México
El objetivo de este estudio es comparar la estimación de la severidad de fallas empleando los dos enfoques principales que se utilizan para el diagnóstico de conducto de flujo en los motores de turbina de gas. El estudio empieza con la simulación de diferentes fallas de un motor por su modelo no lineal basado en física (modelo termodinámico). El primero de los enfoques usa mediciones simuladas y técnicas de identificación del sistema que estiman los parámetros de falla especiales. Ellos permiten localizar las fallas de los componentes del motor y determinar su severidad. El segundo enfoque se basa en la teoría del reconocimiento de patrones y utiliza principalmente modelos basados en datos. La clasificación de fallas necesaria para este enfoque se puede componer de patrones simulados para cada clase de falla. Con el fin de obtener resultados más seguros y generales la comparación se realizó independiente para tres diferentes clasificaciones, cada una tiene sus propios parámetros de falla. Los resultados obtenidos demuestran que en general, la exactitud del segundo enfoque es mayor que la del primero, aunque para la última clasificación las exactitudes de enfoques son comparables. La mayor dificultad que se presentó y también la mayor contribución de este trabajo fue determinar la forma de estimar la severidad en el primer enfoque. Para resolver este problema proponemos utilizar una red artificial. Otra novedad consiste en la comparación de dos enfoques principales para diagnosticar turbinas de gas en la función de estimación de la severidad de fallas. Existen muchos estudios cuyo principal objetivo es comparar diferentes técnicas del diagnóstico de las turbinas, pero ninguno de ellos compara sus capacidades de estimación de la severidad.
The objective of this study is to compare the estimation of failure severity using the two main approaches used for the diagnosis of flow duct in gas turbine engines. This study starts with the simulation of different faults of an engine by its nonlinear physics-based model (thermodynamoic model). The first approach uses simulated measurements and system identification techniques that estimate special fault parameters, which allow to localize faults and determine their severity. The second approach is based on pattern recognition theory and mainly uses data-driven models. The fault classification required for this approach can be made up of simulated patterns for each class of failure. In order to obtain safer and more general results, the comparison was carried out independently for three different classifications, each one having its own failure parameters. The results obtained show that in general the accuracy of the second approach is greater than that of the first, although for the last classification the accuracy of the approaches is comparable. The greatest difficulty that arose and also the greatest contribution of this work was determining how to estimate severity in the first approach. To solve this problem, we propose to use an artificial neural network. Another novelty is the comparison of two main approaches to diagnose gas turbines in the function of estimating the severity of failures. There are many studies whose main objective is to compare different techniques for diagnosing turbines, but none compare their severity estimation capabilities.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados