تشخیص و پیش بینی پیشرفته برای ارزیابی ریسک موتور توربین گازی
چکیده
نظارت لحظه‌ای و یکپارچه بر سلامت موتورهای توربین گازی که می‌تواند عیوب در حال شکل‌گیری را تشخیص، طبقه‌بندی و پیش‌بینی کند در کاهش هزینه‌های تعمیرات و نگهداری و بهره‌بردارب حیاتی است، ضمن اینکه طول عمر قطعات اصلی موتور را نیز بهینه می‌کند. الگوریتم‌های آماری تشخیص حالات غیرعادی، تکنیک‌های تشخیص الگوی عیوب و مدل‌های احتمالاتی پیشرفته جهت تشخیص عیوب و خرابی سازه‌ای، عملکردی و ارتعاشی اکنون برای محیط‌های پایش لحظه‌ای در حال توسعه‌اند. یکپارچه‌سازی و پیاده‌سازی این فناوری‌های پیشرفته فرصت بسیار خوبی را فراهم می‌کند تا قابلیت‌های فعلی نظارت بر سلامت موتور و شیوه‌های مدیریت ریسک تا حد قابل‌توجهی ارتقا پیدا کنند.در این مقاله برخی فناوری‌های تشخیص و پیش‌بینی نوین ویژه‌ی تحلیل اختصاصی لحظه‌ای سنسورها، تشخیص و پیش‌بینی عملکرد غیرعادی، تشخیص عیب ارتعاشی و پیش‌بینی عیوب قطعات تشریح می‌شوند. این فناوری‌ها برای مصارف پایش و پیش‌بینی سلامت موتور توربین گازی ابداع شده‌اند که الگوریتم‌های هوشمند گوناگونی را برای ارزیابی سلامت کلی موتور، چه از لحاظ مکانیکی یا ترمودینامیکی، در بر می‌گیرند.
1) مقدمه
فرصتی عالی برای موتورهای جت‌های نظامی وجود دارد تا با بکارگیری استراتژی‌های تشخیص و پیش‌بینی مانند استراتژی‌هایی که در این مقاله معرفی می‌شوند مطمئن‌تر، قابل استفاده‌تر و تعمیر و نگهداری‌شان مقرون‌بصرفه‌تر باشد. ابداع و یکپارچه‌سازی الگوریتم‌های تشخیص و پیش‌بینی که بتوانند در یک بازه اطمینان مشخص زمان خرابی قطعات مهم موتور را پیش‌بینی کنند می‌تواند فواید بسیاری داشته باشد ازجمله:
بهبود ایمنی در استفاده و تعمیر و نگهداری موتورهای توربین گازی کاهش هزینه کلی چرخه عمر موتورها از مرحله نصب تا ازکارافتادگی
قابلیت بهینه‌سازی فواصل زمانی تعمیرات و نگهداری برای موتورهای خاص یا ناوگان موتورها و اولویت‌بندی اموری که باید حین دوره‌های تعمیرات و نگهداری برنامه‌ریزی‌شده انجام می‌شوند.
افزایش زمان آماده‌باش/قابلیت استفاده کلیه موتورهای داخل ناوگان
امکان بهره‌گیری از قضاوت مهندسی برای زمان‌بندی اقدامات تعمیر و نگهداری با فواید اقتصادی متناظری که به‌وضوح قابل تعیین باشند.
Abstract
Real-time, integrated health monitoring of gas turbine engines that can detect, classify, and predict developing engine faults is critical to reducing operating and maintenance costs while optimizing the life of critical engine components. Statistical-based anomaly detection algorithms, fault pattern recognition techniques and advanced probabilistic models for diagnosing structural, performance and vibration related faults and degradation can now be developed for real-time monitoring environments. Integration and implementation of these advanced technologies presents a great opportunity to significantly enhance current engine health monitoring capabilities and risk management practices. This paper describes some novel diagnostic and prognostic technologies for dedicated, real-time sensor analysis, performance anomaly detection and diagnosis, vibration fault detection, and component prognostics. The technologies have been developed for gas turbine engine health monitoring and prediction applications which includes an array of intelligent algorithms for assessing the total ‘health’ of an engine, both mechanically and thermodynamically.
1. INTRODUCTION
There is a great opportunity for military jet engines to become more reliable, operationally available and economically maintained through the use of enhanced diagnostic and prognostic strategies such as those presented in this paper. The development and integration of enhanced diagnostic and prognostic algorithms that can predict, within a specified confidence bound, time-to-failure of critical engine components can provide many benefits including:
Improved safety associated with operating and maintaining gas turbine engines. Reduced overall life cycle costs of engines from installation to retirement.
Ability to optimize maintenance intervals for specific engines or fleets of engines and prioritization of tasks to be performed during the planned maintenance events.
Increased up-time/availability of all engines within a fleet.
Provides engineering justification for scheduling maintenance actions with corresponding economic benefits clearly identifiable.
چکیده
فهرست محتوا
مقدمه
روش فنی
افزونه های ارتقادهنده سیستم های نظارت بر سلامت و تشخیص خرابی موتور
اعتبارسنجی و تشخیص ترکیبی سنسور
مدل های مبنای آماری تشخیص دقیق عیوب موتور
تشخیص ترکیبی الگوی عیب و تشخیص احتمالاتی خرابی موتور
آشکارسازی و تشخیص عیب ارتعاشی ارتقایافته
تحلیل پایگاه داده
مدلسازی پیش‌بینی عیوب قطعه
پیش‌بینی خرابی با استفاده از مدل‌های مبتنی بر فیزیک
نمونه‌ای از یک مدل تصادفی مبتنی بر فیزیک
نتیجه‌گیری
Abstract
TABLE OF CONTENTS
INTRODUCTION
TECHNICAL APPROACH
ENHANCEMENTS TO ENGINE HEALTH MONITORING AND DIAGNOSTIC SYSTEMS
Statistical Engine Baseline Models for Robust Fault Detection
Fused Fault Pattenz Recognition and Probabilistic Engine Diagnostics
Enhanced Vibration Fault Detection and Diagnostics
Database Analysis
COMPONENT PROGNOSTIC MODELING
Failure Prognostics using Physics-Based Models
Example of a Stochastic Physics-Based Model
CONCLUSIONS
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه