ASME: Quantifying correction curve uncertainty

through empirical methods

By Christopher R. Ba ares, Thomas P. Schmitt, Evan E. Daigle and Thomas P. Winterberger, General
Electric Power & Water | Posted: Monday, September 1, 2014 12:00 am

Introduction

The accuracy of a thermal performance test is typically estimated by performing an uncertainty analysis
calculation in accordance with ASME PTC 19.1, or another code equivalent to it. The test uncertainty is a
measure of the test quality and, in many circumstances, the test setup must be designed so that the
uncertainty remains lower than test code limits and/or commercial tolerances.

Traditional uncertainty calculations have only included an estimate of the measurement uncertainties and
the propagation of those uncertainties to the test result. However, in addition to addressing measurement
uncertainties, ASME PTC 19.1 makes reference to other potential errors of method, such as the
assumptions or constants contained in the calculation routines and using an empirically derived
correlation.

Performance correction curves are utilized to correct performance to a specified set of reference
conditions so that the corrected result is independent of boundary conditions that persist during the
performance test. Many of the ASME performance test codes (PTC-22 Sections 3-3.1 and 5-5, PTC-
46 Sections 3.4.2.4 and 5.4, ASME PTC19.1 Section 5-3.5, ASME PTC6.2 Section 3-5.3., and
ISO2314 Section 7.1) recognize the potential for errors in the corrected result due to correction
methodology, and guide the user to make efforts to test in conditions that are as close to the
specified reference conditions as possible. Further, the codes state that there is an acceptable error
due to correction methodology of approximately 0.2-0.3 percent.

However the codes do not provide specific guidance on how to estimate the incremental uncertainty
levels associated with the correction methodology, and/or how to account for them either in the overall
test uncertainty or in the corrected results. This is important, since experience shows that there is potential
for errors in corrections to exceed 0.3 percent. This can happen in cases where insufficient data exist to
validate the thermodynamic models used to develop the correction curves at extreme off-rated conditions,
or as a result of the normal unit-to-unit variation and its associated impact on estimating the response of
the equipment to changes in the boundary conditions.

For the case where empirical validation via a large data set is either not possible or impractical, then when
developing the pretest uncertainty analysis, it might be technically valid for the manufacturer to include a
line item in the analysis that represents an estimate for correction curve uncertainty based on past
experience and the extent to which the test condition might deviate from the rated condition.

Case study 1 Gas turbine unit-to-unit variation

Field test data for new and clean gas turbines (n = 57) of the same hardware configuration were used to
calculate key performance metrics for the major components of the units, such as compressor efficiency
and nozzle flow characteristics. Multiplicative factors were derived to adjust the unit nominal
thermodynamic model to match the observed component performance for each unit, factoring out the
effects of boundary conditions like ambient temperature and inlet pressure loss. This results in a set of
factors whose distribution approximates the unit-to-unit variation in component performance for the fleet
relative to the model, independent of test boundary conditions.

Statistical analysis of the variation in these factors resulted in a model of typical fleet component
variations. This model of fleet variation was combined with a model of variation of ambient conditions to
create a fleet of models (n=500) with identical controls settings, each with unique thermodynamic
models, test conditions and predicted performance mimicking that of the fleet.

A multiplicative correction factor was calculated for each of the model runs by taking the ratio of the
predicted performance at the test conditions and the predicted performance at a common reference
condition using the nominal (un-modified) model, in much the same way that conventional corrections
are generated and applied. Model predictions were used to eliminate error sources inherent in the usage of
curves, such as curve-fitting error and interdependencies between corrections. For each case, the
correction factor was then applied to the observed model performance, so as to calculate corrected
performance at the reference condition in a manner consistent with that used in performance testing.

Each model in the fleet was then run a second time, at the reference conditions, to determine what the
true performance of that unit would have been at the reference conditions. The result at the reference
condition was then compared against the same models performance at the test condition, with the
correction factor applied. The difference between these two results therefore represents the difference
between the true performance of the unit at the reference condition, and the performance calculated by
correcting off-design test data back to the reference condition without accounting for the unit-specific
component behavior. By using the correction process described previously, error sources due to the use of
correction curves were eliminated, with the only remaining effect being the difference between typical
unit-to-unit variations in component performance and the model predictions used to generate the
correction factor.

