Industrial gas turbine operating parameters monitoring and data-driven prediction

Maciej Pawełczyk , Szymon Fulara , Marzia Sepe , Alessandro De Luca , Maciej Badora

Abstract

The article reviews traditional and modern methods for prediction of gas turbine operating characteristics and its potential failures. Moreover, a comparison of Machine Learning based prediction models, including Artificial Neural Networks (ANN), is presented. The research focuses on High Pressure Compressor (HPC) recoup pressure level of 4th generation LM2500 gas generator (LM2500+G4) coupled with a 2-stage High Speed Power Turbine Module. The researched parameter is adjustable and may be used to balance net axial loads exerted on thrust bearing to ensure stable gas turbine operation, but its direct measurement is technically difficult implicating the need to indirect measurement via set of other gas turbine sensors. Input data for the research have been obtained from BHGE manufactured and monitored gas turbines and consists of real-time data extracted from industrial installations. Machine learning models trained using the data show less than 1% Mean Absolute Percentage Error (MAPE) as obtained with the use of Random Forest and Gradient Boosting Regression models. Multilayer Perceptron Artificial Neural Networks (MLP ANN) models are reviewed, and their performance checks inferior to Random Forest algorithm-based model. The importance of hyperparameter tuning and feature engineering is discussed.
Author Maciej Pawełczyk (FPAE / IAAM)
Maciej Pawełczyk,,
- The Institute of Aeronautics and Applied Mechanics
, Szymon Fulara (FPAE / IHE)
Szymon Fulara,,
- The Institute of Heat Engineering
, Marzia Sepe
Marzia Sepe,,
-
, Alessandro De Luca
Alessandro De Luca,,
-
, Maciej Badora
Maciej Badora,,
-
Journal seriesEksploatacja i Niezawodność, [Eksploatacja i Niezawodnosc], ISSN 1507-2711
Issue year2020
Vol22
No3
Pages391-399
Publication size in sheets0.5
Keywords in Polish turbina gazowa, uczenie maszynowe, predykcja bazująca na danych, analiza pomiarów ciśnienia sprężarki
Keywords in Englishgas turbine, machine learning, data-driven prediction, HP recoup pressure analysis
ASJC Classification2209 Industrial and Manufacturing Engineering; 2213 Safety, Risk, Reliability and Quality
Abstract in PolishW artykule przedstawiono przegląd klasycznych i aktualnych metod przewidywania parametrów operacyjnych oraz potencjalnych usterek turbin gazowych. Dodatkowo zaprezentowano porównanie wybranych modeli opartych o uczenie maszynowe, w tym modeli wykorzystujące sztuczne sieci neuronowe. Przeprowadzone badania dotyczyły analiz poziomu ciśnienia ze sprężarki turbiny gazowej LM2500 czwartej generacji (LM2500+G4) połączonej z dwustopniową turbiną roboczą. Badany parametr podlega sterowaniu i może posłużyć do wyrównania sił osiowych działających na łożysko główne wału wysokiego ciśnienia w celu zapewnienia stabilnej i niezawodnej pracy turbiny gazowej. Jednocześnie jego bezpośredni pomiar jest kosztowny stąd potrzeba dokonania pośredniego pomiaru z wykorzystaniem innych czujników zamontowanych na turbinie. Dane wejściowe do analiz otrzymano dzięki uprzejmości producenta turbin, firmy BHGE. Zawierają one parametry bezpośrednio pobrane z monitorowanych turbin gazowych. Modele uczenia maszynowego otrzymane w wyniku analizy charakteryzują się średnim błędem procentowym (MAPE) na poziomie poniżej 1%. Najmniejszym błędem charakteryzują się modele otrzymane przy zastosowaniu lasów losowych (Random Forest) oraz gradientowego wzmacniania regresji (Gradient Boosted Regression). Przetestowano także zastosowanie wielowarstwowych, w pełni połączonych sztucznych sieci neuronowych, których efektywność okazała się niższa od modelu opartego o algorytm lasów losowych. W podsumowaniu podkreślono wagę dostosowywania hiperparametrów i inżynierii cech.
DOIDOI:10.17531/ein.2020.3.2
URL http://www.ein.org.pl/2020-03-02
Languageen angielski
Score (nominal)100
Score sourcejournalList
ScoreMinisterial score = 100.0, 06-09-2020, ArticleFromJournal
Publication indicators WoS Citations = 0; Scopus SNIP (Source Normalised Impact per Paper): 2018 = 1.43; WoS Impact Factor: 2018 = 1.806 (2) - 2018=1.588 (5)
Citation count*
Cite
Share Share

Get link to the record


* presented citation count is obtained through Internet information analysis and it is close to the number calculated by the Publish or Perish system.
Back
Confirmation
Are you sure?