Abstract The main purpose of the present work is to propose an effective tool which allows to ensure the protection and the safety measures against the instability phenomena in a gas turbine based on the modelling of its dynamic behaviour. In order to provide an efficient diagnostic strategy for this type of rotating machine, a supervision system based on the development of artificial neural network tools is proposed in this paper. Where, the dynamic nonlinear autoregressive approach with external exogenous input NARX is used for the identification of the studied system dynamics, to monitor the vibrational dynamics of the operating turbine. This leads to establishing a solution for the different ranges of rotational speed and ensuring dynamic stability through the vibration indicators, determined by the proposed neural network approach. Also, offer a normalized mean square error on the order of 3.8414e−3 for the high-pressure turbine, 1.29152e−1 for the gas control valve and 2.12090 e-4 for the air control valve. Furthermore, it permits the vibration monitoring and efficiently extracts the essentials of dynamic model behaviour, to effectively size the operating gas turbine system. The obtained results of the application of the proposed approach on the gas turbine system presented in this paper proves its ability for the detection and the management on real-time of the eventual failures caused mainly by intrinsic vibrations. On the other side, these results prove clearly the effectiveness of the use of the artificial neural networks as a very powerful calculation tools in the modelling of complex dynamic systems.

中文翻译：

---

使用神经网络动态非线性自回归与外部外源输入建模的燃气轮机监测

摘要 目前工作的主要目的是提出一种有效的工具，该工具可以基于燃气轮机的动态行为建模来确保针对燃气轮机不稳定现象的保护和安全措施。为了为此类旋转机械提供有效的诊断策略，本文提出了一种基于人工神经网络工具开发的监督系统。其中，具有外部外源输入 NARX 的动态非线性自回归方法用于识别所研究的系统动力学，以监测运行涡轮机的振动动力学。这导致为不同的转速范围建立解决方案，并通过由所提出的神经网络方法确定的振动指标确保动态稳定性。还，为高压涡轮提供 3.8414e-3 的归一化均方误差，气体控制阀为 1.29152e-1，空气控制阀为 2.12090 e-4。此外，它允许进行振动监测并有效地提取动态模型行为的要素，从而有效地确定运行中的燃气轮机系统的大小。本文提出的方法在燃气轮机系统上的应用所获得的结果证明了其实时检测和管理主要由固有振动引起的最终故障的能力。另一方面，这些结果清楚地证明了使用人工神经网络作为复杂动态系统建模中非常强大的计算工具的有效性。8414e-3 用于高压涡轮，1.29152e-1 用于气体控制阀，2.12090 e-4 用于空气控制阀。此外，它允许进行振动监测并有效地提取动态模型行为的要素，从而有效地确定运行中的燃气轮机系统的大小。本文提出的方法在燃气轮机系统上的应用所获得的结果证明了其实时检测和管理主要由固有振动引起的最终故障的能力。另一方面，这些结果清楚地证明了使用人工神经网络作为复杂动态系统建模中非常强大的计算工具的有效性。8414e-3 用于高压涡轮，1.29152e-1 用于气体控制阀，2.12090 e-4 用于空气控制阀。此外，它允许进行振动监测并有效地提取动态模型行为的要素，从而有效地确定运行中的燃气轮机系统的大小。本文提出的方法在燃气轮机系统上的应用所获得的结果证明了其实时检测和管理主要由固有振动引起的最终故障的能力。另一方面，这些结果清楚地证明了使用人工神经网络作为复杂动态系统建模中非常强大的计算工具的有效性。它允许进行振动监测并有效地提取动态模型行为的要素，从而有效地确定运行中的燃气轮机系统的大小。本文提出的方法在燃气轮机系统上的应用所获得的结果证明了其实时检测和管理主要由固有振动引起的最终故障的能力。另一方面，这些结果清楚地证明了使用人工神经网络作为复杂动态系统建模中非常强大的计算工具的有效性。它允许进行振动监测并有效地提取动态模型行为的要素，从而有效地确定运行中的燃气轮机系统的大小。本文提出的方法在燃气轮机系统上的应用所获得的结果证明了其实时检测和管理主要由固有振动引起的最终故障的能力。另一方面，这些结果清楚地证明了使用人工神经网络作为复杂动态系统建模中非常强大的计算工具的有效性。本文提出的方法在燃气轮机系统上的应用所获得的结果证明了其实时检测和管理主要由固有振动引起的最终故障的能力。另一方面，这些结果清楚地证明了使用人工神经网络作为复杂动态系统建模中非常强大的计算工具的有效性。本文提出的方法在燃气轮机系统上的应用所获得的结果证明了其实时检测和管理主要由固有振动引起的最终故障的能力。另一方面，这些结果清楚地证明了使用人工神经网络作为复杂动态系统建模中非常强大的计算工具的有效性。