REVISTA DE INGENIERIA DYNA

Palabras clave:

gas turbine, gas path, condition monitoring, artifitial neural networks, multilayer perceptron, deep learning, convolutional neural networks, engine fault diagnosis, measurement deviations, simulation software, validation testing.

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

Las turbinas de gas son la principal tecnología utilizada en la generación de electricidad en México y a nivel mundial. Por lo tanto, las técnicas capaces de mantener una alta confiabilidad de las turbinas son muy demandadas, en particular los sistemas de diagnóstico. Para diseñar el mejor sistema, este artículo selecciona el algoritmo de diagnóstico del conducto de flujo más preciso mediante la comparación de dos algoritmos que utilizan diferentes redes neuronales artificiales (RNA). El primero utiliza el Perceptrón Multicapa (PMC) y el segundo, Redes Neuronales Convolucionales profundas (RNC). Para realizar esta comparación, ambos algoritmos utilizan los mismos datos de entrada generados por un software de simulación de motores especialmente diseñado. El desarrollo de este software se inspiró en el funcionamiento del software ProDiMES. A diferencia de ProDiMES, que simula las mediciones de motores de aeronaves en cada vuelo, nuestro software genera los datos medidos en una turbina de gas estacionaria, realizando mediciones cada minuto. Esta mayor frecuencia de medición es necesaria para las RNC, ya que trabajan con una gran cantidad de información de entrada. Con esta frecuencia, se generan las variables medidas del conducto de flujo para cinco clases de falla: cuatro fallas diferentes y una clase de motor en estado sano. Para tener caracteristicas de diagnóstico sensibles a estas fallas, las variables medidas se transforman en desviaciones de medición. El vector de desviaciones de todas las variables forma un patrón que cada red reconoce. Este patrón es una entrada de red, y la clase de falla correspondiente es una salida. Ambas redes aprenden en los mismos pares múltiples de vectores de entrada y salida. Después del aprendizaje, las redes se aplican a datos de validación y prueba, y se calculan las probabilidades de diagnóstico correcto para cada red. La comparación de estas probabilidades muestra que las CNN ceden ligeramente frente al perceptrón, a pesar de la opinión común sobre el alto rendimiento de las redes convolucionales.