MétaCan
Menu
← Back to cohort
Record W613907637 · doi:10.3384/diss.diva-106256

Model Based Diagnosis and Supervision of Industrial Gas Turbines

2014· book· en· W613907637 on OpenAlexaff
Emil Larsson

Bibliographic record

VenueLinköping University Electronic Press eBooks · 2014
Typebook
Languageen
FieldComputer Science
TopicModeling and Simulation Systems
Canadian institutionsEngineering Link (Canada)
FundersGKN Aerospace ServicesEnergimyndighetenLinköpings Universitet
KeywordsGas compressorEngineeringNonlinear systemKalman filterFault detection and isolationTurbineController (irrigation)Gas turbinesFault (geology)Control engineeringReliability engineeringControl theory (sociology)Computer scienceControl (management)Mechanical engineeringActuator

Abstract

fetched live from OpenAlex

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.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Methods · Consensus signal: Methods
Teacher disagreement score0.006
Threshold uncertainty score0.011

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.001
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.000
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0010.000
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0010.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.050
GPT teacher head0.217
Teacher spread0.167 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreMethods

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations16
Published2014
Admission routes1
Has abstractyes

Explore more

Same venueLinköping University Electronic Press eBooks→Same topicModeling and Simulation Systems→French-language works237,207→