FAULT DIAGNOSIS USING DEEP LEARNING: APPLICATION TO GAS TURBINE

Abstract

This study presents a comprehensive investigation of fault diagnosis using deep learning techniques. It focuses on developing effective fault diagnosis methodologies, utilizing Recurrent Neural Networks (RNNs), specifically the Long Short-Term Memory (LSTM) architecture, for system modeling. Byemploying LSTM, the system can effectively capture long-term dependencies in the data, improving itsability to understand and represent complex patterns. and Conventional Neural Networks (CNNs) forfault classification. The research explores fault classification, the modeling of faulty systems, residualgeneration techniques, and the integration of modeling and classification methods. Extensiveexperimentation and validation using realistic data evaluate the proposed model-based methodology'sperformance and robustness. This work significantly contributes to the field by introducing a model-based approach that combines LSTM and CNNs. The methodology aims to improve fault diagnosisaccuracy and efficiency, enhancing operational reliability and reducing downtime in industrial systems. ------------------------------------------------------------------------------------------ تقدم هذه الدراسة تحقيقًا شاملاً لتشخيص الأعطال باستخدام تقنيات التعلم العميق. تركز الدراسة على تطوير منهجيات فعالة لتشخيصالأعطال باستخدام الشبكات العصبية المتكررة لنمذجة النظام والشبكات العصبية التكرارية لتصنيف الأعطال. يهدف البحث الى تصنيفالأعطال ونمذجة الأنظمة المعيبة وتقنيات توليد المتبقيات وتكامل أساليب النمذجة والتصنيف. يتم تقييم أداء وقوة الطريقة المقترحةللنمذجة القائمة على النموذج وذلك باستخدام تجارب وتحقق واسعة باستخدام بيانات واقعية. تساهم هذه الدراسة بشكل كبير في هذاالمجالمن خلال تقديم نهج قائم على النموذج يجمع بين الشبكات العصبية المتكررة والشبكات العصبية التكرارية. تهدف منهجية هذاالبحث إلى تحسين دقة وكفاءة تشخيص الأعطال، مما يعزز الموثوقية التشغيلية ويقلل من وقت التوقف في الأنظمة الصناعية ------------------------------------------------------------------------------------------ Cette étude présente une investigation complète du diagnostic des défauts en utilisant des techniques d'apprentissage en profondeur. Elle se concentre sur le développement de méthodologies efficaces dediagnostic des défauts en utilisant des réseaux neuronaux récurrents (RNN), plus précisémentl'architecture de mémoire à court terme à long terme (LSTM), pour la modélisation des systèmes. Enutilisant LSTM, le système peut capturer efficacement les dépendances à long terme dans les données,améliorant sa capacité à comprendre et à représenter des motifs complexes. Et les réseaux neuronauxconventionnels (CNN) pour la classification des défauts. La recherche explore la classification desdéfauts, la modélisation des systèmes défectueux, les techniques de génération de résidus etl'intégration des méthodes de modélisation et de classification. Une expérimentation et une validationapprofondies à l'aide de données réalistes évaluent les performances et la robustesse de laméthodologie proposée basée sur des modèles. Ce travail contribue de manière significative audomaine en introduisant une approche basée sur des modèles qui combine LSTM et CNN. Laméthodologie vise à améliorer la précision et l'efficacité du diagnostic des défauts, en améliorant lafiabilité opérationnelle et en réduisant les temps d'arrêt dans les systèmes industriels.