Figure 1 illustrates the variation between the theoretical unit performance at reference conditions and that
calculated using the model-based correction factor.

The highlighted section in the center of the graph represents the typical code limit uncertainty band for a
PTC-22 test, for reference (approximately +/- 0.5 percent). For cases where the difference between the as-
tested ambient temperature and the reference ambient temperature are small, the correction approaches
unity and, as one would expect, the error it introduces becomes negligible.

However, as the test condition begins to vary from the reference condition, the influence of unit-to-unit
variations becomes more pronounced. For variations greater than 30F from the reference condition, the
influence of this effect eclipses that of the combined measurement uncertainty, significantly reducing the
accuracy of the test result. In other words, the error illustrated in Figure 1 represents solely the
incremental error (i.e. uncertainty) contribution from natural unit-to-unit thermodynamic variations in the
equipment components, and does not include the traditional errors associated with measurement
uncertainty.

The extent to which the uncertainty intervals need to expand in proportion to the extent to which the test
conditions deviate from the reference conditions is analogous to the manner in which most instrument
manufacturers define the nominal uncertainty (or accuracy) of an instrument to be applicable within a
specified range of conditions (such as temperature or humidity), and give a formula the user can use to
estimate the incremental additional uncertainty when usage conditions exceed the nominal range.
Similarly, in the case of a power plant thermal performance test, the uncertainty (or accuracy) accounting
needs to take into consideration the incremental additional uncertainty attributable to testing at off-
reference conditions, inclusive of correction curve interdependencies and unit-to-unit component
variations.

To statistically quantify this effect, the same process was used to correct the fleet of 500 units to a
reference condition of 59F from varying ambient temperatures in 10F increments. The resulting
variation in corrected performance from each as-tested ambient temperature was analyzed, and a
symmetrical 95 percent tolerance interval was calculated as an estimate of the uncertainty contribution
from the correction. Figure 2 illustrates the estimated effect of variation in as-tested ambient temperature
on correction uncertainty.

By combining this uncertainty estimate with that we obtain from propagation of measurement
uncertainty, a combined test uncertainty may be calculated. Figure 3 illustrates the post-test uncertainty
for a typical PTC-22 test, 0.4 percent, and the combined uncertainty when the correction uncertainty
estimate is incorporated.

The shaded area indicates the increase in test uncertainty as a result of the correction curve error.

As prior industry experience suggests, the incremental uncertainty is very small within a certain range of
test conditions, but increases dramatically as the test condition deviates more significantly from the
reference condition.

Readers should note that this analysis does not address uncertainty inherent in measuring the component
performance factors as described at the beginning of this case study. As a result, this analysis represents
an approximation of the magnitude of these effects. It is the authors assertion that the conclusion of this
case study highlights the existence of this error source, its basic characteristics, and a statistically-based
method of estimating the incremental uncertainty.

Case study #2 Gas turbine: Extreme off-rated conditions

There can be times when an additional systematic error is introduced into the corrected test results when
the actual turbine response to one or more correction variables deviates considerably from the expected
response. And similar to the random errors discussed previously, these systematic errors can grow in
magnitude in proportion to the extent of off-rated conditions found.

Recent GE test experience in Pakistan on several heavy duty gas turbines resulted in a data set that was
used to empirically adjust the frequency correction curves. The official tests were run at high ambient and
low frequency conditions, and the corrected results were noted to be higher than expected. A database of
archived GT performance behavior was then downloaded from the plant historian so that a statistically
significant amount of data could be studied across the frequency range. This data was then processed
twice, once through the full set of test corrections, including the frequency correction curve (the blue
data), and a second time without the frequency correction (the red data). See Figure 4. As shown in Figure
4, the corrected performance at significant under-frequency test conditions tended to be overstated (the
blue data is after using the expected off-frequency correction). The frequency correction was then
empirically adjusted with consensus of all parties involved, and the statistical data set was used as
validation of the empirical adjustments.

This case study exemplified the occasional need of empirically adjusting the test correction curves, when
warranted by the data, to avoid an unnecessary avoidable incremental systematic error from correction
curves.

