발전용 가스터빈에서의 딥러닝 기반 연소불안정 조기 진단 모델
Deep Learning-based Early Diagnosis Model of Combustion Instability in Power Generation Gas Turbines
- 주제(키워드) 도움말 연소불안정 현상 , 조기 진단 , 딥러닝 , 변분 오토인코더
- 발행기관 강릉원주대학교 일반대학원
- 지도교수 도움말 김대식
- 발행년도 2024
- 학위수여년월 2024. 8
- 학위명 석사
- 학과 및 전공 도움말 일반대학원 기계공학과
- 실제URI http://www.dcollection.net/handler/kangnung/000000011815
- UCI I804:42001-000000011815
- 본문언어 한국어
초록/요약 도움말
연소불안정 현상은 일반적으로 연소기 내부의 연소 시스템의 동적 거동이 불안정해질 때 발생하는 현상이며, 연료 조성 및 외기 조건과 같은 운전 조건의 변화에 민감하게 반응하여 발생한다. 특히, 다양한 지역에서 발전원으로 사용하는 천연가스 기반의 발전용 가스터빈 연소기에서 연소불안정 현상은 주요 모니터링 요소로 여겨지고 있다. 이 현상은 발생 자체로 연소기뿐만 아니라 주변 부품에 심각한 손상 및 파괴를 일으킬 수 있기에 이를 사전에 회피하거나 조기에 진단하여 회피할 수 있는 진단 및 제어 기술의 개발 필요하다. 본 논문에서는 발전용 가스터빈 연소기의 주 모니터링 요소인 연소불안정 현상의 발생을 조기에 진단할 수 있는 진단 모델의 개발 과정을 다루며 해당 진단 모델을 WP(Waveform Pattern)로 명명하였다. 진단 모델의 구축을 위해 본 연구에서는 딥러닝 기반의 신경망 모델 중 하나인 변분 오토인코더 모델을 활용하였다. 해당 모델을 학습하기 위해 사용한 데이터는 실제 규모 단일 캔형 연소기의 연소실 덤프면에서 계측된 동압 신호 데이터이며, 이때 별도의 전처리 과정을 통해 동압 신호가 보이는 파형의 특성을 추출하여 입력 데이터로 활용하였다. 진단 모델은 학습이 완료된 변분 오토인코더 모델의 은닉층 구조 중 인코더 층에 해당하며, 해당 층의 차원 축소 메커니즘을 활용하였다. 본 연구에서는 WP 기법과 선행 연구인 통계적 기법 간의 진단 방법의 차이 및 진단 성능을 비교하였다. WP 기법은 아직 개발 단계에 있으며 추후 연구를 통해 진단 성능과 범용성 측면에서 보완이 이루어질 예정이다.
more초록/요약 도움말
Combustion instability generally occurs when the dynamic behavior of the combustion system becomes unstable. This phenomenon reacts sensitively if there is change in operating conditions, such as variations in fuel composition or ambient conditions. Especially in power generation gas turbines, which are installed in various regions as power sources, combustion instability is considered as a major monitoring factor. This paper describes the development process of a diagnosis model capable of early diagnosing on the occurrence of combustion instability, which is a main monitoring factor of power generation gas turbine combustors. This diagnosis model is named as WP(Waveform Pattern). To construct the model, this study utilized a variational auto-encoder model, which is a deep learning-based neural network model. The data used for training the model were dynamic pressure signal data measured at the dump plane of a full-scale single can combustor. During this process, the characteristics of the waveform shown by the dynamic pressure signal were considered and used as input data through a separate preprocessing process. The diagnosis model corresponds to the encoder layer in the hidden layer structure of the variational auto-encoder model after training, utilizing the dimensionality reduction mechanism of this layer. WP developed in this study was compared with statistical methods in terms of feature capturing and diagnostic performance.
more목차 도움말
ABSTRACT ⅰ
초록 ⅱ
LIST OF TABLES ⅲ
LIST OF FIGURES ⅳ
NOMENCLATURE ⅵ
1. 서론 1
1.1. 연구 배경 1
1.1.1. 저공해․고효율 발전원 1
1.1.2. 비정상 연소 3
1.2. 연구 동향 6
1.3. 연구 목표 8
2. 연소불안정 발생 진단 9
2.1. 상태 인자 도출 9
2.1.1. 연소실 압력 변화 모니터링 9
2.1.2. 조기 진단의 필요성 10
2.2. 실시간 조기 진단 방법 11
2.2.1. 통계적 기법 11
2.2.2. 진단 성능 분석 13
2.3. 운전 데이터 기반 진단의 필요성 15
3. 데이터 기반 연소 상태 진단 모델 구축 방법 16
3.1. 동압 신호 파형의 정량화 16
3.1.1. 연소 상태에 따 른 동압 신호 파형의 특징 16
3.1.2. 통계 기반 파형 정량화 방법 18
3.2. 파형 특성 추출 방법 20
3.2.1. 신호 샘플링 20
3.2.2. 순열-패턴에 기반한 신호 분류 22
3.2.3. 중첩 패턴 병합 26
3.2.4. 특성 인자 도출 28
3.3. 신경망 모델 학습 30
3.3.1. 학습 대상 동압 신호 데이터 31
3.3.2. 학습⸱검증 데이터 분할 34
3.3.3. 변분 오토인코더 모델 구조 35
3.4. 학습 결과 37
3.4.1. 학습 성능 37
3.4.2. 압축된 특성 인자의 시각화 39
4. 데이터 기반 연소 상태 진단 방법 41
4.1. 정량화된 파형의 무질서도 41
4.1.1. 컷오프 설정 41
4.1.2. 진단 성능 42
4.2. 통계적 기법과의 비교 44
4.1.1. 진단 성능 44
4.1.2. 데이터 범용성 46
4.3. 연소기 다양성에 따른 진단 모델의 범용성 48
5. 결론 50
참고문헌 51
APPENDIX 59
감사의 말 69
