Προβλεπτική Συντήρηση σε Θερμοηλεκτρικούς Σταθμούς Συνδυασμένου Κύκλου στο Πλαίσιο της Βιομηχανίας 4.0

Predictive Maintenance in Combined Cycle Power Plants in the Context of Industry 4.0 (Αγγλική)

  1. MSc thesis
  2. Βασαρμίδης, Νικόλαος
  3. Συστήματα Κινητού και Διάχυτου Υπολογισμού (ΣΔΥ)
  4. 08 Οκτωβρίου 2022 [2022-10-08]
  5. Ελληνικά
  6. 88
  7. Χατζημίσιος, Περικλής
  8. Στρατογιάννης, Δημήτρης | Καμέας, Αχιλλέας
  9. Προβλεπτική Συντήρηση | Predictive Maintenance | Βιομηχανία 4.0 | Industry 4.0 | Αεριοστρόβιλος | Gas Turbine | Θερμοηλεκτρικός Σταθμός Συνδυασμένου Κύκλου | Combined Cycle Power Plant
  10. 1
  11. 62
  12. Περιέχει : πίνακες, εικόνες
    • Η Βιομηχανία 4.0 αναμένεται να έχει μεγάλο αντίκτυπο στα συστήματα παραγωγής στο μέλλον και έχει προσελκύσει την προσοχή τόσο της βιομηχανίας όσο και του ακαδημαϊκού κόσμου. Στα πλαίσια του οράματος της Βιομηχανίας 4.0, η προβλεπτική συντήρηση έχει αρχίσει τα τελευταία χρόνια να εφαρμόζεται σε πυρηνικούς σταθμούς παραγωγής ενέργειας. Ακολουθώντας το παράδειγμα των πυρηνικών σταθμών, οι Θερμοηλεκτρικοί Σταθμοί Συνδυασμένου Κύκλου μπορούν να εφαρμόσουν τις τεχνικές προβλεπτικής συντήρησης σε κρίσιμα όργανα της βιομηχανικής διεργασίας αυξάνοντας την αξιοπιστία και τη διαθεσιμότητά τους και μειώνοντας το κόστος συντήρησης. Αυτή η διπλωματική εργασία προτείνει μια τεχνική, βασισμένη στη βαθιά μάθηση, για την ανίχνευση σφαλμάτων σε αρχικό στάδιο στα όργανα μέτρησης της θερμοκρασίας των καυσαερίων που υπάρχουν περιμετρικά στην έξοδο των βιομηχανικών αεριοστροβίλων. Η τεχνική περιλαμβάνει τη μοντελοποίηση του προφίλ της θερμοκρασίας των καυσαερίων, δηλαδή τη δημιουργία ενός μοντέλου για το κάθε θερμοστοιχείο και την εφαρμογή ενός φίλτρου κινητού μέσου όρου στην απόκλιση της πραγματικής από την εκτιμώμενη τιμή του μοντέλου. Η αστοχία του οργάνου ανιχνεύεται όταν η έξοδος του φίλτρου ξεπερνά το όριο ανίχνευσης. Η υλοποίηση και η αξιολόγηση της προτεινόμενης μεθόδου βασίστηκε σε δεδομένα που αντλήθηκαν από έναν Θερμοηλεκτρικό Σταθμό Συνδυασμένου Κύκλου της Ελλάδας. Τέλος, προσομοιώνοντας διάφορα είδη σφαλμάτων αποδείχθηκε η ανάγκη δημιουργίας μοντέλων που να είναι ανεξάρτητα από τις τιμές των υπόλοιπων θερμοστοιχείων καθώς και η ικανότητα της τεχνικής να ανιχνεύσει σε αρχικό στάδιο τις διάφορες αστοχίες που προκύπτουν σε αυτού του τύπου τα θερμοστοιχεία.
    • Industry 4.0 is expected to have a great impact on manufacturing systems in the future and has drawn a lot of attention in both industry and academic world. During the past few years, according to the vision of Industry 4.0, predictive maintenance has been implemented in Nuclear Power Plants. Combined Cycle Power Plants can follow their example and make use of predictive maintenance techniques on critical instruments of the industrial process in order to increase their reliability and availability as well as to reduce maintenance costs. In this master thesis a fault detection technique, based on deep learning, is proposed for exhaust gas thermocouples of industrial gas turbines. In this technique, the exhaust gas temperature profile is modeled and more precisely, one model is created for each thermocouple and a moving average filter is applied on the residuals. A sensor fault is detected when the filter output exceeds the detection limit. The proposed method was implemented and evaluated with data of a Combined Cycle Power Plant of Greece. The simulation of several kinds of faults revealed the need for the models to be independent of other exhaust gas thermocouples and proved the ability of the technique to detect at an early stage the different kinds of faults of thermocouples of this type.
  14. Αναφορά Δημιουργού 4.0 Διεθνές