Damage detection on turbomachinery with machine learning algorithm

Abstract

Bu çalışmada, turbomakinelerin parçalarındaki olası bozulmaları belirlemek için makine öğrenimi tekniklerini kullanılmıştır. Turbomakinelerde belirli aralıklarla tahribatsız muayene yöntemleri kullanılarak belirli bakım kontrolleri yapılır ve herhangi bir hasar bulunmaması halinde parçalar değiştirilmez ve bir sonraki bakım kontrolüne veya beklenmeyen bir olaya kadar bir sonraki muayene beklenmez. Bu durum insan hataları ele alındığında ölümcül sonuçlara sebep olabilir. Endüstri 4.0'ın hayatımıza entegre olduğu bu dönemde bakım işlemlerinin yapay zeka ile gerçekleştirileceği öngörülüyor. Ayrıca gelişen yapay zeka teknolojileri ve bilgisayar çözüm gücünün artmasıyla öngörüsel bakım ya da prognostic bakımın da geliştiği görülmektedir. Bu durum ele alınarak için turbomakinelerin bozulan bileşenlerini belirlemede genel olarak %96'lık bir doğruluk oranı elde eden bir makine öğrenimi algoritması classification tekniğiyle geliştirilmiştir. Böylece turbomakina bakımlarındaki insan hatasının ve bakım maaliyetlerinin azaltılması ayrıca makinenin çalıştırılmadığı sürenin de düşürülmesi amaçlanmıştır. Support Vector Machine algoritması ile çalışmadaki gaz türbininin bileşenleri olan düşük basınç kompresörü, yüksek basınç kompresörü, yanma odası, yüksek basınç türbini, düşük başınç türbininde, en az %93 en yüksek %97'lik bir doğruluk oranı başarıyla elde edilmiştir

In this study, machine learning techniques were used to identify possible failures of turbine engine components. In turbines some maintenance checks are performed at regular intervals using non-destructive testing methods and if no damage is found the parts are not replaced and the next inspection only expected at the next performance test or an unexpected event. This can have serious consequences when considering human error. During this period when Industry 4.0 is becoming a part of our lives, it is expected that maintenance activities will be performed using artificial intelligence. In addition, we note that predictive maintenance or prognostic care has improved thanks to the development of artificial intelligence technology and the increasing power of computer solutions. To address this situation, a machine learning algorithm, which generally achieves an accuracy of 96% in determining the deteriorated components of turbomachines, has been developed with the classification technique. Thus, it is aimed to reduce human error and maintenance costs in turbomachinery maintenance, as well as to reduce downtime. With the Support Vector Machine algorithm, an accuracy rate of at least 93% and the highest 97% has been successfully achieved in the low-pressure compressor, high-pressure compressor, combustion chamber, high-pressure turbine, low-pressure turbine, which are the components of the gas turbine in the study.