[go: up one dir, main page]

CN101836168B - 用于分析燃气轮机的运行的方法 - Google Patents

用于分析燃气轮机的运行的方法 Download PDF

Info

Publication number
CN101836168B
CN101836168B CN2008801132640A CN200880113264A CN101836168B CN 101836168 B CN101836168 B CN 101836168B CN 2008801132640 A CN2008801132640 A CN 2008801132640A CN 200880113264 A CN200880113264 A CN 200880113264A CN 101836168 B CN101836168 B CN 101836168B
Authority
CN
China
Prior art keywords
gas turbine
pressure signal
dynamic pressure
neural network
compressor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN2008801132640A
Other languages
English (en)
Other versions
CN101836168A (zh
Inventor
尤维·法伊弗
沃尔克玛·斯特津
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Energy Global GmbH and Co KG
Original Assignee
Siemens Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Corp filed Critical Siemens Corp
Publication of CN101836168A publication Critical patent/CN101836168A/zh
Application granted granted Critical
Publication of CN101836168B publication Critical patent/CN101836168B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D17/00—Regulating or controlling by varying flow
    • F01D17/02—Arrangement of sensing elements
    • F01D17/08—Arrangement of sensing elements responsive to condition of working-fluid, e.g. pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/707—Type of control algorithm fuzzy logic
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/709—Type of control algorithm with neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)
  • Testing Of Engines (AREA)

Abstract

本发明涉及一种用于分析燃气轮机的运行的方法，其中有一个或多个基于燃气轮机的正常运行的神经网络。在燃气轮机(1)正常运行时，通过燃气轮机(1)的压缩机(2)之内或之上的至少一个压力传感器(8)测得至少一个动态压力信号(V5)，通过一个或多个其它传感器(4，5，6，7)测得燃气轮机(1)的一个或多个运行参数(V1，V2，V3，V4)，和/或读取在燃气轮机(1)正常运行时测得的动态压力信号(V5)和燃气轮机(1)的一个或多个运行参数(V1，V2，V3，V4)。对动态压力信号(V5)进行频率分析，从而确定压力信号(V5)的一个或多个频谱信号。基于所测得的运行参数(V1，V2，V3，V4)和所述动态压力信号(V5)的频谱的参数，得出一个或多个神经网络，所述神经网络包括所测得的运行参数(V1，V2，V3，V4)和所述动态压力信号(V5)的频谱的参数作为输入量，并具有至少一个诊断特征值作为输出量，所述诊断特征值表征取决于输入量所述燃气轮机处于正常运行的概率大小。

