A two-stage machine learning framework for fault detection and severity estimation in industrial gas turbines
| datacite.contributor.RelatedPerson | Σούφλας, Κωνσταντίνος | |
| datacite.contributor.RelatedPerson | Σουλιώτης, Εμμανουήλ | |
| datacite.contributor.Supervisor | Νικολαΐδης, Θεοκλής | |
| dc.contributor.author | Καλδής, Μάριος Βασίλειος | |
| dc.contributor.other | Kaldis, Marios Vasileios | |
| dc.date.accessioned | 2026-06-23T05:24:15Z | |
| dc.date.available | 2026-06-23T05:24:15Z | |
| dc.date.issued | 2026-06-22 | |
| dc.degree | masterThesis | |
| dc.description.abstract | Heavy-duty gas turbines operating in continuous power generation accumulate degradation across compressor and turbine components, making systematic fault diagnosis a necessary capability for reliable operation. This thesis develops and evaluates a two-stage machine learning diagnostic system for fault detection and severity estimation, targeting the single-shaft GE 7HA.03 gas turbine as a representative industrial platform. The thermodynamic cycle of the engine was modeled in the GasTurb trial version, under three load conditions, and a damage propagation model adapted from established NASA methodology was used to simulate three fault types: compressor fouling, turbine erosion, and their combination as a double fault. Monte Carlo sampling of ambient conditions produced a dataset spanning eight degradation severity levels across three load conditions, while multiplicative Gaussian noise was injected for data augmentation purposes. The datasets produced contained 34,560 and 2,880 operating points for training and testing, respectively. The first diagnostic stage is a selective classifier, calibrated via isotonic regression, that assigns fault class labels only when the estimated class probability exceeds a defined confidence threshold. After comparing ensemble tree-based classifiers, XGBoost was selected for its accuracy and abstention behavior at the target confidence threshold. Samples falling below this threshold are routed to Monitoring Mode for further human review. At a threshold of 0.85, the XGBoost achieved 98.6% classification accuracy on committed predictions with a coverage of 94.7%. The second stage is a Multi-Task Multilayered Perceptron regressor with two dedicated output heads. This architecture reflects the physical separation between the two fault domains and produced an aggregate R² of 0.985 and a mean absolute error of 0.156 percentage points across all four degradation parameters. Explainability analysis via SHAP and Permutation Importance confirmed that both stages rely on physically interpretable sensor signals, with attribution patterns consistent with the fault signatures identified during exploratory data analysis. Finally, robustness evaluation included testing at interpolated degradation levels, elevated sensor noise up to 100% above the training distribution, and incipient fault levels that fall within the sensor noise floor, collectively defining the conditions under which the diagnostic system operates reliably and the boundaries beyond which its performance degrades. | |
