Применение машинного обучения для классификации степени эрозионного износа лопаточного аппарата компрессорной ступени

Аннотация

Задача прогнозирования степени эрозионного износа ступени осевого компрессора по параметрам его работы решена методами машинного обучения. Выполнен обзор актуального состояния эрозии, предложен подход к решению поставленной задачи. Разработан программный код на языке Python 3 для исследования применимости моделей и признаков. В качестве исходных данных использованы параметры работы ступени, полученные в результате численного эксперимента. Исследованы пять степеней эрозионного износа, заданные путем изменения геометрии проточной части в соответствии с известными законами его распределения. Предложены принципы формирования наборов параметров-признаков, объясняющих степень эрозионного износа. При определении степени эрозионного износа использованы простые модели машинного обучения для решения задачи классификации, из библиотеки Scikit-learn. При использовании степеней повышения давления, температуры и массового расхода через осевой компрессор лучшая точность результатов исследования составила 0,82 (максимум 1,00), при использовании параметров, которые действительно измеряются при эксплуатации, точность снижается до 0,76. Лучшие результаты показала модель случайного леса. Результаты исследования могут быть применены при разработке диагностических систем компрессоров

Работа поддержана грантом РНФ № 22-79-00169

Просьба ссылаться на эту статью следующим образом: Блинов В.Л., Дерябин Г.А., Зубков И.С. Применение машинного обучения для классификации степени эрозионного износа лопаточного аппарата компрессорной ступени. Вестник МГТУ им. Н.Э. Баумана. Сер. Машиностроение, 2023, № 4 (147), c. 88--105. DOI: https://doi.org/10.18698/0236-3941-2023-4-88-105

Литература

[1] Burnes D., Kurz R. Performance degradation effects in modern industrial gas turbines. Proc. Zurich Global Power and Propulsion Forum, 2018, pp. 3--9.

[2] Sallee G.P. Performance deterioration based on existing (historical) data. NASA report NASA-CR-135448. NASA Lewis Research Center, 1978.

[3] Блинов В.Л., Зубков И.С., Искорцев Е.Ю. и др. Особенности численного моделирования двухступенчатого осевого компрессора с дефектными лопатками. Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение, 2021, т. 20, № 4, с. 7--19. DOI: https://doi.org/10.18287/2541-7533-2021-20-4-7-19

[4] Гумеров А.В., Акмалетдинов Р.Г. Моделирование эрозионного износа лопатки компрессора. Вестник самарского государственного аэрокосмического университета им. Академика С.П. Королёва, 2011, № 3-2, с. 233--239.

[5] Ghenaiet A., Tan S.C., Elder R.L. Experimental investigation of axial fan erosion and performance degradation. Proc. Inst. Mech. Eng. A, 2004, vol. 218, no. 6, pp. 437--450. DOI: https://doi.org/10.1243/0957650041761900

[6] Двирник Я.В., Павленко Д.В. Оценка предельного состояния лопаток компрессора вертолетных ГТД по частоте собственных колебаний. Авиационно-космическая техника и технология, 2016, № 7, с. 79--83.

[7] Wilcox M., Kurz R., Brun K. Technology review of modern gas turbine inlet filtration systems. Int. J. Rotating Mach., 2012, vol. 2012, art. 128134. DOI: https://doi.org/10.1155/2012/128134

[8] Ефанов В.С., Прокопенко А.Н., Овчинников А.В. и др. Эрозионная стойкость лопаток компрессора вертолетных ГТД с различными типами покрытий. Вестник двигателестроения, 2017, № 1, с. 120--123.

[9] Ночовная Н.А., Никитин Я.Ю. Современное состояние вопроса в области очистки проточной части компрессора ГТД от эксплуатационных загрязнений (обзор). Труды ВИАМ, 2017, № 3. DOI: https://dx.doi.org/10.18577/2307-6046-2017-0-3-5-5

[10] Liu Y., Ravichandran R., Chen K., et. al. Application of machine learning to solid particle erosion of aps-TBC and EB-PVD TBC at elevated temperatures. Coatings, 2021, vol. 11, no. 7, art. 845. DOI: https://doi.org/10.3390/coatings11070845