Description

用于分析燃气轮机的运行的方法
技术领域
本发明涉及一种用于分析燃气轮机的运行的方法，以及一种用于监视燃气轮机的运行的方法。
背景技术
用于发电和工业应用以及航空推进设备的现代燃气轮机大多包括多级的轴向压缩机，所述轴向压缩机在运行时受到影响所述压缩机功能的各种各样的磨损和污染以及它损伤机制。对这种偏离了正常状态的机器状态的及时识别构成了引发预防保养措施的前提，以避免临界运行状态以及不允许的磨损。
在诊断和监视现代燃气轮机时，对于磨损和损伤的明确分类和量化是特别重要的。尤其值得期待的是，在带有多级的轴向压缩机的燃气轮机的情况下，可以精确地给出在哪一个压缩级出现了磨损和损伤特征以及损伤有多严重或者关于确定的极限值发展了有多少程度。此外，对于燃气轮机的诊断和监视方法应可以在连续运行的情况下执行且燃气轮机无需停机。
对于燃气轮机的各种诊断和监视方法由现有技术所公知。例如，DE4012278A1公开了一种用于蒸汽轮机设备的状态诊断系统，该系统带有神经网络模型。该系统借助该模型可以事先了解关于与运行状态有关的波动的多个信息模型，以便在其出现时产生说明运行状态的输出信号。为此，使用并处理机械或声学波动、振动或电磁波动的波形。
此外，由US2002/0013664A1公知了一种用于结合机器状态监视旋转部件的品质和分类测定。作为可能的输入量，在此可以引入压缩机空气的压力脉冲。由US7027953B2公开了另一种方法。
这些方法，例如为每个要观察的压缩机级使用压力传感器的US7027953B2的方法，要求形式为大量传感器的非常大的仪表需求，并且所述传感器可能仅仅检测重要的损伤、例如叶片的损失。此外，在用于带有多级的轴向压缩机的燃气轮机时，这种方法不能将损伤与一个压缩机级精确地对应。
发明内容
本发明所要解决的技术问题在于提供一种用于分析和监视燃气轮机运行的方法，该方法能够以较少的传感器对燃气轮机的磨损和损伤进行精确的诊断。
这一技术问题通过独立权利要求加以解决。本发明的扩展形式在从属权利要求中加以限定。
根据本发明的方法，基于燃气轮机的正常运行得出一个或多个神经网络。在此，首先通过燃气轮机的压缩机之内或之上或之后的至少一个压力传感器测得一个动态的压力信号，其中动态压力信号意味着检测压力信号随时间的变化。压力信号检测的优选采样率处于千赫范围内。在此，由于动叶片在导向叶片上的经过而产生压缩机内的压力变化，这导致在压缩空气内的相应压力波动。除了此动态压力信号之外，还用其它传感器测量燃气轮机的一个或多个运行参数。因此，可以在燃气轮机运行时执行根据本发明的方法。必要时，可以已经事先检测该动态压力信号以及其它运行参数，并随后为了应用根据本发明的方法而读取，例如从文件中读取。
根据本发明，对动态信号进行频率分析，从而确定压力信号的频谱的一个或多个参数。在此知道，对于每个压缩机级，通过压缩机内的导向叶片和动叶片的相互作用产生周期性的压力波动，所述压力波动导致一个周期性的信号，该信号可以用于辨别正常状态或一个偏离该正常状态的运行状态。
最终基于运行参数和压力信号的频谱参数使一个或多个神经网络进行学习，所述神经网络包括所测得的的运行参数和压力信号的频谱参数作为输入量，并具有至少一个诊断特征值作为输出量，该诊断特征值表征取决于输入量的燃气轮机处于正常运行的概率大小。
根据本发明的方法的特征在于，可以通过对动态压力信号的分析与带有较少数量的传感器的神经网络相结合描述燃气轮机的压缩机的正常运行。在此，该方法对任意燃气轮机是通用的，并且仅在开始需通过测量所观察的燃气轮机的运行参数和压力信号学习。在随后的监视运行中，可以利用所述神经网络以一种简单的方式确定所学到到的正常运行或对这种正常运行的偏离之间的区别，方式是将在监视时检测到的运行参数包括动态压力信号作为输入量提供给所述神经网络。
根据本发明的方法用于带有多个压缩机级的燃气轮机的多级式压缩机，其中，在这种情况下通过频率分析为每个压缩机级确定一个特征频带作为频谱参数，并为每个特征频带计算其中包含的所述动态压力信号(V5)的能量分量、尤其是RMS值(RMS＝均方根)。这种能量分量在此用作神经网络的输入量。RMS值在现有技术下充分公知并通过各个频率所对应的幅度对所述频带内的频率的积分产生。根据本发明的方法因此非常好地适合于多级式压缩机，因为相应的频带非常好地描述了各压缩机级的特性，所述频带可以借助频率分析从所述动态信号中确定。在这种方式下，提供了专门为个别压缩机级检测故障功能的可能性。作为RMS值的替代或补充，也可以采用一条频率线的幅度最大值或一个特征频带的多条相邻频率线的幅度最大值作为输入量。
