Sviluppo di un sistema automatico per la rilevazione del problema del contatto statore-rotore nelle turbine a gas basato su un algoritmo di Machine Learning. = Development of a machine learning-based automated system for the detection of rub in gas turbines

Negli ultimi decenni si è assistito ad un aumento dell'efficienza e delle prestazioni delle turbomacchine, ottenuto attraverso la minimizzazione delle masse, delle dimensioni e delle tolleranze, l'utilizzo di materiali all'avanguardia con proprietà meccaniche e termiche di prim'ordine e l’introduzione delle più moderne tecnologie di raffreddamento e di lubrificazione. Tuttavia, il miglioramento delle prestazioni ha portato ad un compromesso in termini di affidabilità, poiché i nuovi design e le nuove tecnologie hanno reso le turbomacchine più vulnerabili ai malfunzionamenti. L’insorgenza di guasto durante il funzionamento del sistema meccanico può portare a ingenti perdite economiche e, nei casi più gravi, anche a perdite di vite umane. Per queste ragioni i programmi di manutenzione preventiva che consentano il rilevamento precoce dei guasti prima che questi possano causare un arresto o addirittura la compromissione del sistema sono sempre più importanti nell'industria odierna. La riduzione dei giochi relativi tra statore e rotore ha permesso di minimizzare le perdite di flusso all'interno delle turbine. Però questo miglioramento strutturale ha reso più probabile il verificarsi del contatto tra statore e rotore. Lo sfregamento carcassa-rotore è uno dei malfunzionamenti più comuni nelle macchine rotanti. Questo fenomeno provoca usura, surriscaldamento e variazione delle prestazioni della macchina e, se non rilevato in tempo, può anche compromettere l'intero sistema meccanico. Nella maggior parte delle turbine a gas e a vapore, lo sfregamento può essere facilmente rilevato grazie alla possibilità di installare sensori di spostamento nei supporti idrodinamici dell'albero. Tuttavia, nelle turbine a gas aeroderivate, a causa di diverse soluzioni costruttive e progettuali, collocare gli accelerometri sulla parte statorica esterna è l’unica soluzione disponibile per il monitoraggio delle condizioni di lavoro della macchina. Lo scopo di questa tesi di laurea magistrale è lo sviluppo di un programma di Machine Learning basato su un'architettura di tipo “Deep Neural Network”, per la rilevazione precoce del “rotor-casing single-point rub” in turbine a gas aeroderivate tramite accelerometri posizionati sulla carcassa, essendo questo il più delle volte l'unica soluzione disponibile per il loro monitoraggio. La rete neurale è stata addestrata solo con i dati generati da un modello numerico agli elementi finiti di una macchina rotante. Per ottimizzare il modello sono state testate diverse tipologie di elaborazione dei dati in ingresso e diverse architetture di rete e, successivamente, sono state confrontate le prestazioni di classificazione dei modelli risultanti. In fine, per valutare se il software sia in grado di generalizzare le informazioni contenute nel segnale di accelerazione, i modelli migliori sono stati provati su di un database generato con un modello sperimentale di una macchina rotativa.