Hydro-turbine monitoring: from self-learned equipment behavior to a single global deviation indicator - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2019

Hydro-turbine monitoring: from self-learned equipment behavior to a single global deviation indicator

James Merleau
  • Fonction : Auteur
Dominique Tapsoba
  • Fonction : Auteur
Martin Gagnon
  • Fonction : Auteur

Résumé

In large machines, the possible failures are numerous and complex events. Furthermore, monitoring a multitude of measurement points leads to an accumulation of a large amount of data, making the task of tracking the equipment even more difficult. Often, there might even be an emerging problem that can influence several indicators simultaneously without exceeding the alert level of any one of them in particular. For end-users, the proposed monitoring system acts like a black box with an alert that comes on when the equipment's behaviour changes, much like the "check engine" of a car. The behavior of the equipment is tracked by a continuously updated statistical model and it is thus possible to compare future measurements with model predictions. Both the model and measurement uncertainties are taken into account by the procedure, and the confidence level can be determined by the user and is therefore a fixed quantity. In addition, the approach combines all the individual exceedances of each indicator in a single global deviation. When an alert is raised, the individual exceedances can be used in order to determine the source of the alert. Two different examples are presented where failures occurred on hydraulic turbine-generator units: the loss of a hydraulic turbine runner cone and a breakage of a thrust bearing.
Dans les grandes machines, les modes de défaillance possibles sont nombreux et complexes. En outre, la surveillance d’une multitude de points de mesure entraîne l’accumulation d’une grande quantité de données, ce qui rend encore plus difficile la surveillance de l’équipement. Souvent, un problème émergent peut même influencer plusieurs indicateurs simultanément sans dépasser le niveau d'alerte de l'un d'entre eux en particulier. Pour les utilisateurs finaux, le système de surveillance proposé se comporte comme une boîte noire avec une alerte qui se déclenche lorsque le comportement de l'équipement change, un peu comme le témoin lumineux « service au moteur requis » dans le tableau de bord d'une voiture. Le comportement de l'équipement est suivi par un modèle statistique mis à jour en permanence. Il est donc possible de comparer les mesures futures aux prévisions du modèle. La procédure prend en compte les incertitudes relatives au modèle et aux mesures, le niveau de confiance pouvant être déterminé par l'utilisateur, il s'agit donc d'une quantité fixe. En outre, cette approche combine tous les dépassements individuels de chaque indicateur dans un seul écart global. Lorsqu'une alerte est déclenchée, les dépassements individuels peuvent être utilisés afin de déterminer la source de l'alerte. Deux exemples différents sont présentés où des défaillances se sont produites sur des groupes turbine-alternateur hydraulique: la perte d'un cône de roue de turbine hydraulique et la rupture d'un palier de butée.
Fichier principal
Vignette du fichier
Hydro-turbine monitoring_IRIS Power Conference_2019.pdf (810.21 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-02138219 , version 1 (23-05-2019)

Identifiants

  • HAL Id : hal-02138219 , version 1

Citer

François Léonard, James Merleau, Dominique Tapsoba, Martin Gagnon. Hydro-turbine monitoring: from self-learned equipment behavior to a single global deviation indicator. 22nd Iris Rotating Machine Conference, May 2019, New-Orleans, United States. ⟨hal-02138219⟩
56 Consultations
26 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More