优选在根据本发明的方法中采用所谓的径向基函数网络(也称作RBF网络)，所述网络在现有技术下充分公知。同样可以采用这种网络的进一步发展。这种网络包括处于隐层内的多个径向基函数，例如高斯函数，其中，所述高斯函数的参数是已知的。在此处描述的发明中，概率作为径向基函数的目标量被训练，从而在正常运行时出现所测得的运行参数和动态压力的参数组合。在文献WO99/48020A2中描述了一种径向基函数网络在监视轧钢设备中的轧辊力的情况下的应用。
在根据本发明的方法的另一优选实施形式中，至少一个诊断特征值是一个置信值，该置信值标准化至0和1之间的值域内，并且表征了输入量的各参数组合是燃气轮机正常运行时已知的参数组合的概率。通过这种方式提供了对诊断特征值的简单表示，其中，接近于1的置信值尤其说明燃气轮机在正常运行，并且置信值小于0.5说明出现了可能推测出压缩机运行出现错误的异常参数组合。
在根据本发明的方法的另一实施例中，可以考虑一个特征频带的能量分量相对于该特征频带的上波形(Oberwellen)的能量分量的比例作为用于神经网络学习的其它频谱参数。
在多级式压缩机内使用根据本发明的方法时，优选为每个压缩机级使一个神经网络进行学习，其中，为各神经网络对应配设属于一个特征频带的频谱参数作为输入量。这种对应配设因此通过各压缩机级的特征频率得出，所述特征频率根据压缩机级的叶片数和燃气轮机的当前转速得出。在此，各神经网络具有作为输出量的诊断特征值，其中，此诊断特征值表征取决于输入量的各压缩机级处于正常运行的概率大小。在这种方式下，可以在使用用于监测燃气轮机的神经网络的情况下检测，那个压缩机级有故障功能。在另一实施例中，压缩机级的各个诊断特征值在此组合成一个总诊断特征值，其中，组合基于特定规则进行，例如基于模糊规则或基于离散规则。
在根据本发明的方法的一种优选实施形式中，用需要较少计算时间的快速傅里叶变换进行动态压力信号的频率分析，所述快速傅里叶变换将信号从时域变换到频域。
除了根据本发明检测动态压力信号之外，尤其还考虑一个或多个下列参数作为运行参数：
-燃气轮机的转速；
-燃气轮机的负荷；
-环境压力；
-环境温度；
-空气湿度；
-导向叶片在燃气轮机的压缩机上的位置。
优选这样设计一种合适的正常运行，其中，确定相应的运行参数和动态压力信号，使得在这种运行过程中，对于不同的负载和/或导向叶片的不同位置，燃气轮机以固定的转速运行。
通过基于燃气轮机的正常运行的神经网络学习，上述方法可以尤其实现为计算机程序产品。当该程序在计算机上运行时，这种计算机程序产品包含一种机器可读的、用于执行该方法的、已存储的程序代码。
如上所述，根据本发明得出的神经网络因而用于监视燃气轮机以确定偏离于正常状态的运行状态。因此，本发明还包括一种用于监视燃气轮机的方法，该方法基于或利用上述方法学习的网络。在这种监视方法中，基本上测得与相应的学习方法中一样的相同大小的量。替代神经网络的学习，将测得的量提供给经过学习的网络作为输入量，并得到相应的诊断特征值作为结果，所述诊断特征值表示出正常运行状态以多大的概率出现。
因此，尤其按照监视方法在燃气轮机的运行时执行下列步骤：
-通过燃气轮机的压缩机之内或之上的至少一个压力传感器测量至少一个动态压力信号并且还通过其它传感器测量该燃气轮机的一个或多个运行参数。
-对所述动态压力信号进行频率分析，从而确定压力信号的频谱的一个或多个参数。
-测得的运行参数和压力信号的频谱参数提供给经过学习的神经网络作为输入量，并输出至少一个诊断特征值作为神经网络的输出量。
必要时，如果一个或多个诊断特征值处于预定值域之外，即如果诊断特征值表明以较高的概率出现偏离燃气轮机正常运行的状态，那么可以在监视方法中输出警报。
除了上述监视方法之外，本发明还包括用于一种监视燃气轮机的设备，该设备被设计用于实施上述监视方法。
这种设备尤其包含下列部件：
-至少一个压力传感器，用于测量燃气轮机的压缩机之内或之上的至少一个动态压力信号；以及一个或多个其它传感器，用于在燃气轮机运行时测量燃气轮机的一个或多个运行参数；
-频率分析装置，利用该频率分析装置可以对所述动态压力信号进行频率分析，从而确定压力信号频谱的一个或多个参数；
-经过学习的神经网络，向该神经网络提供所测得的运行参数和压力信号的频谱参数作为输入量，并且该神经网络可以输出至少一个诊断特征值作为输出量。
此监视设备优选还包括一个可以在正常运行时执行所述神经网络的上述学习的装置。
本发明还涉及一种燃气轮机，包括根据本发明的用于监视燃气轮机的设备。