| dc.description.translatedabstract | Οι βιομηχανικοί αεριοστρόβιλοι συσσωρεύουν φθορές στα εξαρτήματα του συμπιεστή και του στροβίλου, καθιστώντας τη διάγνωση βλαβών απαραίτητη προϋπόθεση για την αξιόπιστη λειτουργία τους. Η παρούσα εργασία αναπτύσσει και αξιολογεί ένα διαγνωστικό σύστημα μηχανικής μάθησης δύο σταδίων με στόχο τον εντοπισμό βλαβών και την εκτίμηση της σοβαρότητάς τους. Η λειτουργία του κινητήρα μοντελοποιήθηκε υπό τρεις συνθήκες φόρτισης, ενώ αξιοποιήθηκε ένα μοντέλο εξέλιξης βλαβών, προσαρμοσμένο από καθιερωμένη μεθοδολογία της NASA, για την προσομοίωση τριών τύπων σφαλμάτων: ρύπανση συμπιεστή, διάβρωση στροβίλου και τον συνδυασμό τους. Η δειγματοληψία των περιβαλλοντικών συνθηκών παρήγαγε ένα σύνολο δεδομένων που καλύπτει οκτώ επίπεδα σοβαρότητας της υποβάθμισης υπό τρεις συνθήκες φόρτισης, ενώ προστέθηκε Γκαουσιανός θόρυβος για την αύξηση των δεδομένων. Συνολικά προέκυψαν 34.560 και 2.880 σημεία λειτουργίας για την εκπαίδευση και την αξιολόγηση του μοντέλου, αντίστοιχα. Το πρώτο στάδιο διάγνωσης αποτελείται από έναν επιλεκτικό ταξινομητή, ο οποίος αποδίδει κλάσεις βλαβών μόνο όταν η πιθανότητα της προβλεπόμενης κλάσης υπερβαίνει ένα καθορισμένο κατώφλι εμπιστοσύνης. Έπειτα από σύγκριση διαφόρων αλγορίθμων που βασίζονται σε δέντρα απόφασης, επιλέχθηκε ο αλγόριθμος XGBoost, χάρη στην υψηλή του ακρίβεια και τη συμπεριφορά αποχής στο επιθυμητό κατώφλι εμπιστοσύνης. Δείγματα με πιθανότητα μικρότερη από το συγκεκριμένο κατώφλι δρομολογούνται σε μια λειτουργία παρακολούθησης για περαιτέρω αξιολόγηση. Για τιμή κατωφλίου 0.85, το μοντέλο XGBoost πέτυχε ακρίβεια ταξινόμησης 98,6%, διατηρώντας το ποσοστό κάλυψης στο 94,7%. Το δεύτερο στάδιο περιλαμβάνει ένα νευρωνικό δίκτυο με ενιαίο κορμό και δύο ανεξάρτητες κεφαλές εξόδου. Η αρχιτεκτονική αυτή αντικατοπτρίζει τον φυσικό διαχωρισμό μεταξύ των δύο περιοχών σφάλματος, επιτυγχάνοντας συντελεστή R² μεγαλύτερο του 0,985 και μέσο απόλυτο σφάλμα μικρότερο από 0,156 ποσοστιαίες μονάδες και για τις τέσσερις εξόδους. Η ανάλυση εξησιμότητας μέσω των μεθόδων SHAP και Permutation Importance επιβεβαίωσε ότι και τα δύο στάδια βασίζονται σε σήματα αισθητήρων που φέρουν φυσική ερμηνεία και προέρχονται από την θερμοδυναμική των στροβιλοκινητήρων. Τέλος, η αξιολόγηση της γενίκευσης του συστήματος περιελάμβανε δοκιμές σε ενδιάμεσα επίπεδα υποβάθμισης, σε αυξημένο θόρυβο αισθητήρων, και σε πρώιμα στάδια βλαβών τα οποία συγχέονται εντός του ορίου θορύβου των αισθητήρων. Οι δοκιμές αυτές προσδιόρισαν τις συνθήκες υπό τις οποίες το διαγνωστικό σύστημα λειτουργεί αξιόπιστα, καθώς και τα όρια πέρα από τα οποία η απόδοσή του υποβαθμίζεται. | |
| dc.identifier.uri | https://hdl.handle.net/10889/32021 | |
| dc.language.iso | en | |
| dc.rights | Attribution-ShareAlike 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-sa/4.0/ | |
| dc.subject | Industrial gas turbines | |
| dc.subject | Health monitoring | |
| dc.subject | Selective classification | |
| dc.subject | Multi-task learning | |
| dc.subject | Degradation severity estimation | |
| dc.subject.alternative | Βιομηχανικός αεριοστρόβιλος | |
| dc.subject.alternative | Παρακολούθηση υγείας | |
| dc.subject.alternative | Επιλεκτική ταξινόμηση βλάβης | |
| dc.subject.alternative | Πολυδιεργασιακή μάθηση | |
| dc.subject.alternative | Εκτίμηση σοβαρότητας υποβάθμισης | |
| dc.title | A two-stage machine learning framework for fault detection and severity estimation in industrial gas turbines | |
| dc.title.alternative | Ανάπτυξη διβάθμιου συστήματος μηχανικής μάθησης για ανίχνευση βλαβών και εκτίμηση της σοβαρότητάς τους σε βιομηχανικούς αεριοστρόβιλους |