Combining Feature Learning and Transfer Learning in Balancing Anomaly Detection for Gas Turbine Engine Vibration Analysis
Notice bibliographique
Résumé
Abstract Rotor imbalance is a vital measure that indicates the health state of a gas turbine (GT). Abnormal balancing patterns will lead to excessive vibration and gradually compromise structural integrity. This paper presents the construction of anomaly detection (AD) models that recognize abnormal balancing patterns for two aeroderivative GTs, AGT-A and AGT-B, from Siemens Energy. Such a diagnostic tool can predict at an early stage whether a high vibration would occur during the vibration test and avoid engine reject for re-balance. Machine learning (ML) algorithms have been extensively utilized to conduct GT design space exploration and condition monitoring. However, ML has not been implemented to improve the efficiency of GT manufacturing processes, mainly due to data scarcity. The authors propose a combined feature learning and transfer learning technique to leverage the data resources of GT manufacturing processes. The physical and operational similarities between GTs belonging to the same series imply the transferability of features between models. The normal balancing patterns of the data-rich AGT-A were first learned by a sparse autoencoder to detect balancing anomalies. Then, the learned features were used to initialize the balancing AD model for the data-poor AGT-B. The test accuracy of the AGT-B AD model was increased from 75% to 92% with transfer learning. The presented methodology can facilitate and enable various data-driven analysis tasks for the manufacturing processes of original equipment manufacturers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».