附图说明
下面结合附图详细说明本发明的实施例。在附图中：
图1以示意图示出了根据本发明的一种实施形式的用于监视燃气轮机运行的方法；
图2是一张阐释根据本发明的一种实施形式确定的动态压力信号的频谱参数的图；
图3示出了在本发明的一种实施形式中确定的燃气轮机的压力信号RMS值取决于燃气轮机的变化负载和导向叶片的位置的随时间的变化。
具体实施方式
图1示出了一个表示出根据本发明的一种实施形式的用于监视燃气轮机的运行的方法的方法步骤的流程图。在图1所示实施形式中，监视燃气轮机1，该燃气轮机的结构本身是公知的，并且因此仅简要地解释。燃气轮机包括带有多个动叶片和导向排的多级式轴向压缩机2，其中在压缩机内构造有多个带有动叶片和导向叶片的压缩机级。通过导向叶片调节压缩机内的空气在动叶片上的流动角，而动叶片压缩并再将空气排出。在燃气轮机3内，轴向压缩机2连接至燃烧室，在燃烧室内相应的燃烧物借助通过压缩机供给的空气燃烧，从而驱动燃气轮机。
在图1所示燃气轮机内设有多个传感器，所述传感器检测燃气轮机的相应运行参数。传感器4是测量环境温度并给出相应测量信号V1的温度传感器。传感器5是测量环境空气压力并给出相应测量信号V2的压力传感器。附图标记6表示出一个湿度传感器，所述湿度传感器测量空气湿度并给出相应的测量信号V3。此外设有传感器7，该传感器在压缩机进气口测量存在于该处的可调节的导向叶片的位置，其中，导向叶片在燃气轮机中的位置可以通过相应的调节装置改变。导向叶片位置的测量值在图1中以V4表示。
最后，在压缩机排气口设有压力传感器8，所述压力传感器以测量信号V5的形式动态地测量压缩机排气口处的压力。动态在此意味着以相应地采样率确定声波压力随时间的变化，从而检测压力的时间特性。这样，在采样率处于千赫范围内或更高时，测量就尤其是动态的。通过在运行时在各压缩机级内使压缩机动叶片经过导向叶片，并且由此在压缩空气内产生周期性的压力波而产生所测得的压力信号，其中，压力波的周期取决于各压缩机级内导向叶片和动叶片的数量。所检测到的动态压力信号因此包含由于多个压缩机级而产生的多个周期性分量。
替代于使用单个压力传感器8，可以使用多个压力传感器，尤其是可以用已经存在的压力传感器(例如在一些燃气轮机上的在燃烧器区域内用于燃烧稳定性监视的压力传感器)进行测量。此外可以在燃气轮机的排气口扩散器或压缩机集气腔内安装一个压力传感器。根据本发明，首先在步骤S1中对信号V5进行模/数转换，接着利用数字化的信号在步骤S2中进行快速傅里叶变换(FFT＝Fast-Fourier-Transformation)以确定所述信号的频谱。步骤S2中执行的快速傅里叶变换在此如此精细地与根据燃气轮机的转速以及导向叶片和动叶片的数量得出的频率协调一致，使得各个频率可以清楚分开地配属于各压缩机级。快速傅里叶变换的结果是获得了带有各频率的相应幅度的特征频带。
这种频谱例如在图2所示的图中显示。该图也被称作坎贝尔图(CampbellDiagramm)。在此，沿横坐标显示了压力信号中的频率f，沿纵坐标显示了时间t。各频率的幅度在图2中以彩色编码，在此由于黑白图而不能看出这种彩色编码。通常，红色用于显示高幅度。举例而言，图2中标记了区域B，其中存在高幅度。在图2的图中，燃气轮机的特定运行量在时间t上发生变化。尤其是压缩机的负载和导向叶片的位置发生变化。由此最终导致变化的幅度，不过，其中特性频带在整个时间上保持不变。图2中尤其清楚的是，在此频带F1、F2、F3和F4是可见的。频带F1至F4中的每一个都表征燃气轮机1的轴向压缩机2的一个压缩机级，即每个压缩机级在特定转速的运行中与一个具有特征频率的频带相对应。
按照图1所示的步骤S3，对图2所示频带进行分析评估，其中，必要时以相应的模型进行修正。在步骤S3中，为每个频带通过对该频带的频率进行积分而确定在各频带内的压力信号的能量分量，其中，所述能量分量作为所谓的RMS值(RMS＝Root Mean Square，均方根)输出。RMS值是本领域技术人员充分公知的量。作为步骤S3的结果，因此，为每个压缩机级得出一个特征RMS值，其中，在图1中示例地显示用于四个压缩机级的四个RMS值R1至R4。
