Development of diagnostic methods for aircraft engines using machine learning techniques

Andreou, Chrysanthi; Ανδρέου, Χρυσάνθη

dc.contributor.author	Andreou, Chrysanthi	en
dc.contributor.author	Ανδρέου, Χρυσάνθη	el
dc.date.accessioned	2025-05-30T10:10:49Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61975
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29671
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	Gas Turbines	en
dc.subject	Aircraft Engines	en
dc.subject	Diagnostics	en
dc.subject	Machine Learning	en
dc.subject	Autoencoder	en
dc.subject	Recurrent Neural Network	en
dc.subject	Αεριοστρόβιλοι	el
dc.subject	Αεροπορικοί Κινητήρες	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Κωδικοποιητής	el
dc.subject	Αναδρομικό Νευρωνικό Δίκτυο	el
dc.subject	Anomaly Detection	en
dc.subject	Ανίχνευση Σφαλμάτων	el
dc.title	Development of diagnostic methods for aircraft engines using machine learning techniques	en
dc.title	Ανάπτυξη διαγνωστικών μεθόδων αεροπορικών κινητήρων με τεχνικές μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Gas Turbine Diagnostics	en
heal.classification	Machine Learning	en
heal.dateAvailable	2026-05-29T21:00:00Z
heal.language	en
heal.access	embargo
heal.recordProvider	ntua	el
heal.publicationDate	2025-02
heal.abstract	Engine Health Management has become a pivotal domain in the operation of gas turbines, consequent to the rapid advancements in equipment manufacturing technology and the escalating cost of fuel. The evolving domain of gas turbine diagnostics has prompted the aviation industry to enhance engine availability and mitigate maintenance costs through the implementation of preventive and predictive maintenance strategies. Despite the extensive history of development in the field of diagnostics, it remains a persistent challenge due to the inherent complexity and variability of existing engines, as well as the rapid emergence of new engine types. While gas turbines have seen considerable utilization across various domains of propulsion and power generation, the operation of such sophisticated machinery is inevitably subject to failures, attributable to a range of external and other causes. A critical factor that must be considered is the impact of environmental elements, such as dust particles, smog, and high humidity, on the performance of gas path components, including the compressor and the turbine. These experience a degradation in performance that accelerates with an increase in the service time of the gas turbine. The steep development of AI did not leave the diagnostic field unaffected since significant work related to fault detection and classification was done. Despite the numerous proposed methods, the degradation of the performance of such engines is a persistent area of research. Consequently, the development of a diagnostic methodology capable of dealing with the complexity of structures as complex as these engines is essential in order to assess the state of health of the components during operation with physical degradation. The present diploma thesis endeavors to propose a machine learning-based diagnostic method, through which the degradation level of each component in a gas turbine can be assessed, with the prior knowledge of measurements obtained during operations. The employment of Recurrent Neural Networks in this context entails the translation of measurements contingent upon the availability of a particular engine into parameters that denote the health status of components. The analysis of measurements through an autoencoder is also proposed, providing a framework for the detection and correction of potential failures before mapping measurements to health status values. The thesis outlines a potential real-time monitoring scenario, aiming to estimate the health status of an operating engine in conjunction with detecting underlying faults, offering a foundation for further development of the proposed frameworks, facilitating their implementation at an industrial level.	en
