Artificiella neuronnät för gasturbinövervakning

Sammanfattning

Genom tillgänglig historisk driftdata från gasturbiner kan snabba, exakta, lättanvända och pålitliga modeller tas fram. Dessa modeller kan användas för övervakning av gasturbiner och assistera i en övergång från dagens tidsbaserade underhåll till ett tillståndsbaserat underhåll. För slutanvändaren innebär det, eftersom endast driftdata behövs, att de enkelt kan utveckla sina egna verktyg oberoende av tillverkaren.

Traditionellt byggs denna typ av modeller upp med fysikaliska samband för t.ex. massa, energi och impulser. Att ta fram en modell med fysikaliska samband är ofta arbetsamt och kräver sekretessbelagd information som slutanvändaren inte har tillgång till.

Forskningen har visat att genom ta fram modeller med hjälp av driftdata så kan en väldigt hög modellnoggrannhet uppnås. Vid implementering av dessa modeller i ett kraftverks datasystem kan gasturbinens prestanda övervakas i realtid. Detta kan underlätta att upptäcka fel på ett tidigt stadium och, om så behövs, stoppa gasturbinen innan större skador uppstår. För kraftverksägaren innebär detta att gasturbinens pålitlighet ökar genom att underhållsbehovet minimeras och stilleståndstiden minskar. Det innebär också att man hela tiden har ett mått på gasturbinens generella status, med avseende på t.ex. degradering, och kan utifrån det planera sina serviceintervall.

Verktyget som använts kallas artificiella neuronnät (ANN), ett samlingsnamn på ett antal algoritmer för informationsbehandling som försöker efterlikna nervcellernas funktion. Precis som riktiga nät av nervceller i en hjärna så har dessa artificiella neuronnät förmågan att lära sig. I detta fall är neuronnäten tränade att efterlikna beteendet av gasturbiner genom att introducera dem för data från riktiga gasturbiner. Efter det att ett neuronnät är upplärt så representerar det en mycket exakt modell av den gasturbin det är tränat att efterlikna.