Real time machine learning system for turbomachinery performance

This thesis, mainly developed at the Italian ABB head quarter of Sesto San Giovanni (MI), is focused on the development of a real time machine learning system able to identify the actual overall performance of turbomachinery. Nowadays, turbomachines are widely used in the Oil & Gas Industry, where is required to pump a quantity of natural gas, through pipelines, at a desired pressure level and flow rate. Referring to a particular type of turbomachine, the centrifugal compressor, the life cycle analysis indicates that the energy consumption takes up to 80% of their total life costs; moreover, due to their essential role in the Oil & Gas production chain, compressors uptime is considered vital from the plant operation standpoint. To this aim, reductions of life cycle costs and uptime enhancement are key issues for compressors used in this application and, in order to satisfy these requirements, an efficient capacity control method and a real time compressor diagnostic need to be established. However, it is rather common to have inaccurate or wrong information on the compressor map and, consequently, on the performance behaviour; this lack of information makes it particularly difficult to optimize the compression system to grant an higher uptime and a more efficient operation. Hence, it is of great importance to have an up-to-date efficiency model, whose performance is monitored and whose parameters are updated if necessary. To this aim, it will be presented a new solution approach based on a learning strategy able to identify the actual compressor’s performance, based on field data, in order to use these information for advanced process control strategies, namely adaptive load sharing or compressor real time diagnostic.

Questa tesi e’ stata sviluppata presso la sede italiana di ABB a Sesto San Giovanni (MI) e riguarda lo sviluppo di un sistema di apprendimento automatico real time in grado di identificare le performance attuali di una qualsiasi turbomacchina. Al giorno d’oggi le turbomacchine sono largamente utilizzate nel settore dell’Oil & Gas, nel quale le stazioni di compressione sono atte a trasferire una certa quantita’ di gas ad una determinata pressione e con una certa portata. Riferendosi al caso di una particolare turbomacchina, il compressore centrifugo, analisi riguardanti il loro ciclo di vita hanno mostrato che il consumo energetico sfiora l’80% del loro costo totale; inoltre, dato il loro ruolo essenziale nella catena di produzione dell’Oil & Gas, il tempo di funzionamento dei compressori occupa un aspetto importante all’interno dell’economia dell’impianto e delle applicazioni in cui essi sono utilizzati. Con l’intento di riuscire a soddisfare tali requisiti, risulta opportuno utilizzare strategie di controllo avanzate e sistemi di diagnostica in tempo reale. Tuttavia, le informazioni riguardanti le mappe di compressione sono spesso poco accurate o addirittura non affidabili; di conseguenza, la mancanza di informazioni sull’andamento delle prestazioni nella regione di operativita’ del compressore rende impossibile riuscire ad ottimizzare il sistema di compressione, sopratutto per quel che concerne l’aumento dell’efficienza e del tempo di funzionamento complessivo del compressore stesso. Risulta, quindi, necessario avere un modello dell’efficienza sempre aggiornato in modo tale da monitorare costantemente le performance della turbomacchina in questione. A tal fine, verra’ presentato un nuovo algoritmo con strategia ad apprendimento, basato su dati provenienti dal campo, in grado di identificare le mappe attuali di performance del compressore. Tali informazioni possono essere successivamente utilizzate per ottenere strategie di controllo avanzate, come ad esempio la diagnostica in tempo reale del compressore e la ripartizione adattativa del carico sui piu’ compressori.