Notice bibliographique
Résumé
Supervision of performance in gas turbine applications is important in order to achieve: (i) reliable operations, (ii) low heat stress in components, (iii) low fuel consumption, and (iv) efficient overhaul and maintenance.To obtain good diagnosis performance it is important to have tests which are based on models with high accuracy.A main contribution of the thesis is a systematic design procedure to construct a fault detection and isolation (FDI) system which is based on complex nonlinear models.These models are preliminary used for simulation and performance evaluations.Thus, is it possible to use these models also in the FDI-system and which model parts are necessary to consider in the test design?To fulfill the requirement of an automated design procedure, a thermodynamic gas turbine package GTLib is developed.Using the GTLib framework, a gas turbine diagnosis model is constructed where component deterioration is introduced.In the design of the test quantities, equations from the developed diagnosis models are carefully selected.These equations are then used to implement a Constant Gain Extended Kalman filter (CGEKF) based test quantity.The number of equations and variables which the test quantity is based on is significantly reduced compared to the original reference model.The test quantity is used in the FDI-system to supervise the performance and the turbine inlet temperature which is used in the controller.An evaluation is performed using experimental data from a gas turbine site.The case study shows that the designed FDI-system can be used when the decision about a compressor wash is taken.When the FDI-system is augmented with more test quantities it is possible to diagnose sensor and actuator faults at the same time the performance is supervised.Slow varying sensor and actuator bias faults are difficult diagnose since they appear in a similar manner as the performance deterioration, but the FDI-system has the ability to detect these faults.Finally, the proposed model based design procedure can be considered when an FDI-system of an industrial gas turbine is constructed.iii Populärvetenskaplig sammanfattning Diagnostik och prestandaövervakning förekommer inom många industriella applikationer.Detta område är viktigt att beakta för att: (i) upprätthålla hög tillförlitlighet, (ii) undvika onödig belastning på komponenter, (iii) minimera energiförbrukningen, och (iv) effektivt kunna planera underhåll.Eftersom prestandan i en applikation oftast inte är direkt mätbar behövs metoder för att kunna skatta dessa prestandaparametrar utifrån kända mätsignaler.Detta kan vara svårt eftersom: (i) sambandet mellan mätsignaler och prestandaparametrar kan vara komplicerat, (ii) mätsignaler innehåller brus, och (iii) mätsignaler kan vara opålitliga och visa ett felaktigt värde.Dessa aspekter bör beaktas när ett diagnos-och övervakningssystem utvecklas.Eftersom många system är komplexa kan det vara nödvändigt att ha effektiva och automatiserade metoder för att skatta prestanda och bestämma diagnoser.Inom industrin finns det oftast bra modeller som används för att göra prestandaanalyser och simuleringar över olika köruppdrag.För att göra diagnostik-och övervakningsanalyser används ofta andra typer av modeller som är enklare och inte lika beräkningstunga.Dessa två områden är dock nära besläktade och ett gemensamt ramverk skulle kunna användas.Fördelarna med ett gemensamt ramverk är att: (i) endast en modell behöver underhållas, (ii) fel i komponenter och prestandadegraderingar kan bli enklare att modellera eftersom detta kan introduceras i modellen, (iii) diagnostest med en given felkänslighet kan automatiskt genereras, och (iv) diagnostesten kan sedan användas i det utvecklade diagnos-och övervakningssystemet för att bestämma möjliga diagnoser utifrån vilka test som har reagerat.I denna avhandling presenteras en automatiserad designmetodik för att på ett systematiskt sätt konstruera ett diagnos-och övervakningssystem för en industriell gasturbinapplikation där diagnosbesluten grundar sig på en fysikalisk modell.För industriella gasturbiner är viktiga parametrar att övervaka: (i) verkningsgrader i komponenter, (ii) massflöden genom komponenter, och (iii) temperaturer.En hög gasinloppstemperatur till turbinen kan medföra ökad belastning på materialet vilket leder till en förkortad livslängd.Å andra sidan ger en hög temperatur en bättre verkningsgrad.Eftersom förbränningstemperaturen inte mäts med någon sensor är det viktigt att kunna skatta den så noggrant som möjligt för att inte riskera att överskrida den tillåtna temperaturen.För att bestämma om prestandan har försämrats eller förbättrats är en möjlig lösning att bestämma avvikelsen för dessa parametrar från ett nominellt värde.Detta värde är dock inte konstant utan varierar beroende på arbetspunkt och kan därför beskrivas med en modell för det nominella fallet (vanligtvis den modell som används för prestandaanalyser).Avvikelsen för prestandaparametrarna från nominellt värde sägs, i någon mening, representera gasturbinens hälsotillstånd och kallas därför hälsoparametrar.Dessa hälsoparametrar skattas i de utvecklade diagnostesten.Det finns ett antal olika typer av industriella gasturbiner med ett brett spektrum vad gäller genererad effekt.De gasturbiner som har högst effekt används ofta för elproduktion i ett kraftverk.Eftersom dessa används för att driva en generator är rotationshastigheten konstant.Ett annat användningsområde är det s.k.mechanical drive vilket är vanligt förekommande inom olje-och gasindustrin.För denna typ av applikation används den genererade effekten för att driva en pump eller en extern kompressor för att exempelvis v vi Populärvetenskaplig sammanfattning pumpa gas i en rörledning.Flödet i gasledningen kan variera med exempelvis tid på dygnet vilket medför att det är en fördel om det går att variera effekt och rotationshastighet på den påkopplade komponenten.Detta kan uppnås genom att använda en kraftturbin som inte har någon mekanisk koppling med gasgeneratorn som driver kraftturbinen.Eftersom både effekt och rotationshastighet kan varieras bör det ställas högre krav på de modeller som används vilket även fångas upp av den föreslagna designmetodiken.Avslutningsvis utvärderas diagnos-och övervakningssystemet genom applikationsstudier där data från en gasturbinsite studeras.En av studierna fokuserar på att skatta prestandadegradering vilket kan hänföras till en nedsmutsad kompressor.Övervakningssystemet kan användas som underlag när beslut om att tvätta kompressorn fattas.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».