Ph.D. student of the Department of Mechanical Engineering, Academy of Engineering
аспирант кафедры техники и технологий транспорта, инженерная академия
Ph.D. in Technical Sciences, Professor of the Department of Transport Equipment and Technology, Academy of Engineering
кандидат технических наук, профессор кафедры техники и технологий транспорта, инженерная академия
Candidate of Technical Sciences, Associate Professor of the Department of Mechanical Engineering Technologies, Academy of Engineering
кандидат технических наук, доцент базовой кафедры машиностроительных технологий, инженерная академия
Doctor of Sciences (Techn.), Professor of the Department of Mechanics and Control Processes, Academy of Engineering
доктор технических наук, профессор кафедры механики и процессов управления, инженерная академия
Ph.D of Technical Sciences, Head of the Department of Innovation Management in Industries, Academy of Engineering
кандидат технических наук, заведующий кафедрой инновационного менеджмента в отраслях промышленности, инженерная академия
This study examines methodologies for detecting abnormalities in Combined Cycle Power Plants (CCPPs) through application of vibration signal analysis and machine learning algorithms. Models’ performances were evaluated using different key metrics. The results indicated that the Random Forest classifier, particularly in combination with ECPT data, exhibited superior performance, achieving perfect scores across all metrics. It highlights the robustness of the Random Forest algorithm when applied to ECPT data, making it the most effective approach for vibration anomaly detection. The K-NN classifier demonstrated satisfactory performance when applied to AS and BTT data, attaining accuracy scores of 0.49 and 0.52, respectively; however, it exhibited limitations in handling diverse data distributions, as reflected in its lower accuracy of 0.44 with LDV data. Both GBM and SVM performed suboptimal, with GBM achieving a maximum accuracy of 0.52 with AS data, while SVM attained the highest accuracy of 0.49 with the same technique. Findings underscore the critical importance of selecting an appropriate combination of machine learning models and vibration measurement techniques to enhance the accuracy of anomaly detection. Eventually, the Random Forest algorithm is well suited for complex datasets with varied patterns, while K-NN may serve as an efficient alternative for simpler, more uniform data.
Изучены методологии обнаружения отклонений в электростанциях комбинированного цикла посредством применения анализа сигналов вибрации и алгоритмов машинного обучения. Результаты показали, что метод случайного леса, особенно в сочетании с данными вихретоковых датчиков приближения, продемонстрировал превосходную эффективность, достигнув идеальных результатов по всем показателям. Это подчеркивает надежность алгоритма случайного леса при применении к данным вихретоковых датчиков приближения, что делает его наиболее эффективным подходом для обнаружения аномалий вибрации. Классификатор K-NN продемонстрировал удовлетворительную эффективность при применении к данным датчиков ускорения и датчики синхронизации кромки лопатки, достигнув показателей точности 0,49 и 0,52 соответственно; однако он продемонстрировал ограничения при обработке различных распределений данных, что отражено в его более низкой точности 0,44 с данными лазерных доплеровских виброметров. Машина для повышения градиента и метод опорных векторов показали неоптимальные результаты, причем машина для повышения градиента достигла максимальной точности 0,52 с данными датчиков ускорения, в то время как метод опорных векторов достиг наивысшей точности 0,49 с той же методикой. Результаты подчеркивают критическую важность выбора подходящей комбинации моделей машинного обучения и методов измерения вибрации для повышения точности обнаружения аномалий. В итоге алгоритм случайного леса хорошо подходит для сложных наборов данных с разнообразными моделями, в то время как K-NN может служить эффективной альтернативой для более простых и однородных данных.