного расчета. В результате первичного исследования наилучшие результаты продемонстрировала модель случайного леса при использовании всех доступных параметров и параметров с наибольшей корреляцией. Сформулированы выводы о применимости методов машинного обучения для создания модели по оценке степени эрозии. Развитие работы связано с созданием модели для прогнозирования технического состояния проточной части всего компрессора.

Метрики

Загрузка метрик ...

Библиографические ссылки

ГОСТ

1. Годовой отчет ПАО «Газпром» за 2020 год [Электронный ресурс]. URL: https://www.gazprom.ru/f/posts/57/982072/gazprom-annual-report-2020-ru.pdf.

2. Burnes D., Kurz R. Performance degradation effects in modern industrial gas turbines // Proceedings of Zurich 2018 Global Power and Propulsion Forum. Том. 124. Zurich: GPPF, 2018. C. 10.

URL: https://gpps.global/wp-content/uploads/2021/01/GPPS-Zurich18-0019.pdf

3. Sallee G.P. Performance deterioration based on existing (historical) data. Cleveland: NASA Lewis Research Center, 1978. 225 с.

URL: https://ntrs.nasa.gov/api/citations/19800013837/downloads/19800013837.pdf

4. Automated Defect Detection and Decision-Support in Gas Turbine Blade Inspection / J. Aust, S. Shankland, D. Pons et al. // Aerospace. 2021. Том. 8, № 2. C. 30.

DOI: 10.3390/aerospace8020030

5. Maragoudakis M., Loukis E. Using Ensemble Random Forests for the extraction and exploitation of knowledge on gas turbine blading faults identification // OR Insight. 2012. Т. 25, № 2. С. 80–104.

DOI: 10.1057/ori.2011.15

6. Tahan M., Muhammad M., Abdul Karim Z.A. A multi-nets ANN model for real-time performance-based automatic fault diagnosis of industrial gas turbine engines // Journal of the Brazilian Society of Mechanical Sciences and Engineering. 2017. Том. 39, № 7. С. 2865–2876.

DOI: 10.1007/s40430-017-0742-8

7. A Novel Methodology for Detecting Foreign Object Damage on Compressor Blading / P. Voigt, M. Voigt, R. Mailach et al. // Turbo Expo: Power for Land, Sea, and Air. Том. 58585. Phoenix: American Society of Mechanical Engineers, 2019. C. V02DT46A005.

DOI: 10.1115/GT2019-90378

8. Water Droplet Erosion Life Prediction Method for Steam Turbine Blade Materials Based on Image Recognition and Machine Learning / Z. Zhang, T. Liu, D. Zhang, Y. Xie // J. Eng. Gas Turbine Power. 2021. Том. 143, № 3. P. 031009.

DOI: 10.1115/1.4049768

9. Predicting the Operability of Damaged Compressors Using Machine Learning / J.V. Taylor, B. Conduit, A. Dickens и др. // Turbo Expo: Power for Land, Sea, and Air. Т. 58554. Phoenix: American Society of Mechanical Engineers, 2019. С. V02AT39A027.

DOI: 10.1115/GT2019-91339

10. Reid L., Moore R.D. Design and overall performance of four highly loaded, high-speed inlet stages for an advanced high-pressure-ratio core compressor // Lewis: Research Center, 1978. 132 с.

URL: https://ntrs.nasa.gov/citations/19780025165

11. Denton J.D. Lessons from rotor 37 // Journal of Thermal Science. 1997. № 6 (1). С. 13.

DOI: 10.1007/s11630-997-0010-9

12. Cumpsty N.A. Some lessons learned // J. Turbomach. 2010. № 132(4). С. 041018.

DOI: 10.1115/1.4001222

13. CFD validation for propulsion system components. AGARD Advisory Report №355 / Ed. J. Dunham. Neuilly-Sur-Siene: AGARD, 1998. 100 с.

URL: https://apps.dtic.mil/sti/citations/ADA349027

14. Scikit-learn: Machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gram-fort et al. // The Journal of machine Learning research. 2011. Т. 12. С. 2825–2830.

