Gas Turbine Diagnostics by Means of Convolutional Neural Networks Fed With Time Series Data Encoded As Images
Notice bibliographique
Résumé
Abstract The presence of anomalies in time series, i.e., data points that deviate from the expected behavior, can be a symptom of an incoming failure that may lead to costly repair. Thus, the detection of anomalous data by means of diagnostic methodologies can both reduce maintenance actions and asset unscheduled stops. To tackle this challenge, for the first time in the literature, we exploit the capabilities of Convolutional Neural Networks (CNNs), by feeding them with images obtained from multivariate time series data, transformed by means of two different approaches, namely, Gramian Angular Summation Field (GASF) and Markov Transition Field (MTF). Two CNN architectures are investigated, i.e., VGG-19 and SqueezeNet. The performance of both CNNs fed with images is compared to that of i) a Temporal Convolutional Network (TCN) fed with time series data and ii) a Support Vector Machine (SVM) model. In this paper, we present the comprehensive framework, which starts from time series transformation, goes through CNN development and ends with anomaly detection. The framework is applied to field data taken during normal operation of ten SGT-800 gas turbines, operated in combined cycle, running at base load, and located in two different regions. The normal data covers 150 days of operation. Spike faults are implanted in two out of the twenty available measured variables, i.e., compressor discharge temperature and compressor discharge pressure, by considering nine combinations of maximum fault magnitude and number of implanted spikes in each time series. The analyses carried out in this paper demonstrate that both CNNs fed with images achieve significantly higher classification accuracy than both a TCN model fed with time series data and an SVM model. Moreover, the MTF method always proves more robust than GASF method, and also allows higher accuracy values, in the range from 0.85 to 0.99.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».