Gas Turbine Fault Classification Based on Machine Learning Supervised Techniques

Nurlan Batayev

2018

DOI 10.1109/icecco.2018.8634719

Достоверность данных 70 средняя

Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

Nowadays Machinery Diagnostic becomes a major part for many industrial applications. It allows to predict and prevent of breakages. An analysis of the trends in the development of power machines show that the most advanced installations can be created using gas turbine technologies. Quite justified, many energy specialists consider the XXI century - the century of gas turbine technologies. It is very important to prevent gas turbine failure. In this paper investigated machine learning classification techniques with further implementation for fault detection in gas turbine running data trends. Investigation was done for real gas compression station running parameters.