Modélisation de dégradation de défaillances d'une turbine à gaz à deux arbres en utilisant une approche de pronostic floue

Abstract

La haute sensibilité aux influences des conditions d’exploitation difficiles des turbines à gaz affectes le leurs rendement d’exploitation, provoquant plusieurs cas déclenchements à cause de leurs dysfonctionnement. Pour cela, des solutions prometteuses de gouvernance et de surveillance en temps réel sont proposés dans ce travail, en exploitant une méthodologie à base d'intelligence artificielle pour la prédiction des défaillances affectant une turbine à gaz MS5002C. Toute en minimisant l’influence des défaillances sur leurs performances et maintenir le fonctionnement de turbine avec un rendement optimale. D’abord, en exploitant les données de fonctionnement turbine avec un processus de collecte de données robuste, le développement de modèle de fiabilité est réalisé, correspond aux probabilités de défaillances des composantes de turbine pour suivre l’état de leur dégradation. Avec tests de validation et des comparaisons de ces modèles obtenus avec les indices de références, en assurant l’élaboration d’un plan de maintenance préventive avec des actions basée sur sa fiabilité. Puis, dans le sens d'éliminer les dysfonctionnements causés par les défaillances des composantes de turbine, une méthodologie pratique est implémenter pour l’amélioration des performances de fonctionnement basée sur la fiabilité, la disponibilité et la maintenabilité de turbine étudiée en assurant la continuité de production. En analysant le taux de défaillances des composantes de turbine inspectée sur la période 1985-2021 en terme d'entretien et d'intervention des incidents et pannes, permettant de prendre les décisions et de faire des prédiction des indices de défaillance. Afin de mieux surveiller cette turbine et de planifier des actions de maintenance préventive, des solutions intelligents ont été met en place, via l’utilisation des algorithmes de Long Term Memory (LSTM) et l’exploitation des techniques basées sur les systèmes d'inférence adaptatives combinée avec les méthodes neuro-floue (ANFIS). Dans le but de pour prolonger la durée de vie de turbine examinée ainsi pour diminuer le risque de pannes et d’assuré des performances meilleurs de turbine étudiée. A travers les résultats de différents tests d’implémentation, les outils développés permettent de maximiser leur durée d’exploitation et de production, toute en assurant une sûreté de fonctionnement maximale de turbine à gaz MS5002C.