Case study #3 Gas turbine: Correction errors in an isolated range

Another scenario that can occur is the introduction of a systematic error in the corrected result only in a
particular range of a correction variable. In these cases, the turbines operating behavior for a given
boundary condition might be characterized fairly well by the thermodynamic model in one range of
conditions and deviate in other parts of the range. Since the thermodynamic models are used to create the
correction curves, errors would be confined only to a particular range of the correction curves.

This scenario was experienced during testing of a newer model heavy duty gas turbine. It was observed
during preliminary testing of the turbine that the corrected output appeared to be overstated when test
runs were made at conditions below the reference value of one of the boundary parameters. This
prompted further analysis using the historical archived data system of a unit of similar configuration to
gather a statistically significant data set with a larger range of the correction variable of interest.
Correction curves were applied to the data to obtain corrected output performance and plotted against the
range of the variable of interest. The results can be seen in Figure 5. These data showed that the actual
turbine performance was significantly better than expected in the low range of this correction variable.

If no error in correction curves existed, the error over the range of the variable would be centered on zero.
This can be seen in the range of correction variable above the reference value (approximately 0-2
percent). However, in the correction variable range below the reference, the performance of the turbine
appeared to deviate from expected, resulting in significant positive errors in the corrected result when
using the theoretical pre-test correction curves. Similar to the previous case studies, this error increased in
proportion to deviation from the reference condition.

Case study #4 Steam turbine: Extreme off-rated conditions

ASME PTC 6 and PTC 6.2 stress the importance of testing as close to specified conditions as possible to
minimize the magnitude of corrections and error introduced by the correction methodology. Table 3-1 of
PTC 6 and Table 3-1.3.5 of PTC 6.2 list the allowable deviations between test and rated conditions.

One variable with a large sensitivity to output and a greater potential for deviation is exhaust pressure.
While PTC 6 and 6.2 list different requirements on exhaust pressure, the allowable deviations range from
0.1 to 0.5 of mercury absolute.

Figure 6 shows an exhaust pressure correction curve for a large steam unit. The solid line is the response
predicted by the steam turbine manufacturers heat balance modeling program, while the dashed line is
based on plant data measured during an operating period with controlled conditions.

While the two curves show good agreement in close proximity to rated conditions, the curves differ
significantly at the outer boundaries, illustrating the need to adhere to code requirements. While these
differences could be due to a number of reasons, including plant operation and turbine design, the best
course of action is to avoid these regions when testing.

Historically, uncertainty estimates have not been increased to account for greater deviations in exhaust
pressure. For these situations, consideration should be given to modifying plant operation to change
exhaust pressure, waiting until seasonal conditions are more favorable, or verifying the exhaust pressure
correction curve through additional testing. When none of these means are practical, PTC 6.2 indicates
that testing might be conducted while accounting for the additional uncertainty in the uncertainty analysis.

Conclusion

As noted in each major industry test code, efforts should be made by all parties to conduct the
performance test at conditions as close as possible to the reference conditions. In practice, owing to
natural effects and commercial requirements it is not always possible, nor is it always practical, to
conduct the test at conditions that would yield the lowest achievable uncertainty. It is the responsibility of
the testing organization to estimate the test uncertainty as accurately as possible, taking into account all
known contributing factors. As discussed herein, the test uncertainty should take into account not only the
contributions from measurement errors and their propagation to the corrected results, but also any
additional uncertainty contributions that might result from the correction curves or calculation
methodology. As shown in this paper, these additional incremental uncertainty contributions from
correction curves or calculation methodology can be significant and quantifiable.

Statistical means can be employed to estimate the uncertainty stemming from the combination of unit-to-
unit variations and deviations from the reference conditions. As shown herein, these can easily contribute
an additional 0.2 percent to 0.3 percent incremental test uncertainty. As noted previously, additional
analyses are warranted to refine these estimates to consider measurement uncertainty effects on the unit-
to-unit variations, to ensure contributions are not overstated when applied to the overall test uncertainty.

Furthermore, additional test uncertainty can result from limitations in correction curves when considering
interaction with control system limits. These errors can be reduced by use of model-based performance
corrections (ASME POWER2014-32184), though industry acceptance and proliferation of this
methodology has been historically limited. When a statistically significant data set exists (which is now
more common with modern plant historians and industrial Internet capabilities) the equipment supplier
can empirically adjust correction curves (or the thermodynamic model) to mitigate the impact of off-
reference test conditions, which could otherwise contribute >1 percent incremental test uncertainty.

