Centrifugal Compressor Performance Degradation Monitoring and Prediction Using Hybrid Model: Thermodynamic-Based and Artificial Intelligence. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Thesis) Murtadha_MS_Thesis_Final2_PRINT.pdf - Accepted Version Restricted to Repository staff only until 29 May 2026. Download (5MB)

Arabic Abstract

تقدم هذه الرسالة منهجًا لتقدير معدل التدهور اثناء التشغيل باستخدام تقنية مراقبة الحالة التي تدمج بين نماذج الذكاء الاصطناعي ونماذج الديناميكية الحرارية. وتُوفر حلاً للمشغلين لتقييم حالة المعدات وإيقاف التشغيل فقط عند الحاجة. تستعرض الرسالة منهجين رئيسيين: منهج التصميم المثالي الديناميكي الحراري، ومنهج التعلم الآلي المُراقب. تم إجراء مراجعة للمفاهيم النظرية للآلات التوربونية الخاصة بضواغط الطرد المركزي من أجل صياغة معادلات مثالية. تختلف مخرجات الأداء لهذه المعادلات المثالية عن الأداء الحقيقي للآلات أثناء التشغيل بسبب الظروف البيئية وفقدان الطاقة. كما تغطي الرسالة تقدير الأداء باستخدام خوارزميات التعلم الآلي المُراقب، استنادًا إلى التدريب على بيانات تاريخية واقعية. تم تنفيذ أربع خوارزميات رئيسية: الانحدار الخطي، شجرة القرار، الغابة العشوائية، والشبكة العصبية. ورغم أن خوارزميات التعلم الآلي تأخذ في الاعتبار البيانات الواقعية بما يشمل جميع الخسائر والظروف البيئية، إلا أنها تتطلب كميات ضخمة من البيانات، مما يؤدي إلى تكلفة حسابية وزمنية مرتفعة لتغطية جميع أوضاع التشغيل والمتغيرات، وهي بيانات غير متوفرة غالبًا في الأدبيات العلمية المفتوحة. لتجاوز هاتين المشكلتين، تقترح الرسالة نهجًا هجينًا يجمع بين منهجي نماذج تصميم الآلات التوربينية والتعلم الآلي المُراقب. تم استخدام أربعة مؤشرات مقارنة رئيسية لإثبات فعالية المنهج المقترح وتقييم درجات الخطأ: متوسط الخطأ المطلق (MAE)، مجموع مربعات الأخطاء (SSE)، ومجموع المربعات الكلية (SST). تم اختيار النموذج الأكثر كفاءة من حيث الأداء وتطبيقه على سيناريو تدهور مُحاكى لتقييم فعاليته. تخلص الرسالة إلى أنه حتى مع وجود معلومات محدودة عن تصميم الضاغط وبيانات تاريخية محدودة، يمكن بناء نماذج هجينة مقترحة بدقة مقبولة لتقدير التدهور.

English Abstract

This thesis introduces an online degradation rate estimation approach utilizing a condition monitoring technique that integrates Artificial Intelligence models and Thermodynamic models. It offers a solution for operation to assess the condition and stop only when it is needed. The thesis reviews two main approaches; the thermodynamic ideal design approach and supervised machine leaning approach. A review of theoretical turbomachinery concepts for centrifugal compressors was conducted to formulate ideal equations. The performance output of these ideal equations differs from real on operation machines due to environmental condition and other losses. Also, the thesis covers performance estimation using supervised machine learning algorithms, considering on real life historical data training. Four main algorithms were implemented: linear regression, Decision Tree, Random Forest, and Neural Network. Although machine learning algorithms consider real data to include all losses and environmental condition, they need huge data which leads to high computational cost and time to incorporate all operational modes and variable, which in most cases are not available in open literature. To overcome these two problems; a hybrid approach is proposed which combines both approaches of design turbomachinery models and supervised machine learning. Four primary comparison indicators were used to prove the effectiveness of proposed method and to evaluate error scores : Mean Absolute Error (MAE), Sum of Squared Errors (SSE), Sum of Squared Total (SST). The most effective model based on performance was chosen and applied to a simulated degradation scenario to assess its efficiency. The thesis concludes based on findings that even with limited information about compressor design and limited historical data, proposed hybrid models can be built with acceptable errors to estimate degradation.

Item Type:	Thesis (Masters)
Subjects:	Research > Remote Sensing Math Physics Mechanical
Department:	College of Engineering and Physics > Mechanical Engineering
Committee Advisor:	Al-Badour, Fadi A.
Committee Members:	Alsarkhi, Abdelsalam Mohammad and Saleh, Haitham Hassan and Mohammad Suleiman, Rami Khalid and Alzaydi, Ammar Ayad
Depositing User:	MURTADHA ALABDRABALREDHA (g200665420)
Date Deposited:	29 May 2025 12:25
Last Modified:	29 May 2025 12:25
URI:	http://eprints.kfupm.edu.sa/id/eprint/143508