图3再次在相应的图中示出了在一个带有二十个特征频带的燃气轮机中RMS值随时间的变化，这些特征频带各对应于燃气轮机的压缩机的一个压缩机级。在此，沿着横坐标是以秒为单位的时间，而沿着纵坐标是各个频带的相应RMS值。该图同样是彩色编码的，其中每个频带以一种不同的颜色表示，不过这由于图3是黑白图而看不出来了。在此，从频带1到频带20的各频带在图中在显示在右边缘的图例中。除了RMS值之外，图3的图还包括运行时在燃气轮机上进行的负载和导向叶片的位置的变化。这通过带有表示负载的标记“负载”(Load)和表示导向叶片的“IGV”的相应的线在图例中显示。为区分相应曲线，负载随时间变化的线以L1表示，而导向叶片的位置随时间变化的线以L2表示。用于负载和导向叶片位置的各值在此作为百分率值通过纵坐标在图的右边缘显示。
根据图3，一方面可以看出，在通过压缩机的质量流的变化实现的功率变化时在质量流变化较小时，RMS值本身产生非常清楚的响应。另一方面也清楚的是，可以根据运行状态产生复杂系统响应。借助RMS值与图3中示出了负载和导向叶片的位置的其它运行参数的组合，可以根据本发明判定燃气轮机相应的压缩机的异常特性。
为了根据所测得的运行参数以及RMS值以适当的方式推导出诊断特征值，采用根据本发明的神经网络。在此处描述的根据本发明的实施形式中，采用优选基于径向基函数的神经模型，其公知为RBF网络。这种网络的原理结构是现有技术下充分公知的，因此在此不详细地解释。这种网络由输入和输出层组成，并借助输入层内的输送量学习径向基函数(例如高斯函数)的参数，因而趋近于输入量的功能特性和分布。在此处描述的实施形式中，为每个压缩机级用运行参数以及压缩机级的相应RMS值学习一个相应RBF网络，其中，所述学习基于在燃气轮机的正常运行时的测量进行。
各RBF网络产生标准化到0至1之间置信值作为输出量，所述置信值对于一组输入量(即，对于一个特定时间点的运行参数和相应的RMS值)显示在正常运行中出现这种RMS值和运行参数的组合的概率有多高。该置信值越高，实际上处于正常运行的概率就越大。相反，较小的置信值表示，以较高的概率在燃气轮机的相应压缩机中出现错误运行。
相应地经过学习的神经网络的功能在于作为大致的数据封装器，并在图1中，在步骤S4中以按照测量信号V1至V4以及RMS值R1至R4的各运行参数作为输入量馈送。步骤S4例如分成四个子步骤S401，S402，S403。在步骤S401中，运行参数和RMS值R1和R2被提供给相应压缩机级各自的神经网络。在步骤402中RMS值R3、以及在步骤403中RMS值R4被提供给相应压缩机级的神经网络。为每个神经网络得出一个在0至1之间的值域内的相应置信值作为步骤S4的结果。在此，例如可以为0.5至1之间的置信值推出正常运行状态的结论，而对于小于0.5的置信值则诊断出存在错误运行。此诊断特征值最终在步骤S5中输出。在选择运行参数作为用于神经网络的输入量时，不必要各参数具有唯一的关系。相反，如果有足够多的用于训练神经模型的运行数据，就可以学习参数组合的每一种分布。对于在识别不常见状态时的高选择性值得推荐的是，所有决定性地影响该系统的参数都作为输入量在神经网络学习时包含在内。
总而言之，利用上述方法，为每个压缩机级的频带的特征能量值训练一个或必要时多个数据封装器，其形式为不同参数组合的宽频谱上的RBF网络，其中，训练过的数据封装器接着用于监视燃气轮机，以检测错误运行。尤其考虑转速、负载、前导叶片位置、空气压力、环境压力、空气湿度等作为学习和监视燃气轮机时的参数。除了特征频率的能量幅度之外，这些量都是数据封装器的重要输入量。另外，可以引入特征频率的RMS值相对于其在高频频带内的上半波的比例。此外，可以在根据本发明的方法的一种实施形式中综合各数据封装器的置信值。由此可以例如确定一个对于出现正常运行的总置信值。这尤其可以基于模糊规则或离散规则进行，所述模糊或离散规则表明了各压缩机级的特性和相互作用的关系。结果，可以以根据本发明的方法在此描述的实施形式基于较少数量的压力传感器的测量值诊断燃气轮机的轴向压缩机的各压缩机级的品质和状态。
以根据本发明的方法获得了一系列的优点。尤其是已经可以以较少数量的压力传感器、例如已经以单个压力传感器为整个压缩机诊断压缩机的状态，这减少了监视燃气轮机的运行的总成本。此外，根据本发明的方法可以简单地与不同燃气轮机相匹配，方式是首先专门为该燃气轮机在训练运行时使神经网络进行学习，并随后基于经过学习的神经网络进行对燃气轮机的监视。此外，利用根据本发明的方法可以实现一种在运行时对燃气轮机的整个压缩机的快速而高频的监视，其中，尤其使燃气轮机运行期间的长期信息成为可能。最后，也可以通过对较长时间段的置信值的平均值了解相对于燃气轮机正常运行的缓慢改变。由此，可以降低保养的成本，因为通过根据本发明的诊断早期地检测到损伤并因而可以对燃气轮机进行与损伤相关的保养，而不是在固定的时间间隔或纯粹预防性地进行保养。

