Knowledge base: Warsaw University of Technology

Settings and your account

Back

Use of machine learning methods for prediction of decay level of components of gas turbine used for ship propulsion

Urszula Dancewicz

Abstract

The need to remain competitive in the modern power sector requires the decisive organs in power plants to become increasingly focused on optimizing the operation and maintenance cost by implementing more effective methods of planning maintenance and repair tasks, which are determined by the current condition of the equipment. This entails providing the plant with tools enabling precise monitoring of current decay levels in all components. Possible means to achieve this include costly solutions requiring investments in additional sensors and equipment, such as vibration or thermovisual analysis. As an alternative, methods basing on big data and machine learning are gaining interest due to being reliant only on the large amounts of data which is already being generated by measuring equipment connected to the plant’s control system. Machine learning algorithms consist of a wide variety of solutions which often significantly differ on assumptions and implementation approaches. Therefore attempting to introduce such a strategy for the task of predicting the current state of monitored equipment depends heavily on selecting the right model and its configuration. This thesis presents an analysis of six such algorithms and an evaluation of their effectiveness in predicting the decay level of both the compressor and the turbine from a gas turbine used in a ship propulsion system installed on a frigate. For each algorithm which required for some of its parameters to be determined before implementation, an optimization process was carried out which used cross-validation to decide on the preferred values. This led to creation of models which were later trained using a provided dataset with another iteration of cross-validation, therefore enabling evaluation of predictions acquired this way. Analysis of obtained prognosis results allowed the quality of turbine and compressor state predictions to be verified against actual data. This enabled determining possibilities of implementing such algorithms in systems supporting maintenance planning or alarming about potential breakdowns. Additionally, results achieved by various models were compared. This led to identification of both models which managed to best reflect expected relations and ones which were deemed unwarranted to be implemented.
Diploma type
Engineer's / Bachelor of Science
Diploma type
Engineer's thesis
Author
Urszula Dancewicz (FPAE) Urszula Dancewicz,, Faculty of Power and Aeronautical Engineering (FPAE)
Title in Polish
Wykorzystanie metod uczenia maszynowego do przewidywania stopnia degradacji komponentów turbiny gazowej stosowanej w napędzie okrętowym
Supervisor
Konrad Wojdan (FPAE/IHE) Konrad Wojdan,, The Institute of Heat Engineering (FPAE/IHE)Faculty of Power and Aeronautical Engineering (FPAE)
Certifying unit
Faculty of Power and Aeronautical Engineering (FPAE)
Affiliation unit
The Institute of Heat Engineering (FPAE/IHE)
Study subject / specialization
, Energetyka (Power Engineering)
Language
(pl) Polish
Status
Finished
Defense Date
13-02-2019
Issue date (year)
2019
Pages
68
Internal identifier
MEL; PD-4938
Reviewers
Konrad Świrski (FPAE/IHE) Konrad Świrski,, The Institute of Heat Engineering (FPAE/IHE)Faculty of Power and Aeronautical Engineering (FPAE) Konrad Wojdan (FPAE/IHE) Konrad Wojdan,, The Institute of Heat Engineering (FPAE/IHE)Faculty of Power and Aeronautical Engineering (FPAE)
Keywords in Polish
uczenie maszynowe, big data, analityka predykcyjna, konserwacja predykcyjna, turbina gazowa
Keywords in English
machine learning, big data, predictive analytics, predictive maintenance, gas turbine
Abstract in Polish
Konieczność zachowania konkurencyjności we współczesnej energetyce wymaga od osób prowadzących eksploatację coraz większego nacisku na optymalizację kosztów utrzymania poprzez bardziej efektywne planowanie konserwacji i remontów urządzeń, zależne od ich bieżącego stanu. W tym celu niezbędne jest wyposażenie obiektu w narzędzia umożliwiające precyzyjne wskazanie bieżącego poziomu degradacji komponentów. Jako alternatywa do metod wymagających inwestycji w dodatkowe czujniki i urządzenia, takich jak analiza wibracji bądź analiza termowizyjna, rozpatrywane są metody oparte na algorytmach big data i uczenia maszynowego, wykorzystujące w efektywny sposób znaczne ilości danych generowanych przez urządzenia pomiarowe połączone z systemem sterowania obiektem. Algorytmy bazujące na uczeniu maszynowym stanowią szeroką gamę rozwiązań, często znacznie się od siebie różniących założeniami i sposobem implementacji. W związku z tym kluczowa przy próbie zastosowania tej strategii do określania bieżącego stanu urządzeń jest selekcja odpowiedniego modelu i jego właściwa konfiguracja. W niniejszej pracy przeanalizowano sześć takich algorytmów i sprawdzono ich skuteczność wobec zagadnienia przewidywania poziomu degradacji sprężarki i turbiny będących elementami układu gazowego, wchodzącego w skład układu napędowego okrętu typu fregata. Dla każdego z algorytmów, którego implementacja wymagała wcześniejszego określenia pewnych jego parametrów, dobrano ich optymalne wartości korzystając z metody walidacji krzyżowej. Tak uzyskane modele wytrenowano na zestawie danych treningowych poprzez ponowne zastosowanie walidacji krzyżowej, co umożliwiło ocenę dokładności uzyskanych w ten sposób przewidywań. Analiza uzyskanych wyników predykcji prowadziła do zweryfikowania jakości przewidywań dotyczących stanu turbiny i sprężarki pochodzących z zastosowania modeli bazujących na analizie surowych danych, a także określenie możliwości ich wykorzystania w systemach wspierających planowanie inspekcji bądź ostrzegających o potencjalnych awariach. Pozwoliła także porównać osiągane przez nie wyniki i zidentyfikować zarówno te, które najlepiej oddają poszukiwane zależności, jak i takie, których zastosowanie nie jest dla rozpatrywanego przypadku zasadne.
File
  • File: 1
    PRACA_DYPLOMOWAU_Dancewicz.pdf
Request a WCAG compliant version
Local fields
Identyfikator pracy APD: 31355

Uniform Resource Identifier
https://repo.pw.edu.pl/info/bachelor/WUT175489f1f1424461b12f6a9367c2264c/
URN
urn:pw-repo:WUT175489f1f1424461b12f6a9367c2264c

Confirmation
Are you sure?
Report incorrect data on this page