Condition Monitoring Of A Gas Turbine Using Bayesian Recurrent Neural Networks.

Abstract

Degradering er et problem for gassturbiner og vil resultere i redusert effektivitet. Vedlikehold blir derfor regelmessig utført for å gjenopprette effekten. For å sikre kostnadsoptimal drift kan det være gunstig å bestemme nivået av degradering. Datadrevne metoder blir stadig mer attraktive og kan tilby flere fordeler for å overvåke degradering i en gassturbin. Denne oppgaven vil derfor presentere en metode for å måle nivå av degradering i en gassturbin med maskinlæring samt beskrive hvordan resultatene kan benyttes for å bestemme det optimale vasketidspunktet. Usikkerheten knyttet til prediksjonene vil bli evaluert med Bayesian recurrent neural networks. Med den foreslåtte metoden ble det utført to casestudier basert på et datasett fra en offshore gassturbin. Fra datasettet ble det plukket ut tre operasjonsintervall. Den første casestudien undersøkte hvordan degradering påvirker kraft, utløpstrykk i kompressor og drivstofforbruk. I den andre casestudien ble det optimale vedlikeholdstidspunktet bestemt basert på degraderingsnivået. Prosjektet har bekreftet av den foreslåtte metoden kan brukes til å bestemme nivået av degradering og at usikkerheten knyttet til prediksjonene kan gi verdifull informasjon for å vurdere riktigheten av resultatene. Til slutt, basert på nivået av degradering, ble den optimale vedlikeholdstiden for gassturbinen bestemt.

Degradation is a major issue for gas turbines and will result in reduced efficiency. Maintenance is, therefore, regularly performed to recover the performance. Monitoring the level of degradation and determining the optimal time of maintenance is vital to ensure cost-optimal operation. Data-driven approaches for determining the state of an asset are becoming an increasingly attractive approach and could provide several benefits for monitoring degradation in a gas turbine. This thesis presents a systematic methodology for measuring the level of degradation in a gas turbine with machine learning and suggests how to utilize the results to determine the optimal time of maintenance. Moreover, the uncertainty associated with the predictions will be evaluated using Bayesian recurrent neural networks. Through the proposed methods, two case studies were performed based on a dataset from an offshore gas turbine, courtesy of Equinor ASA. The first case study investigates the level of degradation in terms of power output, compressor discharge pressure, and fuel consumption for three operating intervals in the dataset. In the second case study, the optimal time of maintenance will be determined based on the reduced throughput of gas for pipeline transmission and increased fuel consumption due to performance degeneration, and maintenance downtime production loss. This thesis confirms that the proposed methodology can be used to determine the level of degradation and that the uncertainty associated with the predictions can provide valuable information to assess the correctness of the results. Finally, based on the level of degradation the optimal time of maintenance was determined.