Claims (15)

1.一种用于分析带有多个压缩机级的燃气轮机(1)的多级式压缩机(2)的运行的方法，其中，基于所述燃气轮机(1)的正常运行使一个或多个神经网络进行学习，其中：
-通过该燃气轮机(1)的压缩机(2)之内或之上的至少一个压力传感器(8)测量至少一个动态压力信号(V5)，以及通过一个或多个其它传感器(4，5，6，7)在所述燃气轮机(1)正常运行时测量该燃气轮机(1)的一个或多个运行参数(V1，V2，V3，V4)；
-对所述动态压力信号(V5)进行频率分析，从而确定该动态压力信号(V5)的频谱的一个或多个参数；
-基于所测得的运行参数(V1，V2，V3，V4)和所述动态压力信号(V5)的频谱参数使一个或多个神经网络进行学习，所述神经网络包括所测得的运行参数(V1，V2，V3，V4)和所述动态压力信号(V5)的频谱参数作为输入量，并具有至少一个诊断特征值作为输出量，该诊断特征值表征取决于所述输入量的、该燃气轮机(1)处于正常运行的概率大小，其特征在于，
根据所述燃气轮机的转速以及有关压缩机级的导向叶片和动叶片的数量为每个压缩机级确定一个特征频带(F1，F2，F3，F4)作为频谱参数，并为每个特征频带计算其中包含的所述动态压力信号(V5)的能量分量和/或幅度最大值和/或该特征频带(F1，F2，F3，F4)内的频率线的多个相邻幅度最大值，以用作所述神经网络的输入量。
2.根据权利要求1所述的方法，其中，所述神经网络是径向基函数-网络。
3.根据权利要求1或2所述的方法，其中，所述至少一个诊断特征值是置信值，该置信值标准化到0至1之间的值域内并表征输入量的各种参数组合是在所述燃气轮机(1)的正常运行时已知的参数组合的概率。
4.根据权利要求1所述的方法，其中，还考虑将一个特征频谱(F1，F2，F3，F4)的能量分量相对于该特征频谱(F1，F2，F3，F4)的上半波的能量分量的比例作为所述频谱的其它参数用作所述神经网络的输入量。
5.根据权利要求1所述的方法，其中，为每个压缩机级使一个神经网络进行学习，其中，各神经网络作为输入量包括所述频谱的、属于一个特征频带(F1，F2，F3，F4)的参数，并且其中，每个神经网络具有一个作为输出量的诊断特征值，其中，该诊断特征值表征取决于所述输入量的、各压缩机级处于正常运行的概率大小。
6.根据权利要求5所述的方法，其中，基于预定规则由各压缩机级的诊断特征值确定一个总诊断特征值。
7.根据权利要求1所述的方法，其中，对所述动态压力信号(V5)执行的频率分析包括快速傅里叶变换。
8.根据权利要求1所述的方法，其中，测量一个或多个下列参数作为运行参数：
-所述燃气轮机(1)的转速；
-所述燃气轮机(1)的负荷；
-环境压力；
-环境温度；
-空气湿度；
-导向叶片在所述燃气轮机(1)的压缩机(2)上的位置。
9.根据权利要求8所述的方法，其中所测得的运行参数(V1，V2，V3，V4)和所述动态压力信号(V5)来自一个正常运行，在该正常运行时，所述燃气轮机(1)对于不同的负载和/或导向叶片位置的以固定的转速运行。
10.根据权利要求1所述的方法，其中，所述动态压力信号(V5)的能量分量是RMS值。
11.根据权利要求6所述的方法，其中，所述预定规则是模糊规则。
12.一种用于监视燃气轮机(1)的方法，基于以一种根据权利要求1至11中任一项所述方法学习的神经网络，其中，在该燃气轮机运行时：
-通过所述燃气轮机(1)的压缩机(2)之内或之上的至少一个压力传感器(8)测量至少一个动态压力信号(V5)，并通过其它传感器(4，5，6，7)在所述燃气轮机(1)运行时测量所述燃气轮机(1)的一个或多个运行参数(V1，V2，V3，V4)，
-对所述动态压力信号(V5)进行频率分析，从而确定该动态压力信号(V5)的频谱的一个或多个参数，
-将测得的运行参数(V1，V2，V3，V4)和所述动态压力信号(V5)的频谱的参数提供给经过学习的神经网络作为输入量，并输出至少一个诊断特征值作为所述神经网络的输出量。
13.根据权利要求12所述的方法，其中，在一个或多个诊断特征值处于一个预定值域之外时输出警报。
14.一种用于监视燃气轮机(1)的设备，该设备基于根据权利要求1至11中任一项所述方法学习的神经网络，包含：
-至少一个压力传感器(8)，该压力传感器用于测量该燃气轮机(1)的压缩机(2)之内或之上的至少一个动态压力信号(V5)；以及一个或多个其它传感器，用于在该燃气轮机(1)运行时测量该燃气轮机(1)的一个或多个运行参数(V1，V2，V3，V4)；
-频率分析装置，利用该频率分析装置可以对所述动态压力信号(V5)进行频率分析，从而确定所述动态压力信号(V5)的频谱的一个或多个参数；
-经过学习的神经网络，可向该神经网络提供所测得的运行参数(V1，V2，V3，V4)和所述动态压力信号(V5)的频谱参数作为输入量，并且该神经网络可以输出至少一个诊断特征值作为输出量。
15.一种燃气轮机，该燃气轮机包括根据权利要求14所述的设备。
CN2008801132640A 2007-10-26 2008-09-19 用于分析燃气轮机的运行的方法 Active CN101836168B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP07021041.4 2007-10-26
EP07021041A EP2053475A1 (de) 2007-10-26 2007-10-26 Verfahren zur Analyse des Betriebs einer Gasturbine
PCT/EP2008/062538 WO2009053183A2 (de) 2007-10-26 2008-09-19 Verfahren zur analyse des betriebs einer gasturbine

