Оценка технического состояния газотурбинной установки при помощи методов машинного обучения по искусственным данным
Ключевые слова:
газотурбинная установка, техническое состояние, машинное обучение, случайный лес, прогнозирование, предиктивное обслуживаниеАннотация
Постоянный мониторинг технического состояния газотурбинных установок, выявление дефектов, предотвращение отказов и оптимизация процессов эксплуатации, обслуживания и ремонта являются актуальными задачами для эксплуатантов данного оборудования. В решении этих задач могут помочь различные методы машинного обучения, которые уже применяются в сфере газотурбинных установок. Ограничивающим фактором в этом выступает недостаток реальных данных из эксплуатации. В данной работе рассматривается возможность использования искусственных данных для обучения и тестирования моделей машинного обучения с целью определения уровня технического состояния газотурбинной установки. Для анализа был выбран открытый набор данных, созданный другими исследователями при помощи математической модели судового газотурбинного двигателя. В результате исследования приведены полученные значения точности моделей машинного обучения, оцененные различными способами. Наилучший результат показала модель случайного леса. Установлено, что при разработке решений на основе машинного обучения для решения инженерных задач требуется использование дополнительных способов оценки точности предсказаний. Развитие работы связано с разработкой собственной математической модели газотурбинной установки, способной учитывать влияние конкретных дефектов, для создания наборов данных для анализа и дальнейшего исследования.
Метрики
Библиографические ссылки
ГОСТ
1. Roemer M. J., Kacprzynski G. J. Advanced diagnostics and prognostics for gas turbine engine risk assessment //2000 IEEE aerospace conference. proceedings. Т. 6. Big Sky: IEEE, 2000. С. 345-353. DOI: 10.1109/AERO.2000.877909.
2. Jordan M. I., Mitchell T. M. Machine learning: Trends, perspectives, and prospects //Science. – 2015. Т. 349. №. 6245. С. 255-260. DOI: 10.1126/science.aaa8415.
3. Sun L. et al. Real-time power prediction approach for turbine using deep learning techniques //Energy. 2021. Т. 233. С. 121130. DOI: 10.1016/j.energy.2021.121130.
4. Александров И. В., Дюк В. А., Фомин В. В. Использование методов машинного обучения для определения коэффициента расхода топлива газовой турбины фрегата //Морские интеллектуальные технологии. 2019. № 3-1. С. 156-160. EDN: LWWUPZ.
5. Coraddu A. et al. Machine learning approaches for improving condition-based maintenance of naval propulsion plants //Proceedings of the Institution of Mechanical Engineers, Part M: Journal of Engineering for the Maritime Environment. 2016. Т. 230, №. 1. С. 136-153. DOI: 10.1177/1475090214540874
6. Cisotto S., Herzallah R. Performance prediction using neural network and confidence intervals: A gas turbine application //2018 IEEE international conference on big data (Big data). IEEE, 2018. С. 2151-2159. DOI: 10.1109/BigData.2018.8621919
7. Кочуева О. Н. Разработка моделей прогнозирования выбросов оксидов углерода и азота газовых турбин на основе генетических алгоритмов //Деловой журнал Neftegaz.RU. 2022. № 5-6. С. 14-20. EDN: YMUQSO
8. Блинов В. Л., Дерябин Г. А. Определение эффективной мощности газотурбинного газоперекачивающего агрегата методами машинного обучения // Известия высших учебных заведений. Машиностроение. 2023. № 2(755). С. 63-72. EDN ZKYEBG. DOI: 10.18698/0536-1044-2023-2-63-72.