[11] Bahrainian S., Bakhshesh M., Hajidavalloo E., et al. A novel approach for solid particle erosion prediction based on Gaussian Process Regression. Wear, 2020, vol. 466--467, art. 203549. DOI: https://doi.org/10.1016/j.wear.2020.203549

[12] Zahedi P., Parvandeh S., Asgharpour A., et al. Random forest regression prediction of solid particle Erosion in elbows. Powder Technol., 2018, vol. 338, pp. 983--992. DOI: https://doi.org/10.1016/j.powtec.2018.07.055

[13] Giorgi M.G., Campilongo S., Ficarella A. A diagnostics tool for aero-engines health monitoring using machine learning technique. Energy Procedia, 2018, vol. 148, pp. 860--867. DOI: https://doi.org/10.1016/j.egypro.2018.08.109

[14] Chai T., Draxler R.R. Root mean square error (RMSE) or mean absolute error (MAE)? --- arguments against avoiding RMSE in the literature. Geosci. Model Dev., 2014, vol. 7, no. 3, pp. 1247--1250. DOI: https://doi.org/10.5194/gmd-7-1247-2014

[15] Joshuva A., Sugumaran V. A machine learning approach for condition monitoring of wind turbine blade using autoregressive moving average (ARMA) features through vibration signals: a comparative study. Prog. Ind. Ecol., 2018, vol. 12, no. 1-2, pp. 14--34. DOI: https://doi.org/10.1504/PIE.2018.095867

[16] Enriquez Zarate J., Gomez Lopez M.A., Carmona Troyo J.A. Analysis and detection of erosion in wind turbine blades. Math. Comput. Appl., 2022, vol. 27, no. 1, art. 5. DOI: https://doi.org/10.3390/mca27010005

[17] Reid L., Moore R.D. Design and overall performance of four highly loaded, high-speed inlet stages for an advanced high-pressure-ratio core compressor. NASA report NASA-TP-1337. NASA Lewis Research Center, 1978.

[18] Pedregosa F., Varoquaux G., Gramfort A., et al. Scikit-learn: machine learning in Python. J. Mach. Learn. Res., 2011, vol. 12, pp. 2825--2830.

[19] Denton J.D. Lessons from rotor 37. J. of Therm. Sc., 1997, vol. 6, no. 1, pp. 1--13. DOI: https://doi.org/10.1007/s11630-997-0010-9

[20] Блинов В.Л., Дерябин Г.А., Зубков И.С. Классификация уровня эрозии проточной части изолированной ступени осевого компрессора. Энергетические системы, 2022, т. 7, № 1, с. 8--18.

[21] Dvirnyk Y., Pavlenko D., Przysowa R. Determination of serviceability limits of a turboshaft engine by the criterion of blade natural frequency and stall margin. Aerospace, 2019, vol. 6, no. 12. DOI: https://doi.org/10.3390/aerospace6120132

[22] Vogel A., Durant A., Cassiani M., et al. Simulation of volcanic ash ingestion into a large aero engine: particle--fan interactions. J. Turbomach., 2019, vol. 141, no. 1, art. 011010. DOI: https://doi.org/10.1115/1.4041464

[23] Потапов В.А., Санько А.А. Моделирование характеристик многоступенчатого осевого компрессора турбовального газотурбинного двигателя с учетом нелинейности эрозионного износа его лопаток. Научный Вестник МГТУ ГА, 2020, т. 23, № 5, с. 39--53. DOI: https://doi.org/10.26467/2079-0619-2020-23-5-39-53

[24] Lever J., Krzywinski M., Altman N. Classification evaluation. Nat. Methods, 2016, vol. 13, no. 8, pp. 603--604. DOI: https://doi.org/10.1038/nmeth.3945

[25] Han H., Guo X., Yu H. Variable selection using mean decrease accuracy and mean decrease gini based on random forest. IEEE ICSESS, 2016, pp. 219--224. DOI: https://doi.org/10.1109/ICSESS.2016.7883053

[26] Lix L.M., Keselman J.C., Keselman H.J. Consequences of assumption violations revisited: a quantitative review of alternatives to the one-way analysis of variance F test. Rev. Educ. Res., 1996, vol. 66, no. 4, pp. 579--619. DOI: https://doi.org/10.3102/00346543066004579