While a traditional test uncertainty estimate for a PTC-22 code test that only considers measurement
uncertainty might yield an uncertainty estimate on the order of +/- 0.5 percent, the actual error of the test
result might be well above +/- 1.0 percent due to errors in the corrections.

Proactively recognizing and considering these error sources can improve test accuracy, thereby reducing
the risk of understating or overstating the true equipment performance. As such, it is to the benefit of all
test parties to take these incremental uncertainties into consideration when defining the test procedure
(including correction methodology) and in selecting test conditions as close as possible to the reference
conditions.
Translate

pengantar

Keakuratan uji kinerja termal biasanya diperkirakan dengan melakukan perhitungan analisis
ketidakpastian sesuai dengan ASME PTC 19.1, atau kode lain yang setara dengannya. Uji ketidakpastian
adalah ukuran kualitas uji dan, dalam banyak keadaan, pengaturan uji harus dirancang agar ketidakpastian
tetap lebih rendah dari batas kode uji dan / atau toleransi komersial.

Perhitungan ketidakpastian tradisional hanya mencakup perkiraan ketidakpastian pengukuran dan

penyebaran ketidakpastian tersebut pada hasil pengujian. Namun, selain mengatasi ketidakpastian
pengukuran, ASME PTC 19.1 membuat referensi ke kesalahan metode potensial lainnya, seperti "asumsi
atau konstanta yang terdapat dalam rutinitas perhitungan" dan "menggunakan korelasi yang diturunkan
secara empiris."

Kurva koreksi kinerja digunakan untuk memperbaiki kinerja pada beberapa kondisi referensi
tertentu sehingga hasil koreksi tidak tergantung pada kondisi batas yang bertahan selama uji
kinerja. Banyak kode uji kinerja ASME (Bagian PTC-22 Bagian 3-3.1 dan 5-5, Bagian PTC-46
3.4.2.4 dan 5.4, ASME PTC19.1 Bagian 5-3.5, ASME PTC6.2 Bagian 3-5.3, dan ISO2314 Bagian
7.1) mengenali potensi kesalahan pada hasil koreksi akibat metodologi koreksi, dan membimbing
pengguna untuk melakukan pengujian dalam kondisi yang sedekat mungkin dengan kondisi
referensi yang ditentukan. Selanjutnya, kode tersebut menyatakan bahwa ada kesalahan yang
dapat diterima akibat metodologi koreksi sekitar 0,2-0,3 persen.

Namun, kode tersebut tidak memberikan panduan spesifik tentang bagaimana memperkirakan tingkat
ketidakpastian inkremental yang terkait dengan metodologi koreksi, dan / atau bagaimana
menjelaskannya baik dalam ketidakpastian tes keseluruhan atau pada hasil yang dikoreksi. Ini penting,
karena pengalaman menunjukkan bahwa ada potensi kesalahan dalam koreksi melebihi 0,3 persen. Hal ini
dapat terjadi dalam kasus di mana data tidak mencukupi untuk memvalidasi model termodinamika yang
digunakan untuk mengembangkan kurva koreksi pada kondisi di luar batas yang ekstrim, atau sebagai
akibat dari variasi unit-ke-unit normal dan dampaknya yang terkait pada perkiraan respons dari Peralatan
untuk perubahan dalam kondisi batas.

Untuk kasus di mana validasi empiris melalui kumpulan data yang besar tidak mungkin atau tidak praktis,
maka saat mengembangkan analisis ketidakpastian pretest, secara teknis mungkin berlaku bagi produsen
untuk memasukkan item baris dalam analisis yang merupakan perkiraan ketidakpastian kurva koreksi.
Berdasarkan pengalaman masa lalu dan sejauh mana kondisi uji mungkin menyimpang dari kondisi
pengenal.

