Επεξεργασία δεδομένων για αποτίμηση και πρόγνωση κατάστασης αεριοστροβίλου

Δάινα, Παναγιώτα; Daina, Panagiota

dc.contributor.author	Δάινα, Παναγιώτα	el
dc.contributor.author	Daina, Panagiota	en
dc.date.accessioned	2020-11-03T09:01:54Z
dc.date.available	2020-11-03T09:01:54Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51765
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19463
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Διαγνωστική στροβιλοκινητήρων	el
dc.subject	Πρόγνωση	el
dc.subject	Αεριοστρόβιλοι	el
dc.subject	Πρόγνωση αεριοστροβίλων	el
dc.subject	Μέθοδοι πρόγνωσης	el
dc.subject	Gas turbine diagnostics	en
dc.subject	Gas turbine prognostics	en
dc.subject	Gas turbines	en
dc.subject	Forecasting methods	en
dc.subject	Forecasting	el
dc.title	Επεξεργασία δεδομένων για αποτίμηση και πρόγνωση κατάστασης αεριοστροβίλου	el
dc.title	Data processing for monitoring and forecasting of gas turbine's condition	en
dc.contributor.department	Τομέας Ρευστών- Εργαστήριο Θερμικών Στροβιλομηχανών	el
heal.type	bachelorThesis
heal.classification	Θερμικές Στροβιλομηχανές	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-06
heal.abstract	Στα πλαίσια της παρούσας διπλωματικής εργασίας χρησιμοποιούνται δεδομένα από λειτουργούντες αεριοστροβίλους με σκοπό να βρεθούν τα πιο κατάλληλα μοντέλα και οι καταλληλότερες παράμετροι που μπορούν να υποστηρίξουν μία διαδικασία επιτήρησης και πρόγνωσης κατάστασης αεριοστροβίλου. Αρχικά, έγινε βιβλιογραφική ανασκόπηση για τις διάφορες μεθόδους αποτίμησης κατάστασης και πρόβλεψης που χρησιμοποιούνται για την πρόγνωση των βλαβών στους αεριοστροβίλους. Στη συνέχεια, σε σετ δεδομένων από αεριοστρόβιλο εφαρμόζονται μοντέλα γραμμικής παλινδρόμησης. Εφαρμόζοντας γραμμικά μοντέλα παλινδρόμησης για διαφορετικές χρονικές αφετηρίες από διαφορετικό αριθμό δεδομένων, παρακολουθείται η εξέλιξη των τιμών στις κλίσεις των γραμμικών μοντέλων. Επιπλέον, δοκιμάζονται και μη γραμμικά μοντέλα παλινδρόμησης που προσομοιάζουν την φθορά στη μηχανής, με σκοπό να εξεταστεί αν με την εφαρμογή τους θα δώσουν κάποια επιπλέον δυνατότητα ως προς την επόπτευση λειτουργίας και την πρόγνωση δυσλειτουργιών σε σχέση με τα γραμμικά. Στις μεθόδους ανάλυσης δεδομένων που εφαρμόζονται είναι και η μεθοδολογία ανάλυσης χρονοσειρών Box-Jerkins στο ίδιο σετ δεδομένων που χρησιμοποιήθηκε και στα προηγούμενα κεφάλαια. Ακολουθώντας την μεθοδολογία Box-Jerkins δοκιμάζονται διάφορα μοντέλα ARIMA και κατόπιν γίνεται διαγνωστικός έλεγχος των υπολοίπων, ώστε να βρεθεί αν το κάθε μοντέλο κρίνεται κατάλληλο για πρόβλεψη. Ακόμα, παρουσιάζεται μια μέθοδος επόπτευσης λειτουργίας με την χρήση του λογισμικού Matlab, προκειμένου να μελετηθεί η ημερήσια αλληλοσυσχέτιση των μετρήσεων διαδοχικών ημερών σε σχέση με την συχνότητα των on line πλυσιμάτων. Τέλος, κάθε μέθοδος που παρουσιάστηκε στα προηγούμενα κεφάλαια δοκιμάζεται σε νέες χρονοσειρές παραμέτρων υγείας και βαθμού απόδοσης συμπιεστή από τον αεριοστρόβιλο που παρουσιάστηκε αλλά και από διαφορετικούς.	el
heal.abstract	In the context of the following diploma thesis, operating data from gas turbines are used in order to find the most suitable models and the most suitable parameters that can support a monitoring and forecasting process of a gas turbine’s condition. Primarily, an introduction to different methods of gas turbine prognostics using performance data is provided. Linear regression models are then applied to gas turbine data sets. By applying linear regression models from different number of data points, the evolution of values in the slopes is monitored. In addition, non-linear regression models that simulate degradation in gas turbines are being tested, in order to examine whether their application will provide any additional information in terms of operation monitoring and forecasting of malfunctions comparatively to the linear ones. Among the data analysis methods that are being used, is the Box-Jerkins time series analysis methodology in the same data set used in the previous chapters. Following the Box-Jerkins methodology, various ARIMA models are tested and then the residuals are being checked in order to detect if each model is suitable for prediction. Also, a condition monitoring method using Matlab software is presented, in order to study the daily correlation of the measurements of consecutive days in relation to the frequency of on line washes. Finally, each method presented in the previous chapters is tested in new time series of health parameters and compressor efficiency of different gas turbines.	en
heal.advisorName	Μαθιουδάκης, Κωνσταντίνος	el
heal.advisorName	Mathioudakis, Konstantinos	en
heal.committeeMemberName	Γιαννάκογλου, Κυριάκος	el
heal.committeeMemberName	Αρετάκης, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Ρευστών. Εργαστήριο Θερμικών Στροβιλομηχανών	el
heal.academicPublisherID	ntua
heal.numberOfPages	107 σ.	el
heal.fullTextAvailability	false