Predictive maintenance model for planning centrifugal compressor service intervals

Abstract

This paper presents a predictive methodology for assessing the technical condition of the first stage of an industrial centrifugal compressor to optimize maintenance intervals. The approach integrates computational fluid dynamics (CFD) modelling of gas-dynamic processes within the flow path with machine learning algorithms to predict the decrease in isentropic efficiency caused by surface degradation due to increasing roughness.Numerical simulations were carried out in ANSYS CFX using a verified digital model based on the NZL design methodology, with deviations of key parameters not exceeding 1.5%. This ensured high physical fidelity and enabled the generation of synthetic training datasets. A total of 61 simulations were conducted with varying equivalent sand roughness values to emulate operational degradation corresponding to up to 13 months of service.Five forecasting models of different complexity were applied: exponential-linear regression, polynomial regression with Ridge regularization, Random Forest, Gaussian Process Regression (GPR), and XGBRegressor. Comparative analysis showed that the exponential-linear regression achieved the highest accuracy (R² up to 0.9995) and minimal divergence between training and test datasets (<0.002). Ridge regression on polynomial features demonstrated comparable performance (R² up to 0.9950), providing a balance between interpretability and accuracy.The proposed method combines CFD-based surface roughness simulation, synthetic data generation, and machine learning–based prediction of efficiency degradation. A distinctive feature of the approach is modelling degradation through equivalent sand roughness, reflecting the cumulative effect of surface wear and deposit accumulation.The results provide a foundation for developing intelligentpredictive maintenance systems for centrifugal compressors, enhancing reliability, operational stability, and energy efficiency.

Această lucrare prezintă o metodologie predictivă pentru evaluarea stării tehnice a primei etape a unui compresor centrifugal industrial pentru a optimiza intervalele de întreținere. Abordarea integrează modelarea dinamicii fluidelor computaționale (CFD) a proceselor gazodinamice din cadrul traseului de curgere cu algoritmi de învățare automată pentru a prezice scăderea eficienței izentropice cauzată dedegradarea suprafeței din cauza creșterii rugozității. Simulările numerice au fost efectuate în ANSYS CFX utilizând un model digital verificat bazat pe metodologia de proiectare NZL, cu abateri ale parametrilor cheie care nu depășesc 1,5%. Acest lucru a asigurat o fidelitate fizică ridicată și a permis generarea de seturi de date de antrenament sintetice. Un total de 61 de simulări au fost efectuate cu valori variabile ale rugozității nisipului echivalent pentru a emula degradarea operațională corespunzătoare unui interval de până la 13 luni de funcționare. Au fost aplicate cinci modele de prognoză de complexitate diferită: regresie liniară exponențială, regresie polinomială cu regularizare Ridge, Random Forest, regresie Gaussian Process (GPR) și XGBRegressor. Analiza comparativă a arătat că regresia liniară exponențială a atins cea mai mare precizie (R² până la 0,9995) și o divergență minimă între seturile de date de antrenament și cele de testare (<0,002). Regresia pe ridge-uri pe caracteristicile polinomiale a demonstrat performanțe comparabile (R² până la 0,9950), oferind un echilibru între interpretabilitate și precizie. Rezultatele oferă o bază pentru dezvoltarea de sisteme inteligente de mentenanță predictivă pentru compresoarele centrifuge, sporind fiabilitatea, stabilitatea operațională și eficiența energetică.

В статье представлено исследование методов прогнозирования технического состояния первой ступени центробежного компрессора промышленного назначения, направленное на оптимизацию периодичности технического обслуживания. Основной акцент сделан на интеграции численного моделирования газодинамических процессов в проточной части и методов машинного обучения для прогнозирования падения адиабатического КПД при деградации поверхностей вследствие роста шероховатости. Такой подход обеспечивает комплексную оценку влияния эксплуатационного износа на энергетическую эффективность оборудования.Для численного моделирования использовалась среда ANSYS CFX. Верификация по проектной методике НЗЛ показала высокую достоверность модели (отклонения параметровне более 1.5%), что позволило сформировать синтетические обучающие выборки. Серия расчётов с различными значениями эквивалентной шероховатости поверхности имитировала эксплуатационную деградацию и обеспечила построение временных рядов рабочих параметровступеникомпрессора.Проведено 61численных экспериментов при различной шероховатости поверхности проточной части, охватывающих временной диапазон деградации до 13 месяцев эксплуатации.Для прогнозирования применены пять моделейразличного уровня сложности: экспоненциально-линейная регрессия, полиномиальная регрессия с регуляризацией Ridge, ансамблевая модель Random Forest, вероятностная Gaussian Process Regression (GPR) и XGBRegressor.Сравнительный анализ продемонстрировал, что наилучшие результаты показала комбинированная экспоненциально-линейная регрессия с коэффициентом детерминации R² до 0.9995 и минимальным разрывом между обучающей и тестовой выборками менее 0.002. Второе место по точности заняла Ridge-регрессия на полиномиальных признаках (R² до 0.9950), обеспечившая оптимальный баланс между физической интерпретируемостью и точностью прогнозирования.Разработанный подход объединяет CFD-моделирование потокас учетом шероховатости, синтетическое формирование данных и машинное прогнозирование деградации КПД.Особенностью методики является моделирование деградации через эквивалентную песочную шероховатость, учитывающую комплексное влияние накопления отложений. Полученные результаты создают основу для внедрения интеллектуальных систем предиктивного обслуживания центробежных компрессоров, повышая их надёжность и энергетическую эффективность.