Studi kasus 1 - Variasi unit-ke-unit turbin gas

Data uji lapangan untuk turbin gas baru dan bersih (n = 57) dari konfigurasi perangkat keras yang sama
digunakan untuk menghitung metrik kinerja utama untuk komponen utama unit, seperti efisiensi aliran
kompresor dan karakteristik aliran nosel. Faktor multiplikatif diturunkan untuk menyesuaikan model
termodinamika nominal unit agar sesuai dengan kinerja komponen yang diamati untuk masing-masing
unit, mempertimbangkan efek kondisi batas seperti suhu lingkungan dan kehilangan tekanan masuk. Hal
ini menghasilkan serangkaian faktor yang distribusinya mendekati variasi unit-ke-unit dalam kinerja
komponen untuk armada relatif terhadap model, tidak tergantung pada kondisi batas uji.
Analisis statistik variasi faktor-faktor ini menghasilkan model variasi komponen armada yang khas.
Model variasi armada ini dikombinasikan dengan model variasi kondisi sekitar untuk menciptakan
"armada" model (n = 500) dengan pengaturan kontrol identik, masing-masing dengan model
termodinamika yang unik, kondisi uji dan perkiraan kinerja yang meniru armada tersebut.

Faktor koreksi multiplikatif dihitung untuk masing-masing model yang dijalankan dengan mengambil
rasio kinerja yang diprediksi pada kondisi uji dan kinerja yang diprediksi pada kondisi referensi umum
dengan menggunakan model nominal (tidak dimodifikasi), dengan cara yang sama seperti konvensional.
Koreksi dihasilkan dan diterapkan Prediksi model digunakan untuk menghilangkan sumber kesalahan
yang melekat pada penggunaan kurva, seperti kesalahan kurva dan interdependensi antara koreksi. Untuk
setiap kasus, faktor koreksi kemudian diterapkan pada kinerja model "teramati", sehingga dapat
menghitung kinerja yang dikoreksi pada kondisi referensi dengan cara yang sesuai dengan yang
digunakan dalam pengujian kinerja.

Setiap model dalam "armada" kemudian dijalankan untuk kedua kalinya, pada kondisi referensi, untuk
menentukan kinerja sesungguhnya dari unit tersebut pada kondisi referensi. Hasil pada kondisi referensi
kemudian dibandingkan terhadap kinerja model yang sama pada kondisi uji, dengan faktor koreksi
diterapkan. Perbedaan antara kedua hasil ini merupakan perbedaan antara kinerja sebenarnya unit pada
kondisi referensi, dan kinerja dihitung dengan mengoreksi data uji off-design kembali ke kondisi referensi
tanpa memperhitungkan perilaku komponen unit-spesifik. Dengan menggunakan proses koreksi yang
dijelaskan sebelumnya, sumber kesalahan karena penggunaan kurva koreksi telah dieliminasi, dengan
satu-satunya efek yang tersisa adalah perbedaan antara variasi unit-to-unit yang khas dalam kinerja
komponen dan prediksi model yang digunakan untuk menghasilkan faktor koreksi.

Gambar 1 mengilustrasikan variasi antara kinerja unit teoritis pada kondisi referensi dan yang dihitung
dengan menggunakan faktor koreksi berbasis model.

Bagian yang disorot di tengah grafik mewakili batas ketidakpastian kode label khas untuk uji PTC-22,
untuk referensi (kira-kira +/- 0,5 persen). Untuk kasus di mana perbedaan antara suhu lingkungan yang
diuji, dan suhu ambien referensi kecil, koreksi mendekati persatuan dan, seperti yang diharapkan,
kesalahan yang diperkenalkannya menjadi tidak berarti.

Namun, karena kondisi pengujian mulai bervariasi dari kondisi referensi, pengaruh variasi unit-ke-unit
menjadi lebih terasa. Untuk variasi yang lebih besar dari 30 F dari kondisi referensi, pengaruh efek ini
menggoncangkan ketidakpastian pengukuran gabungan, yang secara signifikan mengurangi keakuratan
hasil pengujian. Dengan kata lain, kesalahan yang diilustrasikan pada Gambar 1 hanya mewakili
kontribusi inkremental error (yaitu ketidakpastian) dari variasi termodinamika unit-ke-unit alami pada
komponen peralatan, dan tidak termasuk kesalahan tradisional yang terkait dengan ketidakpastian
pengukuran.

