Διαγνωστική Αεριοστροβίλων με χρήση Μηχανών Διανυσμάτων Υποστήριξης (Support Vector Machines - SVM)

Abstract

Στη παρούσα διπλωματική εργασία εξετάζεται η δυνατότητα εφαρμογής των Μηχανών Διανυσμάτων Υποστήριξης (Support Vector Machines – SVM) για τη διάγνωση βλαβών συνιστωσών αεριοστροβίλων. Κατά τη λειτουργία ενός αεριοστροβίλου μπορεί να παρουσιασθεί βλάβη σε κάποια συνιστώσα του. Η βλάβη αυτή μπορεί να επιφέρει μείωση της απόδοσης της μηχανής ή ακόμα και την καταστροφή της. Ένας αεριοστρόβιλος μπορεί να παρουσιάζει διάφορες καταστάσεις λειτουργίας ανάλογα με το εάν είναι “υγιής” ή αν λειτουργεί παρουσία βλάβης, καθώς και με το μέγεθος της βλάβης. Συνεπώς είναι απαραίτητο να μπορούμε να διαπιστώσουμε τη βλάβη και το μέγεθός της έγκαιρα και αξιόπιστα. Αυτό επιτυγχάνεται με τη χρήση διαγνωστικών συστημάτων που βασίζονται σε διάφορες διαγνωστικές τεχνικές. Οι Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines – SVM) εφευρέθηκαν από τον Vapnik και αποτελούν μια μέθοδο επεξεργασίας δεδομένων με μεγάλη επιτυχία σε πληθώρα προβλημάτων ταξινόμησης. Η χρήση των SVM στην περίπτωση της ταξινόμησης καταφέρνει τον διαχωρισμό ενός ζεύγους κλάσεων από μια διαχωριστική ευθεία (ή επίπεδο ή πιο γενικά υπερεπίπεδο). Αν κάθε κατάσταση λειτουργίας ενός αεριοστροβίλου την αντιμετωπίσουμε ως μία κλάση, τότε, με τη χρήση των SVM, μπορούμε να επιτύχουμε τον διαχωρισμό τους και να κατατάσσουμε κάθε νέα εξεταζόμενη κατάσταση λειτουργίας σε μία από τις κλάσεις – καταστάσεις λειτουργίας που διαχωρίσαμε. Τα παραπάνω αποτελούν την αρχή λειτουργίας του διαγνωστικού προγράμματος που δημιουργήθηκε και εφαρμόστηκε για διάφορες καταστάσεις λειτουργίας και βλάβες συγκεκριμένου αεριοστροβίλου. Συγκεκριμένα, στη παρούσα διπλωματική αναπτύσσονται και περιγράφονται τα εξής: • Βασικές αρχές της θεωρίας των SVM. • Προτεινόμενη μεθοδολογία εφαρμογής των SVM για την διάγνωση βλαβών συνιστωσών αεριοστροβίλων. • Εφαρμογή της μεθόδου των SVM για τη διάγνωση ρεαλιστικών αεροθερμοδυναμικών βλαβών αεριοστροβίλου διπλού ρεύματος πολιτικής αεροπορίας. • Εφαρμογή της μεθόδου των SVM για τη διάγνωση πραγματικών αεροθερμοδυναμικών και μηχανικών βλαβών συμπιεστών αεριοστροβίλου. • Αξιολόγηση των διαγνωστικών δυνατοτήτων/επιδόσεων της προτεινόμενης μεθόδου των SVM, με σύγκριση των διαγνωστικών συμπερασμάτων στα οποία αυτή οδήγησε με τα αντίστοιχα συμπεράσματα ήδη υπαρχόντων διαγνωστικών μεθόδων.

This thesis examines the ability of Support Vector Machines (SVM) for fault diagnosis of gas turbine engine’s components. When operating a turbine failure may occur in any component. This damage can lead to a reduction of engine performance or even destruction. A gas turbine can operate in various conditions depending on whether the engine is "healthy" or is operating in the presence of damage. Therefore, an in time and reliable fault detection and isolation is required. This is achieved through the use of diagnostic systems, based on various diagnostic techniques. The Support Vector Machines (SVM) were invented by Vapnik and provide a data processing method with great success in many classification problems. The use of SVM in the case of classification manages to separate a pair of classes by a dividing line (or plane, or more generally hyperplane). If each mode of a gas turbine deals as a class, then, using the SVM, we can achieve separation and to classify each new test mode in one of the classes - operating modes as separate. These are the operating principles of the diagnostic program created and implemented for various modes of operation and damages for a specific gas turbine. Specifically, this mission is developed and described as follows: • Principles of SVM theory. • Proposed methodology for the application of SVM for fault diagnosis in gas turbines components. • Application of the SVM method in realistic aerothermodynamic faults of a civil aviation turbofan engine. • Application of the SVM method in actual aerothermodynamic and mechanical faults of gas turbines compressors. • Evaluation of diagnostic capabilities / performance of the proposed method of SVM, by comparison of the diagnostic results with the corresponding results of other pre-existing diagnostic methods.