La operación prolongada de las unidades generadoras de energía térmica se ha convertido en una tendencia, pero las grietas en el acero de los rotores de las turbinas de gas tienen un impacto significativo en la seguridad operativa de las unidades. La falta de datos de pruebas de propagación de grietas de fatiga y la complejidad de la modelización de los modelos aleatorios limitan la predicción de la vida útil residual (RUL) de las grietas de fatiga. Sobre la base del análisis de los datos de pruebas de propagación de grietas y los modelos aleatorios existentes, se propuso un método para generar muestras virtuales basado en la tecnología de difusión global (MTD) con el uso de la difusión de grado de pertenencia gaussiana (GMIE), y el uso de la regresión de cuantiles esperados (ER) combinada con el modelo de red neuronal para el aprendizaje extremo (ELM) para predecir la RUL de la propagación de las grietas de fatiga. La predicción de la RUL de propagación de las grietas de fatiga en ciclos específicos se compara con las curvas de función de densidad de probabilidad (PDF) de la RUL de los métodos analíticos numéricos existentes y con las curvas de propagación de las grietas de fatiga, y el error absoluto medio porcentual (δ_(MAPE)) es del 2,78%, lo que confirma la eficacia del método propuesto y proporciona un sólido respaldo para la seguridad del sistema de rotor de turbina.

Difusión global, propagación de grietas de fatiga, VSG-ELM, predicción de la vida útil residual