Sejauh mana interval ketidakpastian perlu diperluas sebanding dengan sejauh mana kondisi pengujian
yang menyimpang dari kondisi referensi analog dengan cara di mana kebanyakan produsen instrumen
menentukan ketidakpastian nominal (atau akurasi) instrumen yang akan diterapkan di dalam Kisaran
kondisi tertentu (seperti suhu atau kelembaban), dan berikan formula yang dapat digunakan pengguna
untuk memperkirakan ketidakpastian tambahan tambahan bila kondisi pemakaian melebihi kisaran
nominal. Demikian pula, dalam kasus uji kinerja termal pembangkit listrik, ketidakpastian (atau akurasi)
akuntansi perlu mempertimbangkan ketidakpastian tambahan tambahan yang diakibatkan oleh pengujian
pada kondisi off-reference, termasuk saling ketergantungan antara kurva koreksi dan komponen unit-ke-
unit Variasi.
Untuk mengukur secara statistik efek ini, proses yang sama digunakan untuk memperbaiki "armada" 500
unit ke kondisi referensi 59 F dari berbagai suhu lingkungan dalam kenaikan 10 F. Variasi yang
dihasilkan pada kinerja yang dikoreksi dari masing-masing suhu lingkungan yang diuji diuji, dan interval
toleransi 95 persen simetris dihitung sebagai perkiraan kontribusi ketidakpastian dari koreksi. Gambar 2
mengilustrasikan perkiraan pengaruh variasi pada suhu lingkungan yang diuji pada ketidakpastian
koreksi.

Dengan menggabungkan perkiraan ketidakpastian dengan yang kita dapatkan dari propagasi
ketidakpastian pengukuran, ketidakpastian uji gabungan dapat dihitung. Gambar 3 mengilustrasikan
ketidakpastian pasca tes untuk uji PTC-22 yang khas, 0,4 persen, dan ketidakpastian gabungan saat
estimasi ketidakpastian koreksi digabungkan.

Area yang diarsir menunjukkan peningkatan ketidakpastian uji akibat kesalahan kurva koreksi.

Seperti yang ditunjukkan oleh pengalaman industri sebelumnya, ketidakpastian inkremental sangat kecil
dalam kisaran kondisi pengujian tertentu, namun meningkat secara dramatis karena kondisi uji
menyimpang lebih signifikan dari kondisi referensi.

Pembaca harus mencatat bahwa analisis ini tidak membahas ketidakpastian yang melekat dalam
mengukur faktor kinerja komponen seperti yang dijelaskan pada awal studi kasus ini. Akibatnya, analisis
ini merupakan perkiraan besarnya efek ini. Ini adalah pernyataan penulis bahwa kesimpulan dari studi
kasus ini menyoroti adanya sumber kesalahan ini, karakteristik dasarnya, dan metode berbasis statistik
untuk memperkirakan ketidakpastian inkremental.

Studi kasus # 2 - Turbin gas: Kondisi di luar kondisi ekstrim

Ada kalanya kesalahan sistematis tambahan diperkenalkan ke hasil uji yang dikoreksi saat respons turbin
aktual terhadap satu atau lebih variabel koreksi menyimpang jauh dari respons yang diharapkan. Dan
mirip dengan kesalahan acak yang dibahas sebelumnya, kesalahan sistematik ini dapat tumbuh dalam
skala sebanding dengan tingkat kondisi di luar penilaian yang ditemukan.

Pengalaman uji GE terbaru di Pakistan pada beberapa turbin gas heavy duty menghasilkan kumpulan data
yang digunakan untuk secara empiris menyesuaikan kurva koreksi frekuensi. Tes resmi dijalankan pada
kondisi frekuensi tinggi dan rendah, dan hasil yang dikoreksi lebih tinggi dari perkiraan. Database
perilaku kinerja GT yang diarsipkan kemudian didownload dari sejarawan tanaman sehingga jumlah data
yang signifikan secara statistik dapat dipelajari di seluruh rentang frekuensi. Data ini kemudian diproses
dua kali, sekali melalui set lengkap koreksi uji, termasuk kurva koreksi frekuensi (data biru), dan kedua
kalinya tanpa koreksi frekuensi (red data). Lihat Gambar 4. Seperti ditunjukkan pada Gambar 4, kinerja
yang dikoreksi pada kondisi uji frekuensi rendah cenderung dilebih-lebihkan (data biru setelah
menggunakan koreksi frekuensi yang diharapkan). Koreksi frekuensi kemudian disesuaikan secara
empiris dengan konsensus semua pihak yang terlibat, dan kumpulan data statistik digunakan sebagai
validasi penyesuaian empiris.

