Fault detection in steam turbines using data-driven methods
No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master's thesis
Author
Date
2020-06-15
Department
Major/Subject
Control, Robotics and Autonomous Systems
Mcode
ELEC3025
Degree programme
AEE - Master’s Programme in Automation and Electrical Engineering (TS2013)
Language
en
Pages
87+6
Series
Abstract
As the digitalization advances in industry more and more data is available from the different assets of the industry, such as steam turbines. Traditionally the maintenance of the turbines has been based on schedules defined by the turbine manufacturer. These schedules can be in some cases conservative and there can be unnecessary maintenance actions. Digitalization can steer the maintenance from traditional to more value based, where the maintenance actions are based on the observed condition of the turbine. This way unnecessary maintenance actions are evited, and the resources are focused on assets that in reality require them. To shift the maintenance from the traditional to more value-based maintenance more advanced techniques and ways to evaluate the condition and the faults of the asset are required. This thesis focuses on data-driven methods on fault detection and isolation for the steam turbines and how the process measurements can be used to detect possible faults and anomalies. In this thesis the research question is can data-driven techniques be used to detect faults and anomalies in steam turbine related data and is there possible fault indicators in the steam turbine related process measurements. As a background information a short introduction to a thermal power plant, steam turbine, its main components, failure mechanisms, failures, condition monitoring and fault detection techniques is presented. The background information is based on a literature review on various steam turbine related books, standards and articles. Two unsupervised learning-based algorithms, more traditional principal components analysis and neural network based autoencoder, were developed, tested and evaluated for two large real-life datasets related to steam turbines. In the first use case both algorithms are able to detect an anomaly in the early stages of the fault and isolate it to the correct measurements using contribution plots. In the second use case both algorithms are detecting an anomaly in the process measurements, when the algorithm is evaluated on new data from two years forward of the training data. This indicates a possible degradation or change in the measurements. Based on the results of this thesis both algorithms can detect fault related anomalies from the process measurements and in some cases using contribution plots the fault related measurements can be isolated. Some problems related to the algorithms and the steam turbine data are also discussed in this thesis.Digitalisaation edetessä teollisuudessa yhä enemmän dataa on saatavilla teollisuuden eri voimavaroista, kuten höyryturbiineista. Perinteisesti höyryturbiinien kunnossapito on perustunut turbiinivalmistajien määrittelemistä aikatauluista. Nämä aikataulut voivat kuitenkin olla joissain tilanteissa konservatiivisia ja saattavat aiheuttaa tarpeettomia kunnossapitotoimenpiteitä. Digitalisaatio voi kuitenkin mahdollistaa siirtymisen kohti arvopohjaista kunnossapitoa, jossa kunnossapitotoimenpiteet perustuvat turbiinin havaittuun tilaan kuluneen ajan sijasta. Tällä tavalla ei arvoa tuottavaa kunnossapitoa yritetään välttää ja saatavilla olevat resurssit pystytään hyödyntämään niihin voimavaroihin, jotka oikeasti vaativat kunnossapitoa. Jotta tavanomaisesta kunnossapidosta voitaisiin siirtyä yhä enemmän arvopohjaiseen kunnossapitoon, tarvitaan kehittyneempiä tekniikoita ja tapoja arvioida laitteiden kuntoa sekä vikoja. Tässä diplomityössä keskitytään datapohjaisiin lähestymistapoihin, joilla voidaan havaita ja eristää höyryturbiineissa esiintyviä vikoja sekä siihen, kuinka prosesseista saatavaa mittausdataa voidaan hyödyntää vikojen ja anomalioiden tunnistamiseen. Tämän diplomityön tutkimuskysymyksiä ovat voiko datapohjaisia lähestymistapoja käyttää vikojen ja anomalioiden tunnistamiseen höyryturbiineihin liittyvästä datasta sekä onko höyryturbiineihin liittyvässä prosessidatassa mahdollisia vikaindikaattoreita. Taustatietona diplomityössä käsitellään lyhyesti lämpövoimaloita, höyryturbiineja, sen pääkomponentteja, vikamekanismeja, yleisiä vikoja, kunnonvalvonta- ja viantunnistus tekniikoita. Taustatutkimus perustuu kirjallisuuskatsaukseen, joka on tehty turbiineihin liittyvien kirjojen, julkaisujen ja standardien pohjalta. Diplomityössä implementoitiin, testattiin ja evaluoitiin kaksi ohjaamattomaan oppimiseen pohjautuvaa algoritmia, perinteisempi pääkomponenttianalyysi sekä neuroverkkoihin pohjautuva autoencoder. Näitä algoritmeja käytettiin kahteen höyryturbiineihin liittyviin laitoksista kerättyihin tietoaineistoihin vian tunnistamis- ja eristämistarkoituksessa. Ensimmäisessä tapauksessa molemmat algoritmit kykenivät tunnistamaan anomalian vian varhaisessa vaiheessa sekä eristämään sen oikeisiin mittauksiin prosessista käyttämällä kontribuutiokaavioita. Toisessa tapauksessa molemmat algoritmit tunnistivat anomalioita prosessidatasta, kun algoritmia evaluoitiin uuteen dataan kaksi vuotta eteenpäin koulutusdatasta. Tämä havainto indikoi sitä, että mittauksissa olisi havaittavissa prosessin heikentymistä tai muutosta. Diplomityön tulosten perusteella voidaan sanoa, että molempia algoritmeja voitaisiin käyttää vikoihin liittyvien anomalioiden tunnistamiseen prosessimittauksista ja joissain tapauksissa vikojen eristämiseen kontribuutiokaavioiden avulla. Työssä tunnistettiin ja keskustellaan myös algoritmeihin ja höyryturbiineiden dataan liittyvistä ongelmista.Description
Supervisor
Lehtonen, MattiThesis advisor
Mäkinen, MarkoTurunen, Matti
Keywords
steam turbine, condition monitoring, machine learning, fault detection