Publications (2)

Publication Number Publication Date
CN101836168A CN101836168A (zh) 2010-09-15
CN101836168B true CN101836168B (zh) 2013-03-06

Family

ID=39431230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2008801132640A Active CN101836168B (zh) 2007-10-26 2008-09-19 用于分析燃气轮机的运行的方法

Country Status (8)

Country Link
US (1) US8396689B2 (zh)
EP (2) EP2053475A1 (zh)
JP (1) JP5393693B2 (zh)
CN (1) CN101836168B (zh)
CA (1) CA2703586C (zh)
RU (1) RU2480806C2 (zh)
TW (1) TWI370201B (zh)
WO (1) WO2009053183A2 (zh)

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10089443B2 (en) 2012-05-15 2018-10-02 Baxter International Inc. Home medical device systems and methods for therapy prescription and tracking, servicing and inventory
US9354618B2 (en) 2009-05-08 2016-05-31 Gas Turbine Efficiency Sweden Ab Automated tuning of multiple fuel gas turbine combustion systems
US8437941B2 (en) * 2009-05-08 2013-05-07 Gas Turbine Efficiency Sweden Ab Automated tuning of gas turbine combustion systems
US9671797B2 (en) 2009-05-08 2017-06-06 Gas Turbine Efficiency Sweden Ab Optimization of gas turbine combustion systems low load performance on simple cycle and heat recovery steam generator applications
US9267443B2 (en) 2009-05-08 2016-02-23 Gas Turbine Efficiency Sweden Ab Automated tuning of gas turbine combustion systems
US8135568B2 (en) 2010-06-25 2012-03-13 General Electric Company Turbomachine airfoil life management system and method
CN102063109B (zh) * 2010-11-29 2012-09-05 株洲南车时代电气股份有限公司 一种基于神经网络的地铁列车故障诊断装置及其方法
WO2012076427A1 (de) 2010-12-09 2012-06-14 Basf Se Verfahren und vorrichtung zur modellbasierten überwachung einer turbomaschine
ITCO20120008A1 (it) * 2012-03-01 2013-09-02 Nuovo Pignone Srl Metodo e sistema per monitorare la condizione di un gruppo di impianti
US9212946B2 (en) * 2012-06-08 2015-12-15 General Electric Company Campbell diagram displays and methods and systems for implementing same
EP2706422B1 (de) 2012-09-11 2016-07-27 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Überwachung des Betriebs eines technischen Systems, insbesondere einer elektrischen Energieerzeugungsanlage
US9500563B2 (en) * 2013-12-05 2016-11-22 General Electric Company System and method for detecting an at-fault combustor
US20150159867A1 (en) * 2013-12-05 2015-06-11 General Electric Company System and Method for Assessing Combustor Health During Operation
DE102013226049A1 (de) * 2013-12-16 2015-06-18 Siemens Aktiengesellschaft Vorrichtung sowie Verfahren zum Erfassen des aktuellen Schädigungszustandes einer Maschine
EP2996001A1 (de) * 2014-09-10 2016-03-16 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Analyse eines Datensatzes aus Beobachtungen
EP3064744B1 (de) 2015-03-04 2017-11-22 MTU Aero Engines GmbH Diagnose von gasturbinen-flugtriebwerken
US20160363127A1 (en) * 2015-06-09 2016-12-15 General Electric Company Systems and methods for monitoring a compressor
WO2017058832A1 (en) 2015-09-28 2017-04-06 Schlumberger Technology Corporation Burner monitoring and control systems
US12276420B2 (en) 2016-02-03 2025-04-15 Strong Force Iot Portfolio 2016, Llc Industrial internet of things smart heating systems and methods that produce and use hydrogen fuel
US10809156B2 (en) * 2016-02-15 2020-10-20 General Electric Company Automated system and method for generating engine test cell analytics and diagnostics
US11009865B2 (en) 2016-05-09 2021-05-18 Strong Force Iot Portfolio 2016, Llc Methods and systems for a noise pattern data marketplace in an industrial internet of things environment
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US11327475B2 (en) 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
US10983507B2 (en) 2016-05-09 2021-04-20 Strong Force Iot Portfolio 2016, Llc Method for data collection and frequency analysis with self-organization functionality
JP7454160B2 (ja) 2016-05-09 2024-03-22 ストロング フォース アイオーティ ポートフォリオ ２０１６，エルエルシー 産業用のモノのインターネットのための方法およびシステム
US11686212B2 (en) 2016-05-24 2023-06-27 General Electric Company Turbine engine and method of cooling
US10724443B2 (en) 2016-05-24 2020-07-28 General Electric Company Turbine engine and method of operating
US11237546B2 (en) 2016-06-15 2022-02-01 Strong Force loT Portfolio 2016, LLC Method and system of modifying a data collection trajectory for vehicles
WO2018004715A1 (en) 2016-06-28 2018-01-04 Schlumberger Technology Corporation Well testing systems and methods with mobile monitoring
US10908602B2 (en) 2017-08-02 2021-02-02 Strong Force Iot Portfolio 2016, Llc Systems and methods for network-sensitive data collection
EP3662331A4 (en) 2017-08-02 2021-04-28 Strong Force Iot Portfolio 2016, LLC METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL INTERNET OF THINGS DATA COLLECTION ENVIRONMENT WITH LARGE AMOUNTS OF DATA
JP7445928B2 (ja) * 2018-05-07 2024-03-08 ストロング フォース アイオーティ ポートフォリオ ２０１６，エルエルシー 産業用のモノのインターネットを利用した解析及びメンテナンスのための機械信号のデータ収集、学習、ストリーミングのための方法並びにシステム
US20200133254A1 (en) 2018-05-07 2020-04-30 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for part identification and operating characteristics determination using the industrial internet of things
JP7549843B2 (ja) 2019-01-13 2024-09-12 ストロング フォース アイオーティ ポートフォリオ ２０１６，エルエルシー 産業環境の監視及び管理のための方法、システム、キット、及び装置
CN109960867B (zh) * 2019-03-21 2022-09-20 哈尔滨工业大学 一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法
US20200364498A1 (en) * 2019-05-15 2020-11-19 Schlumberger Technology Corporation Autonomous burner
GB201908494D0 (en) * 2019-06-13 2019-07-31 Rolls Royce Plc Computer-implemented methods for training a machine learning algorithm
GB201908497D0 (en) * 2019-06-13 2019-07-31 Rolls Royce Plc Computer-implemented methods for controlling a gas turbine engine
GB201908496D0 (en) * 2019-06-13 2019-07-31 Rolls Royce Plc Computer-implemented methods for determining compressor operability
US11340592B2 (en) * 2019-07-22 2022-05-24 Rockwell Automation Technologies, Inc. Industrial control system with machine learning for compressors
RU2725299C1 (ru) * 2020-01-29 2020-06-30 Федеральное государственное унитарное предприятие "Центральный институт авиационного моторостроения имени П.И. Баранова" Способ оценки технического состояния лопаток турбины газотурбинного двигателя
JP7294222B2 (ja) * 2020-04-16 2023-06-20 トヨタ自動車株式会社 異音評価システムおよび異音評価方法
US11342932B2 (en) * 2020-05-13 2022-05-24 Computational Systems, Inc. Machine spectral data compression
CN111965981B (zh) * 2020-09-07 2022-02-22 厦门大学 一种航空发动机强化学习控制方法及系统
FR3131349B1 (fr) * 2021-12-24 2023-11-10 Safran Helicopter Engines Turbomachine d’aéronef
DE102022205661A1 (de) 2022-06-02 2023-12-07 Siemens Energy Global GmbH & Co. KG Gasturbine mit Schwingungssensoren