Studi kasus ini menunjukkan kebutuhan sesekali untuk menyesuaikan kurva koreksi pengujian secara
empiris, bila dijamin oleh data, untuk menghindari kesalahan sistematis inkremental yang tidak perlu dari
kurva koreksi.

Studi kasus # 3 - Turbin gas: Kesalahan koreksi dalam rentang terisolasi

Skenario lain yang dapat terjadi adalah pengenalan kesalahan sistematis pada hasil koreksi hanya pada
kisaran tertentu dari variabel koreksi. Dalam kasus ini, perilaku operasi turbin untuk kondisi batas tertentu
mungkin dicirikan dengan baik oleh model termodinamika dalam satu rentang kondisi dan menyimpang
di bagian lain dari jangkauan. Karena model termodinamika digunakan untuk membuat kurva koreksi,
kesalahan hanya akan dibatasi pada rentang kurva koreksi tertentu.

Skenario ini dialami saat pengujian model turbin gas heavy duty yang lebih baru. Hal itu diamati selama
pengujian awal turbin bahwa keluaran yang dikoreksi tampak terlalu tinggi saat uji coba dilakukan pada
kondisi di bawah nilai referensi salah satu parameter batas. Hal ini mendorong dilakukannya analisis lebih
lanjut dengan menggunakan sistem data historis yang diarsipkan dari unit konfigurasi serupa untuk
mengumpulkan kumpulan data yang signifikan secara statistik dengan kisaran variabel koreksi yang lebih
besar. Kurva koreksi diterapkan pada data untuk mendapatkan kinerja keluaran yang dikoreksi dan diplot
terhadap kisaran variabel bunga. Hasilnya dapat dilihat pada Gambar 5. Data ini menunjukkan bahwa
kinerja turbin aktual jauh lebih baik dari yang diperkirakan pada kisaran rendah dari variabel koreksi ini.

Jika tidak ada kesalahan pada kurva koreksi yang ada, kesalahan pada kisaran variabel akan dipusatkan
pada nol. Hal ini dapat dilihat pada kisaran koreksi variabel diatas nilai rujukan (kurang lebih 0-2 persen).
Namun, pada kisaran variabel koreksi di bawah referensi, kinerja turbin tampak menyimpang dari yang
diharapkan, menghasilkan kesalahan positif yang signifikan pada hasil koreksi saat menggunakan kurva
koreksi pra-uji teoritis. Serupa dengan studi kasus sebelumnya, kesalahan ini meningkat sebanding
dengan penyimpangan dari kondisi referensi.

Studi kasus # 4 - Turbin uap: Kondisi luar yang luar biasa

ASME PTC 6 dan PTC 6.2 menekankan pentingnya pengujian sedekat mungkin dengan kondisi yang
ditentukan untuk meminimalkan besarnya koreksi dan kesalahan yang diperkenalkan oleh metodologi
koreksi. Tabel 3-1 dari PTC 6 dan Tabel 3-1.3.5 dari PTC 6.2 mencantumkan penyimpangan yang
diijinkan antara uji dan kondisi pengenal.

Satu variabel dengan kepekaan besar terhadap output dan potensi penyimpangan yang lebih besar adalah
tekanan knalpot. Sementara PTC 6 dan 6.2 daftar persyaratan yang berbeda pada tekanan buang,
penyimpangan yang diijinkan berkisar dari 0,1 "sampai 0,5" merkuri mutlak.

Gambar 6 menunjukkan kurva koreksi tekanan knalpot untuk unit uap besar. Garis padat adalah respons
yang diprediksi oleh program pemodelan keseimbangan panas produsen turbin uap, sedangkan garis
putus-putus didasarkan pada data tanaman yang diukur selama masa operasi dengan kondisi terkendali.

Sementara kedua kurva menunjukkan kesepakatan yang baik di dekat kondisi pengenal, kurva secara
signifikan berbeda pada batas luar, yang menggambarkan kebutuhan untuk mematuhi persyaratan kode.
Meskipun perbedaan ini bisa disebabkan oleh sejumlah alasan, termasuk operasi pembangkit dan desain
turbin, tindakan terbaik adalah menghindari daerah ini saat melakukan pengujian.