heal.abstract	Η διάγνωση της κατάστασης υγείας αποτελεί καθοριστικό παράγοντα στη λειτουργία ενός αεροπορικού κινητήρα, ως απόρροια της ταχείας προόδου της κατασκευαστικής τεχνολογίας και της αυξανόμενης δαπάνης καυσίμων. Το ολοένα και εξελισσόμενο επιστημονικό πεδίο της διάγνωσης στροβιλοκινητήρων έχει οδηγήσει τη αεροπορική βιομηχανία στην υιοθέτηση στρατηγικών προληπτικής και προγνωστικής συντήρησης, με σκοπό την αύξηση της διαθεσιμότητας των κινητήρων και τη μείωση του κόστους συντήρησης. Παρά τη μακρά ιστορία έρευνας και ανάπτυξης στον τομέα της διάγνωσης κινητήρων, το πεδίο αυτό εξακολουθεί να παρουσιάζει σημαντικές προκλήσεις, λόγω της εγγενούς πολυπλοκότητας και εξέλιξης των υφιστάμενων κινητήρων, καθώς και της ταχείας εμφάνισης νέων τύπων κινητήρων. Η εφαρμογή και χρήση των κινητήρων είναι αναπόφευκτα συνδεδεμένη με βλάβες, εξαιτίας διάφορων παραγόντων. Η επίδραση του περιβάλλοντος κατά τη λειτουργία του κινητήρα αποτελεί ένα από τους πιο κρίσιμους παράγοντες προς μελέτη, εφόσον με την πάροδο χρόνου και τη χρήση, η απόδοση των συνιστωσών που τον απαρτίζουν σταδιακά φθίνει. Η γενική αυτή χειροτέρευση σχετίζεται άμεσα με τον χρόνο λειτουργίας ενός κινητήρα, συνεπώς ο ρυθμός χειροτέρευσης αυξάνει με την αύξηση χρήσης. Η ραγδαία ανάπτυξη του τομέα της Μηχανικής Μάθησης δεν άφησε ανεπηρέαστες τις διαγνωστικές μεθόδους. Ένας μεγάλος αριθμός ερευνών έχει εισάγει τεχνικές Μηχανικής Μάθησης στην ανίχνευση και κατηγοριοποίηση διαφόρων βλαβών. Ωστόσο, το πρόβλημα της γενικής χειροτέρευσης παρουσιάζει μερικές ιδιαιτερότητες, καθιστώντας το κρίσιμο προς διερεύνηση. Συνεπώς, η ανάπτυξη μιας διαγνωστικής μεθοδολογίας ικανής να αντιμετωπίσει την πολυπλοκότητα δομών τόσο σύνθετων όσο αυτοί οι κινητήρες είναι απαραίτητη προκειμένου να εκτιμηθεί η κατάσταση της υγείας των εξαρτημάτων στα πλαίσια της γενικής χειροτέρευσης. Η παρούσα διπλωματική εργασία προτείνει μια διαγνωστική μέθοδο βασισμένη στη μηχανική μάθηση, μέσω της οποίας είναι δυνατή η εκτίμηση του βαθμού υποβάθμισης κάθε εξαρτήματος ενός στροβιλοκινητήρα, αξιοποιώντας μετρήσεις που συλλέγονται κατά τη λειτουργία του. Η χρήση Recurrent Neural Networks στο πλαίσιο αυτό επιτρέπει τη μετατροπή των μετρήσεων, σε παραμέτρους που αποτυπώνουν την κατάσταση υγείας των επιμέρους συνιστωσών. Επιπλέον, προτείνει την ανάλυση των μετρήσεων μέσω Autoencoder, παρέχοντας ένα πλαίσιο για την ανίχνευση και τη διόρθωση πιθανών βλαβών, πριν από τη συσχέτιση των μετρήσεων με τις τιμές κατάστασης υγείας. Η προσέγγιση αυτή θέτει τα θεμέλια για περαιτέρω ανάπτυξη των προτεινόμενων μεθόδων, αποσκοπώντας στην εφαρμογή τους σε βιομηχανικό επίπεδο.	el
heal.advisorName	Aretakis, Nikolaos	en
heal.committeeMemberName	Giannakoglou, Kyriakos	en
heal.committeeMemberName	Aretakis, Nikolaos	en
heal.committeeMemberName	Mathioudakis, Konstantinos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Ρευστών. Εργαστήριο Θερμικών Στροβιλομηχανών	el
heal.academicPublisherID	ntua
heal.numberOfPages	123 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false
heal.fullTextAvailability	false