روش جديد پايش نوك پره توربين با استفاده از سنسور مايكروويو و الگوريتم كلاسه‌بندي K نزديك‌ترين همسايه (k-NN)

New Method for Monitoring of Turbine Blade Tip Using Microwave Sensor and k-Nearest Neighbor Classification Algorithm

در اين مقاله، يك سنسور مايكروويو باند k براي پايش پره توربين شبيه‌سازي و در نرم افزار CST بهينه‌سازي شده است و با استفاده از يك مدل ساده شده توربين در نرم‌افزار CST اثر قرار دادن سنسور در بدنه توربين بررسي شده است و چنانچه هر تغيير شكل در نوك تيغه و يا جابجايي در فاصله مابين نوك تيغه تا پوسته انجام گردد پارامتر پراكندگي اين سنسور تغيير مي‌كند و پارامتر پراكندگي بدست آمده از سنسور به عنوان اثر انگشت تيغه توربين تعريف مي‌شود. در اين مقاله شاخص‌هاي اندازه‌گيري مبتني بر پارامترهاي پراكندگي ميدان نزديك سنسور مايكروويو بعنوان سيستم تشخيص خرابي نوك تيغه و همچنين الگوريتم كلاسه‌بندي k-NN براي تفسير پارامترهاي پراكندگي قابل اندازه‌گيري به‌منظور تعيين مقدار خرابي بعنوان روشي جديد براي پايش پره توربين ارائه گرديده است. مزيت اين روش پايش برخط پره توربين با استخراج كامل شاخص‌هاي اندازه‌گيري ناشي از پارامترهاي پراكندگي يك پره نمونه بوده و نشان داده شده است كه روش طبقه‌بندي k-NN دقت قابل قبولي در شناسايي و تعيين مقدار فاصله نوك پره توربين از پوسته و تغيير شكل نوك پره دارد چراكه در اين روش درصد خطا مي‌تواند به زير 1.8 درصد برسد.

In this paper, a K band microwave sensor is simulated to monitoring of turbine blade and is optimized in CST software and an‎d is embedded in the turbine shell and if any change in the tip of the blade or displacement at the tip clearance, the scattering parameters of this sensor is changed and the scattering parameter obtained from the sensor mounted on the crust is defined as the turbine blade fingerprint. In this paper, the measurements indices based on scattering parameters of the near field of microwave sensor as a blade tip failure detector system as well as k-NN classification algorithm for interpreting measurable scattering parameters to determine the failure amount as a new method for monitoring of turbine blade is presented. The advantage of this method is online monitoring of turbine blades with fully extracting the measuring indices due to the scattering parameters of a sample blade and It has been shown that the k-NN classification method has an acceptable accuracy in identifying and determining the amount of tip clearance and the deformation of the blade because the error rate can be reached below 1.8% in this way.