URL: https://jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf

15. Cumpsty N.A. Compressor aerodynamics. Harlow: Longman Scientific & Tech-nical, 2004. 509 c.

APA

1. PJSC Gazprom. (2020). Godovoy otchet PAO «Gazprom» za 2020 god [Annual Re-port 2020]. https://www.gazprom.ru/f/posts/57/982072/gazprom-annual-report-2020-ru.pdf

2. Burnes, D. & Kurz, R. (2018). Performance degradation effects in modern industrial gas tur-bines. In Proc. of Zurich 2018 Global Power and Propulsion Forum (p. 10). GPPF. https://gpps.global/wp-content/uploads/2021/01/GPPS-Zurich18-0019.pdf

3. Sallee, G.P. (1978). Performance deterioration based on existing (historical) data. NASA Lewis Research Center. https://ntrs.nasa.gov/citations/19800013837

4. Aust, J., Shankland, S., Pons, D., Mukundan, R., & Mitrovic, A. (2021). Automated Defect De-tection and Decision-Support in Gas Turbine Blade Inspection. Aerospace, 8(2) , 30.

https://doi.org/10.3390/aerospace8020030

5. Maragoudakis, M., & Loukis, E. (2012). Using Ensemble Random Forests for the extraction and exploitation of knowledge on gas turbine blading faults identification. OR Insight, 25(2) , 80-104. https://doi.org/10.1057/ori.2011.15

6. Tahan, M., Muhammad, M., & Abdul Karim, Z. A. (2017). A multi-nets ANN model for real-time performance-based automatic fault diagnosis of industrial gas turbine engines. Journal of the Brazilian Society of Mechanical Sciences and Engineering, 39(7) , 2865-2876.

https://doi.org/10.1007/s40430-017-0742-8

7. Voigt, P., Voigt, M., Mailach, R., Münzinger, D., Abu-Taa, K., & Lange, A. (2019). A Novel Methodology for Detecting Foreign Object Damage on Compressor Blading. In Turbo Expo: Power for Land, Sea, and Air (Vol. 58585, No V02DT46A005). American Society of Mechani-cal Engineers. https://doi.org/10.1115/GT2019-90378

8. Zhang, Z., Liu, T., Zhang, D., & Xie, Y. (2021). Water Droplet Erosion Life Prediction Method for Steam Turbine Blade Materials Based on Image Recognition and Machine Learning. Journal of Engineering for Gas Turbines and Power, 143(3). 031009. https://doi.org/10.1115/1.4049768

9. Taylor, J. V., Conduit, B., Dickens, A., Hall, C., Hillel, M., & Miller, R. J. (2019). Predicting the Operability of Damaged Compressors Using Machine Learning. In Turbo Expo: Power for Land, Sea, and Air (Vol. 58554, No V02AT39A027). American Society of Mechanical Engi-neers.

https://doi.org/10.1115/GT2019-91339

10. Reid, L. & Moore, R. D. (1978). Design and overall performance of four highly loaded, high-speed inlet stages for an advanced high-pressure-ratio core compressor. Lewis Re-search Center. https://ntrs.nasa.gov/citations/19780025165

11. Denton, J. D. (1997). Lessons from rotor 37. Journal of Thermal Science, 6 (1) , p. 13. https://doi.org/10.1007/s11630-997-0010-9

12. Cumpsty, N. A. (2010). Some lessons learned. Journal of Turbomachinery, 132(4) , 041018.

http://dx.doi.org/10.1115/1.4001222

13. Dunham, J. (Ed.). (1998). CFD validation for propulsion system components. AGARD Advisory Report № 355. AGARD. https://apps.dtic.mil/sti/citations/ADA349027

14. Pedregosa F., Varoquaux G., Gramfort A., Michel V., & Thirion, B. (2011). Machine learning in Python. The Journal of Machine Learning Research, 12, 2825-2830.

https://jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf

15. Cumpsty, N. A. (2004). Compressor aerodynamics. Longman Scientific & Tech-nical.

Загрузки

Опубликован

20.12.2022

Как цитировать

Блинов, В., Дерябин, Г., & Зубков, И. (2022). Классификация уровня эрозии проточной части изолированной ступени осевого компрессора. Энергетические системы, 7(1), 8–18. извлечено от https://j-es.ru/index.php/journal/article/view/2022-1-001

URN