DA&AI supporting tools for gas turbine’s efficiency improvement: maintenance, operation modes and performance enhancement

Abstract

(English) Digitalization has revolutionized many industries, including the power generation sector. The availability of a vast amount of data from various systems has transformed decision-making processes in Industry. Advances in artificial intelligence and machine learning have enabled the development of sophisticated algorithms that can process large datasets and uncover patterns and insights that were previously difficult to detect. This thesis is part of a collaborative project between the Universitat Politècnica de Catalunya (UPC) and Siemens Energy (SE), aimed at creating digital tools for monitoring and improving the efficiency of industrial gas turbines used in power generation. The focus of this study is on developing maintenance-related support tools, as it is a key factor in the equipment performance as well as the cost of it is a significant expense for gas turbine operators. Maintenance is a critical process for ensuring the reliability and availability of industrial systems. Key Performance Indicators (KPIs) and soft sensors have become increasingly popular for monitoring industrial processes and predicting variables that are difficult to measure. Therefore, the main goal driving this thesis is to develop an AI-based indicator that can help assess equipment performance and recommend maintenance actions. To achieve this goal, an autoencoder-based architecture is used, incorporating several different structures and two types of autoencoder. These models are tested to determine which performs the best and is most suited to the equipment requirements. A detailed study is presented, evaluating the performance of the models using two different metrics: absolute error and Fréchet distance, combined with two time-averaging calculations: moving average and incremental window average. The results of this analysis reveal a clear drift in the model output. Moreover, further results are obtained by modifying the autoencoder structure which lead to detect significant changes in equipment performance associated with major maintenance events. Time series decomposition, wavelet transform, and clustering methods are used to further analyze the findings and obtain additional insights into gas turbine performance. The outcome derived from this study strengthen the drift detection in gas turbine performance and the identification of significant change in its behavior due to major maintenance events. This research can serve as a foundation for future studies and investigations in this area, as it has laid the groundwork for the potential development of more sophisticated and accurate models that can effectively monitor and diagnose potential issues in Siemens Energy gas turbines. This doctoral thesis contributes to reducing the gap between academia and industry by applying novel technologies and algorithms to real plant problems. It provides valuable insights and understanding of gas turbine systems and presents a framework for developing more accurate and targeted models. By leveraging the power of machine learning and advanced analytics, researchers and industry professionals can work together to improve the efficiency, reliability, and safety of gas turbines in a wide range of industrial applications.

(Català) La digitalització ha revolucionat el sector industrial. L'augment en la captura de dades i el desenvolupament en els camps de la intel·ligència artificial i l'aprenetatge automàtic han significat un canvi transformador en la forma com es prenen decisions a la indústria. Aquests avenços han permès el desenvolupament d'algorismes sofisticats que poden processar grans quantitats de dades i descobrir patrons i estructures que abans eren difícils de detectar. Aquesta tesi forma part d'un projecte de col·laboració entre la Universitat Politècnica de Catalunya (UPC) i Siemens Energy (SE), amb la idea de crear eines digitals pel seguiment i la millora de l'eficiència de les turbines de gas en aplicacions industrials. L'objectiu d'aquest estudi es centra en el desenvolupament d'eines de suport relacionades amb el manteniment, ja que és un dels factors clau en el rendiment de l'equipament i el seu cost és una despesa important per als operadors d'aquest sector. El manteniment és un procés crític per garantir la fiabilitat i disponibilitat dels sistemes industrials. Els indicadors (KPI) i els sensors digitals s'han tornat cada cop més populars per monitoritzar processos industrials i predir variables difícils de mesurar. Per tant, l'objectiu principal d'aquesta tesi és desenvolupar un indicador basat en IA que pugui ajudar a avaluar el rendiment dels equips i recomanar accions de manteniment. Per aconseguir aquest objectiu, s'utilitza una arquitectura basada en autoencoder, que incorpora estructures i tipus diversos. Aquests models s'han posat a prova per determinar quin ofereix un millor rendiment i s'adapta bé més als requisits de les màquines. Es presenta un estudi detallat, avaluant el rendiment dels models mitjançant dues mètriques diferents: l'error absolut i la distància de Fréchet, combinats amb dos càlculs de mitjana temporal: mitjana mòbil i mitjana incremental. Els resultats d'aquest anàlisis revelen una clara desviació en els resultats del model. A més, s'obtenen resultats addicionals modificant l'estructura de l'espai latent que permeten detectar canvis significatius en el rendiment de la màquina associats a esdeveniments significatius de manteniment. S'utilitzen mètodes de descomposició de sèries temporals, transformació de wavelet i d'agrupació de dades per analitzar més els resultats i obtenir informació addicional sobre el rendiment de les turbines de gas. El resultat derivat d'aquest estudi consisteix en la detecció d'una desviació en el rendiment de la màquina i la identificació de canvis significatius en el seu comportament a causa d'activitats significatives de manteniment. Aquesta investigació pot servir de base per a futurs estudis i investigacions en aquesta àrea, ja que ha assentat les bases per al desenvolupament potencial de models més sofisticats i precisos que puguin controlar i diagnosticar eficaçment problemes potencials a les turbines de gas de Siemens Energy. Aquesta tesi doctoral contribueix a reduir la diferència entre la investigació i la indústria mitjançant l'aplicació de noves tecnologies i algorismes a problemes industrials reals. També pretén aportar informació valuosa sobre el funcionament dels sistemes de turbines de gas des d'un punt de vista de dades i presenta unes eines per desenvolupar models més precisos i orientats a tasques específiques i necessàries de les turbines de gas. Aprofitant el desenvolupament de l'aprenentatge automàtic i l'anàlisi avançada, es pretén millorar l'eficiència, la fiabilitat i la seguretat d'aquestes màquines per ampli rang d'usos en aplicacions industrials.