9. Campora U., Cravero C., Zaccone R. Marine gas turbine monitoring and diagnostics by simulation and pattern recognition //International journal of naval architecture and ocean engineering. 2018. – Т. 10. №. 5. С. 617-628. DOI: 10.1016/j.ijnaoe.2017.09.012
10. Zhong S., Fu S., Lin L. A novel gas turbine fault diagnosis method based on transfer learning with CNN //Measurement. 2019. Т. 137. С. 435-453. DOI: 10.1016/j.measurement.2019.01.022
11. Real-time simulation of a COGAG naval ship propulsion system / M. Altosole, G. Benvenuto, M. Figari, U. Campora // Proceedings of the institution of mechanical engineers, part M: Journal of engineering for the maritime environment. 2009. Т. 223, № 1. С. 47-62. DOI: 10.1243/14750902JEME121
APA
1. Roemer, M. J., & Kacprzynski, G. J. (2000, March). Advanced diagnostics and prognostics for gas tu bine engine risk assessment. IEEE aerospace conference. proceedings (Vol. 6, pp. 345-353). IEEE. http://dx.doi.org/10.1109/AERO.2000.877909
2. Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245) , 255-260. https://doi.org/10.1126/science.aaa8415
3. Sun, L., Liu, T., Xie, Y., Zhang, D., & Xia, X. (2021). Real-time power prediction approach for turbine using deep learning techniques. Energy, 233, 121130. http://dx.doi.org/10.1016/j.energy.2021.121130
4. Alexandrov, I. V., Duke, V. A., & Fomin, V. V. (2019). Using machine learning methods to determine the fuel consumption coefficient of a frigate gas turbine [Ispol'zovanie metodov mashinnogo obucheniya dlya opredeleniya koefficienta raskhoda topliva gazovoj turbiny fregata]. Morskiye intellektual'nyye tekhnologii, (3-1), 156-160. https://www.elibrary.ru/lwwupz [In Russian]
5. Coraddu, A., Oneto, L., Ghio, A., Savio, S., Anguita, D., & Figari, M. (2016). Machine learning approaches for improving condition-based maintenance of naval propulsion plants. Proceedings of the Institution of Mechanical Engineers, Part M: Journal of Engineering for the Maritime Environment, 230(1), 136-153. https://doi.org/10.1177/1475090214540874
6. Cisotto, S., & Herzallah, R. (2018, December). Performance prediction using neural network and confidence intervals: A gas turbine application. IEEE international conference on big data (Big data) (pp. 2151-2159). IEEE. http://dx.doi.org/10.1109/BigData.2018.8621919
7. Kochueva, O. N. (2022). Development of models for forecasting emissions of carbon and nitrogen oxides from gas turbines based on genetic algorithms [Razrabotka modelej prognozirovaniya vybrosov oksidov ugleroda i azota gazovyh turbin na osnove geneticheskih algoritmov]. Delovoy zhurnal Neftegaz. RU, (5-6), 14-20. https://magazine.neftegaz.ru/articles/tsifrovizatsiya/ 740352-razrabotka-modeley-prognozirovaniya-vybrosov-oksidov-ugleroda-i-azota-gazovykh-turbin-na-osnove-gene/ [In Russian]
8. Blinov, V. L. & Deriabin G. A. (2023) Determination of the effective power of a gas turbine gas pumping unit using machine learning methods [Opredelenie effektivnoj moshchnosti gazoturbinnogo gazoperekachivayushchego agregata metodami mashinnogo obucheniya]. News of higher educational institutions. mechanical engineering 2 (755) . P. 63-72. https://doi.org/10.18698/0536-1044-2023-2-63-72. [In Russian]
9. Campora, U., Cravero, C., & Zaccone, R. (2018). Marine gas turbine monitoring and diagnostics by simulation and pattern recognition. International journal of naval architecture and ocean engineering, 10(5), 617-628. http://dx.doi.org/10.1016/j.ijnaoe.2017.09.012
10. Zhong, S. S., Fu, S., & Lin, L. (2019). A novel gas turbine fault diagnosis method based on transfer learning with CNN. Measurement, 137, 435-453. http://dx.doi.org/10.1016/j.measurement.2019.01.022
11. Altosole, M., Benvenuto, G., Figari, M., & Campora, U. (2009). Real-time simulation of a COGAG naval ship propulsion system. Proceedings of the institution of mechanical engineers, part M: Journal of engineering for the maritime environment, 223(1), 47-62. https://doi.org/10.1243/14750902JEME121
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
URN
Лицензия
Copyright (c) 2023 Дерябин Г.А., Панкрашин С.М., Блинов В.Л.
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
