DATA-DRIVEN METHODOLOGIES FOR THE DIAGNOSTICS AND PROGNOSTICS OF GAS TURBINE HEALTH STATE

Le turbine a gas sono uno dei componenti principali degli impianti di produzione dell’energia elettrica e dei sistemi di compressione del gas naturale. L’elevata competitività del settore energetico e la necessità di mitigare l’impatto ambientale richiedono un continuo miglioramento dell’affidabilità e dell’efficienza delle turbine a gas, che può essere perseguito grazie al monitoraggio del loro stato di salute con l’obiettivo di ottimizzarne il funzionamento e la gestione. L’implementazione di metodologie innovative per la diagnostica e la prognostica nei sistemi di monitoraggio ha portato, grazie ai progressi nelle tecnologie IoT e dall'intelligenza artificiale, a grandi miglioramenti nell’affidabilità delle turbine a gas rilevando potenziali guasti prima che influenzino il loro funzionamento. La presente tesi sviluppa, calibra e valida metodologie data-driven per la diagnostica e la prognostica di tre tipi di guasti che si possono verificare durante il funzionamento delle turbine a gas, cioè guasti ai sensori, deterioramento progressivo e guasti improvvisi. In primo luogo, la tesi tratta della diagnostica di sensori. A tal fine, si propongono metodologie basate sull’apprendimento automatico per identificare incoerenze nell’unità di misura dei dati di turbine a gas e assegnare l’unità di misura corretta. Successivamente, si presenta uno strumento diagnostico basato su filtri statistici e leggi matematiche finalizzato alla classificazione di sette diversi tipologie di guasto ai sensori. Infine, la tesi sviluppa un innovativo approccio per la diagnostica dei sensori basato su una metodologia Bayesian Hierarchical Model (BHM). La metodologia simula un sensore virtuale rappresentativo del comportamento affidabile del sensore ed esegue l’identificazione dei guasti del sensore sulla base alla deviazione tra i dati misurati e quelli previsti utilizzando un criterio di accettabilità. Successivamente, al fine di studiare il deterioramento progressivo delle turbine a gas, viene sviluppata una metodologia di prognostica basata su BHM e volta ad eseguire una previsione probabilistica delle prestazioni future della turbina a gas. La metodologia viene impiegata per eseguire previsioni sia a breve che a lungo termine, con errori di previsione nell’intervallo 0.5 - 1.0% e 0.7 - 1.5% rispettivamente per le previsioni a passo singolo e multiplo. Inoltre, la metodologia di prognostica è stata migliorata impiegando un approccio autoregressivo. Infine, viene studiato il trip di una turbina a gas come prototipo di guasto improvviso. Il trip è uno spegnimento non programmato della turbina le cui cause principali sono una riduzione della vita utile residua della macchina e una perdita di ricavi dovuta all’interruzione dell’attività. La tesi sviluppa un modello completo finalizzato alla previsione del trip, comprendente le fasi di “clustering” dei dati, “feature engineering” e lo sviluppo del modello di previsione. Si presenta una metodologia di clustering per il rilevamento automatico e la classificazione dei transitori di turbine a gas. Gli esempi di trip identificati da tale metodologia vengono successivamente impiegati per sviluppare modelli di “machine learning” finalizzati alla previsione del trip. La previsione del trip viene effettuata sviluppando anche metodologie basate su reti neurali per tenere conto delle informazioni temporali e prevedere l’evoluzione dei sintomi del trip nel tempo. I risultati dimostrano che le metodologie sviluppate possono prevedere il trip con accuratezza nel range 75 - 85%. Le metodologie presentate in questa tesi sono validate per mezzo di set di dati sperimentali relativi a turbine a gas in funzione e rappresentativi di reali scenari di guasto. La generalità ed affidabilità delle metodologie proposte sono pienamente dimostrate così come la loro idoneità per le applicazioni sul campo.

At present, gas turbines (GTs) are the backbone of both power generation plants and mechanical-drive systems. The competitiveness of the energy sector and the necessity of mitigating environmental impact require GT assets to improve their reliability and efficiency. Consequently, vast resources are being invested on monitoring the health state of GTs to maximize their operation and management. The implementation of innovative diagnostic and prognostic methodologies into health monitoring systems, favored by the advancements in computational intelligence, has led to the main enhancements in the availability and sustainability of the GTs by detecting potential problems before they impact operation. Data-driven methodologies can squeeze large amounts of information for decision-making by learning patterns from historical data in order to evaluate GT health state and predict its evolution over time. Thus, data-driven models have been increasingly adopted to perform designated tasks such as fault detection and prediction. This thesis develops, tunes, and validates several and diversified data-driven methodologies aimed at diagnosing and predicting three classes of faults occurring during GT operation, i.e., sensor faults, progressive degradation, and abrupt faults. First, the thesis addresses the diagnostics of GT sensors. To this aim, methodologies based on machine learning (ML) are designed to detect and classify label noise issues, namely unit of measure inconsistencies, occurring in GT data. A statistics-based tool aimed at the diagnostics of several types of sensor faults, e.g. spikes, bias, and trend coherence, is presented. Furthermore, the thesis also develops an innovative approach suitable for GT muti-sensors diagnostics and based on a Bayesian Hierarchical Model (BHM). The methodology simulates a virtual sensor representative of reliable sensor behavior and performs sensor fault detection based on the deviation between actual and predicted data by employing a threshold-based criterion. Then, in order to investigate GT progressive degradation, a BHM-based prognostic methodology aimed at performing a probabilistic prediction of GT future degradation is presented. The methodology is employed to perform both single- and multi- step predictions of the time evolution of power output and compressor efficiency data. The prediction errors will be demonstrated to lie in the range 0.5 - 1.0% and 0.7 - 1.5% for single- and multi- step predictions, respectively. Moreover, the prognostic methodology is improved by employing an autoregressive approach. Finally, GT trip is investigated as the “archetypal” abrupt fault. Trip is an unscheduled maneuver during which the machine abruptly shuts down from a certain operating point, thus causing a reduction of equipment remaining useful life as well as revenue loss because of business interruption. A comprehensive ML framework aimed at trip prediction is developed, by including data processing and clustering, feature engineering, and model development. A methodology for automatic detection and classification of GT transients is designed. The trip events identified by such a methodology are subsequently employed to develop ML models aimed at the prediction of trip occurrence. Ensemble models are trained and tested, fed with data transformed by means of feature engineering. Trip prediction is also addressed by developing methodologies based on deep neural networks to account for the temporal information and predict the evolution of trip symptoms over time. The results prove that the developed methodologies can timely predict GT trip with accuracy in the range 75 - 85%. The methodologies presented in this thesis are validated by means of experimental datasets collected from GTs in operation and representative of real-world scenarios. The generality of the proposed methodologies as well as their suitability for field applications are thus fully and reliably demonstrated.