Secara historis, perkiraan ketidakpastian belum ditingkatkan untuk memperhitungkan penyimpangan

yang lebih besar dalam tekanan gas buang. Untuk situasi ini, pertimbangan harus diberikan untuk
memodifikasi operasi pabrik untuk mengubah tekanan buang, menunggu sampai kondisi musiman lebih
menguntungkan, atau memverifikasi kurva koreksi tekanan knalpot melalui pengujian tambahan. Bila
tidak ada yang praktis, PTC 6.2 mengindikasikan bahwa pengujian mungkin dilakukan saat
memperhitungkan ketidakpastian tambahan dalam analisis ketidakpastian.
Kesimpulan

Sebagaimana dicatat dalam setiap kode uji industri utama, upaya harus dilakukan oleh semua pihak untuk
melakukan uji kinerja pada kondisi sedekat mungkin dengan kondisi referensi. Dalam prakteknya, karena
efek alami dan persyaratan komersial, hal itu tidak selalu mungkin, dan juga tidak praktis, untuk
melakukan pengujian pada kondisi yang akan menghasilkan ketidakpastian yang paling rendah yang
dapat dicapai. Adalah tanggung jawab organisasi penguji untuk memperkirakan ketidakpastian tes
seakurat mungkin, dengan mempertimbangkan semua faktor penyumbang yang diketahui. Sebagaimana
dibahas di sini, ketidakpastian uji harus memperhitungkan tidak hanya kontribusi dari kesalahan
pengukuran dan propaganda terhadap hasil yang diperbaiki, tetapi juga kontribusi ketidakpastian
tambahan yang mungkin timbul dari kurva koreksi atau metodologi perhitungan. Seperti yang
ditunjukkan dalam makalah ini, tambahan ketidakpastian inkremental tambahan dari kurva koreksi atau
metodologi perhitungan dapat menjadi signifikan dan dapat dihitung.

Cara statistik dapat digunakan untuk memperkirakan ketidakpastian yang berasal dari kombinasi variasi
unit-unit dan penyimpangan dari kondisi referensi. Seperti yang ditunjukkan di sini, ini dapat dengan
mudah berkontribusi 0,2 persen tambahan 0,3 persen ketidakpastian tes inkremental. Seperti yang telah
disebutkan sebelumnya, analisis tambahan diperlukan untuk memperbaiki perkiraan ini untuk
mempertimbangkan dampak ketidakpastian pengukuran terhadap variasi unit-ke-unit, untuk memastikan
kontribusi tidak dilebih-lebihkan bila diterapkan pada ketidakpastian uji keseluruhan.

Selanjutnya, ketidakpastian uji tambahan dapat diakibatkan oleh keterbatasan kurva koreksi saat
mempertimbangkan interaksi dengan batas sistem kontrol. Kesalahan ini dapat dikurangi dengan
menggunakan koreksi kinerja berbasis model (ASME POWER2014-32184), walaupun penerimaan
industri dan proliferasi metodologi ini terbatas secara historis. Bila ada kumpulan data yang signifikan
secara statistik (yang sekarang lebih umum dengan ahli sejarah tanaman modern dan kemampuan industri
Internet), pemasok peralatan dapat secara empiris menyesuaikan kurva koreksi (atau model
termodinamika) untuk mengurangi dampak kondisi uji off-reference, yang jika tidak dapat Berkontribusi>
1 persen ketidakpastian uji inkremental.

Sementara perkiraan ketidakpastian uji tradisional untuk uji kode PTC-22 yang hanya
mempertimbangkan ketidakpastian pengukuran dapat menghasilkan perkiraan ketidakpastian pada orde
+/- 0,5 persen, kesalahan sebenarnya dari hasil pengujian mungkin jauh di atas +/- 1,0 persen karena
Untuk kesalahan dalam koreksi

Secara proaktif mengenali dan mempertimbangkan sumber kesalahan ini dapat meningkatkan akurasi uji,
sehingga mengurangi risiko mengecilkan atau melebih-lebihkan kinerja peralatan yang sebenarnya.
Dengan demikian, adalah bermanfaat bagi semua pihak uji untuk mempertimbangkan ketidakpastian
tambahan ini saat menentukan prosedur pengujian (termasuk metodologi koreksi) dan dalam memilih
kondisi uji sedekat mungkin dengan kondisi referensi.