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4012278A1 (de) * 1989-04-14 1990-10-18 Hitachi Ltd Zustands-diagnosesystem fuer eine anlage
WO2002003041A1 (en) * 2000-07-05 2002-01-10 Rolls-Royce Plc Monitoring the health of a power plant
US7027953B2 (en) * 2002-12-30 2006-04-11 Rsl Electronics Ltd. Method and system for diagnostics and prognostics of a mechanical system
CN2866857Y (zh) * 2005-12-08 2007-02-07 中国南方航空动力机械公司 燃气轮机发电机组控制装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7010459B2 (en) * 1999-06-25 2006-03-07 Rosemount Inc. Process device diagnostics using process variable sensor signal
EP1299783A2 (en) * 2000-06-19 2003-04-09 The Dow Chemical Company Rotating equipment diagnostic system and adaptive controller
JP4638005B2 (ja) * 2000-08-28 2011-02-23 ルネサスエレクトロニクス株式会社 半導体装置
US7797062B2 (en) * 2001-08-10 2010-09-14 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
JP3708041B2 (ja) * 2001-11-16 2005-10-19 株式会社東芝 回転機械の振動診断方法及び装置
JP4276623B2 (ja) * 2002-09-26 2009-06-10 シーメンス アクチエンゲゼルシヤフト 技術的設備の監視装置および方法
JP2005155590A (ja) * 2003-10-30 2005-06-16 Mitsubishi Heavy Ind Ltd ガスタービン制御装置、ガスタービンシステム、ガスタービンの制御方法
DE102006048730A1 (de) * 2005-11-03 2007-05-31 Volkswagen Ag Verfahren und Vorrichtung zur Bestimmung der Messgenauigkeit einer Messeinrichtung
DE102006004516B3 (de) * 2006-02-01 2007-03-08 Mtu Friedrichshafen Gmbh Bayes-Netz zur Steuerung und Regelung einer Brennkraftmaschine

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4012278A1 (de) * 1989-04-14 1990-10-18 Hitachi Ltd Zustands-diagnosesystem fuer eine anlage
WO2002003041A1 (en) * 2000-07-05 2002-01-10 Rolls-Royce Plc Monitoring the health of a power plant
US7027953B2 (en) * 2002-12-30 2006-04-11 Rsl Electronics Ltd. Method and system for diagnostics and prognostics of a mechanical system
CN2866857Y (zh) * 2005-12-08 2007-02-07 中国南方航空动力机械公司 燃气轮机发电机组控制装置

Also Published As

Publication number Publication date
CN101836168A (zh) 2010-09-15
EP2201430B1 (de) 2016-04-20
EP2053475A1 (de) 2009-04-29
JP2011501170A (ja) 2011-01-06
JP5393693B2 (ja) 2014-01-22
TW200928079A (en) 2009-07-01
RU2480806C2 (ru) 2013-04-27
US20100262401A1 (en) 2010-10-14
TWI370201B (en) 2012-08-11
EP2201430A2 (de) 2010-06-30
WO2009053183A2 (de) 2009-04-30
CA2703586C (en) 2015-08-04
WO2009053183A3 (de) 2009-06-11
US8396689B2 (en) 2013-03-12
CA2703586A1 (en) 2009-04-30
RU2010121150A (ru) 2011-12-10

Similar Documents

Publication Publication Date Title
CN101836168B (zh) 用于分析燃气轮机的运行的方法
de Azevedo et al. A review of wind turbine bearing condition monitoring: State of the art and challenges
US10725439B2 (en) Apparatus and method for monitoring a device having a movable part
EP2434266B1 (en) Sideband energy ratio method for gear mesh fault detection
EP0654162B1 (en) Process for detecting fouling of an axial compressor
US9557210B2 (en) Method for non-intrusive on-line detection of turbine blade condition
JP5101396B2 (ja) 健全性診断方法及びプログラム並びに風車の健全性診断装置
US20150322924A1 (en) Method of monitoring the condition of a wind turbine
US12517011B2 (en) Method for monitoring a rotating machine in order to detect a fault in an aircraft bearing
CN118503882B (zh) 三相卧螺离心机运行状态参数采集与故障诊断方法
Amin et al. Vibration-based condition monitoring in wind turbine gearbox using convolutional neural network
KR20070087139A (ko) 진공펌프의 고장 방지 및 예보유지를 위한 정밀진단 기법과그 구현 시스템.
JP2011180082A (ja) すべり軸受の診断方法および診断装置
US20250067592A1 (en) Method of monitoring a rotating machine configured for energy transfer having a plurality of subsystems
JP4523826B2 (ja) ガスタービン監視装置及びガスタービン監視システム
KR102230463B1 (ko) 설비 부품의 결함 진단 시스템 및 이의 방법
TWM614854U (zh) 應用於轉子機械之智能監測系統
dos Santos Pedotti et al. Failure analysis on a water pump based on a low-cost MEMS accelerometer and Machine Learning Classifiers
Linnemann et al. Detection of faulty machine behavior using acoustic measurements: A predictive maintenance approach demonstrated by means of IGV misalignment
ITU et al. VIBROMECHANICAL DIAGNOSTICS OF MINE HOIST MACHINES.
Amitabh et al. MCSA-based Fault Indicator and a Log Likelihood algorithm to estimate the severity of Bearing faults in Induction Machine
Sheard et al. Detection of Stall Regions in a Low-Speed Axial Fan: Part II—Stall Warning by Visualisation of Sound Signals
Bahan et al. DETERMINING THE EFFICIENCY OF VIBRATION SIGNAL PROCESSING METHODS FOR PREDICTIVE DIAGNOSTICS OF ELECTRIC MOTORS.
KR20250029638A (ko) 블레이드 진단 시스템 및 방법
KR100296672B1 (ko) 축류압축기의오염을검출하기위한프로세스및장치

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220223

Address after: Munich, Germany

Patentee after: Siemens energy Global Ltd.

Address before: Munich, Germany

Patentee before: SIEMENS AG

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Munich, Germany

Patentee after: Siemens Energy International

Country or region after: Germany

Address before: Munich, Germany

Patentee before: Siemens energy Global Ltd.

Country or region before: Germany