Development of a method based on Mahalanobis distance and sensitivity analysis for the identification of the causes of abnormal conditions in gas turbines

Condition Monitoring (CM) systems are used to detect the occurrence of abnormal conditions in energy production plants. They are typically based on black-box models that reconstruct the expected values of monitored signals in normal condition. Then, an abnormal condition is detected when the differences between the reconstructed and the correspondent measured signals, which are referred to as residuals, exceed a pre-set threshold. In this case, the plant operators have to decide the actions to be performed, which can range from plant shut-down, to maintenance intervention, to ignoring the detection. It is, therefore, fundamental to support plant operators in the task of identifying the reasons of the abnormal condition among its possible causes (fault diagnostics). In this work, we design a gas turbine CM system based on Mahalanobis Distance (MD). Then, we develop a methodology to support plant operators in fault diagnostics, based on the use of a semi-local sensitivity index which online quantifies the contribution of each measured signal to the residual variations. To this purpose, we consider a Derivative-based Global Sensitivity Measure (DGSM), which has been shown to be robust in presence of strong non-linearities and interaction effects among the signals. The proposed method has been applied to the analysis of the causes of abnormal conditions in an AE94.3A gas turbine. The method is shown able to distinguish abnormal conditions caused by modifications of operational conditions, which typically do not require any operator intervention, from abnormal conditions caused by turbine anomalies, which can cause the immediate turbine shut-down and consequently require an operator intervention. In this latter case, signals abnormality ranking can help plant operators in isolating the signals responsible for the anomalies and speeding up maintenance interventions.

I sistemi di Condition Monitoring (CM) vengono utilizzati per riconoscere condizioni anomale negli impianti per la produzione di energia. Sono tipicamente basati su modelli a ‘scatola nera’ che ricostruiscono i valori attesi dei segnali monitorati in condizioni normali. Una condizione anomala viene identificata quando le differenze tra i valori dei segnali ricostruiti e i corrispondenti segnali misurati, chiamati residui, superano una predeterminata soglia. In questo caso, gli operatori d’impianto devono decidere quali azioni correttive eseguire, che possono variare dallo spegnimento dell’impianto, alla programmazione di un intervento di manutenzione, fino ad ignorare l’allarme. È quindi fondamentale supportare gli operatori d’impianto nell’identificare le ragioni di un malfunzionamento tra tutte le sue possibili cause (diagnosi del guasto). Nel presente elaborato, viene sviluppato un sistema di CM per turbine a gas basato sulla Distanza di Mahalanobis (MD). Successivamente, viene sviluppata una metodologia per supportare gli operatori d’impianto nella diagnosi dei malfunzionamenti, basata sull’utilizzo di un indice di sensitività semi-locale che quantifica online il contributo di ciascun segnale misurato alla variazione dei residui. A tal fine, viene preso in considerazione una Derivative-based Global Sensitivity Measure (DGSM), che ha dimostrato di essere robusta in presenza di forti non-linearità ed effetti di interazione tra gli input. Il metodo proposto è stato applicato per analizzare le cause dei malfunzionamenti di una turbina a gas AE 94.3A. Il metodo ha mostrato di essere in grado di distinguere condizioni anomale causate da modifiche nelle condizioni operative, che tipicamente non richiedono alcun tipo di intervento, da condizioni anomale causate da un malfunzionamento della turbina, che possono causare lo spegnimento immediato della turbina e, di conseguenza, richiedono un intervento da parte dell’operatore d’impianto. In questo ultimo caso, una classifica dell’anormalità dei segnali può aiutare gli operatori d’impianto ad isolare i segnali responsabili delle anomalie e velocizzare le operazioni di manutenzione.