CN101230803B - 使用卡尔曼滤波器来初始化动态模型状态的系统和方法 - Google Patents
使用卡尔曼滤波器来初始化动态模型状态的系统和方法 Download PDFInfo
- Publication number
- CN101230803B CN101230803B CN200810003276.XA CN200810003276A CN101230803B CN 101230803 B CN101230803 B CN 101230803B CN 200810003276 A CN200810003276 A CN 200810003276A CN 101230803 B CN101230803 B CN 101230803B
- Authority
- CN
- China
- Prior art keywords
- engine
- model
- motor
- type information
- dynamic type
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009471 action Effects 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 15
- 239000000446 fuel Substances 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000005461 lubrication Methods 0.000 claims description 8
- 238000002144 chemical decomposition reaction Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 239000002184 metal Substances 0.000 description 14
- 230000000052 comparative effect Effects 0.000 description 12
- 230000004907 flux Effects 0.000 description 11
- 230000004044 response Effects 0.000 description 11
- 230000001276 controlling effect Effects 0.000 description 9
- 239000012530 fluid Substances 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- RLQJEEJISHYWON-UHFFFAOYSA-N flonicamid Chemical compound FC(F)(F)C1=CC=NC=C1C(=O)NCC#N RLQJEEJISHYWON-UHFFFAOYSA-N 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
Classifications
-
- 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
- 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
- F05D2270/40—Type of control system
- F05D2270/44—Type of control system active, predictive, or anticipative
Abstract
本发明提供使用卡尔曼或类似类型滤波器来初始化动态模型状态的系统和方法。在一个实施例中，提供了用于控制燃气轮机的自适应的基于模型的控制系统。该系统包括至少一个传感器，用于获得关于发动机的当前状态的动态类型信息。该系统可以包括发动机模型，用于从传感器接收信息，还用于反应发动机的当前状态。该系统还可以包括模型滤波器，用于用该动态类型信息的至少一部分来初始化模型，其中，至少部分基于该动态类型信息的至少一个值输入发动机模型。该模型还可以用于至少部分基于该至少一个值来确定发动机模型的输出。该系统可以包括控制器，用于至少部分基于发动机模型的输出来确定发动机控制动作，还用于输出控制指令以执行发动机控制动作。
Description
发明领域
本发明涉及燃气轮机建模，特别是涉及使用卡尔曼(Kalman)或类似类型滤波器来初始化动态模型状态的系统和方法。
背景技术
在旋转机器例如燃气轮机中的燃烧系统的设计和操作可能很复杂。为了设计和操作这样的发动机，可以使用常规模型来预测各个发动机部件的性能参数，包括发动机的静态和动态状态。发动机的动态状态的一个示例是储存在燃气轮机部件(例如转子、叶片或机匣)中的热能。在一些情况下，常规的模型需要在预测其它性能参数之前对一个或多个性能参数进行初始化。
例如，一种典型方法是通过选择当热通量近似为零时的时间点或者当燃气轮机热稳定时的时间点来初始化模型的热状态。实际经验表明，可能需要在预定负载设定下工作大约30-60分钟来获得热稳定或平衡。在任何情况下，当真实动态状态并未被精确初始化时，可能在其它性能参数的建模中有残余误差。根据该误差的量，在模型和发动机的工作过程中可能要花费大量的时间来消减这些误差。
因此，需要自适应的控制系统和方法。进一步需要这样的自适应系统和方法，其中，控制系统能够自己实时更新。还需要能够通过使用计算机而自动化的自适应系统和方法。而且，还需要用于控制燃气轮机的自适应控制系统和方法，该燃气轮机诸如是在飞机发动机、发电站、船舶推进或工业应用中的燃气轮机。
发明内容
本发明实施例能够实现一些或全部上述要求。本发明实施例总体上涉及利用卡尔曼或类似类型的滤波器来初始化和设置动态模型状态的系统和方法，以便与燃气轮机的测量性能匹配。根据本发明的一个实施例，一系统可以包括模型，该模型有至少一个滤波器，该滤波器适用于初始化该模型的至少一个动态状态，以便与相关发动机的至少一个性能测量值相匹配。该系统还可以包括至少一个控制器，该控制器适用于至少部分基于该被初始化的模型来产生用于该相关发动机的指令。
根据本发明的一个方面，滤波器可以是卡尔曼滤波器。
根据本发明的另一方面，模型可以包括暖机模型。
根据本发明的另一方面，模型的动态状态可以是模型的热通量状态。
根据本发明实施例，用于控制燃气轮机的方法可以包括：获得与发动机的当前状态相关的动态类型信息。该方法还可以包括：用该动态类型信息的至少一部分来初始化发动机模型，其中，至少部分基于该动态类型信息的至少一个值被输入至该发动机模型。而且，该方法可以包括：至少部分基于至少一个值来由该模型确定该发动机的该当前状态。此外，该方法可以包括：至少部分基于该发动机的该状态来确定发动机控制动作。而且，该方法可以包括：输出控制指令，以便执行该发动机控制动作。
在本发明的一个方面，动态类型信息可以包括下列中的至少一个：温度、压力、该发动机的至少两点之间的温度差、排气温度、或者压缩机出口温度。
在本发明的另一方面，获得与发动机的当前状态相关的动态类型信息可以包括获得关于下列中至少一个的信息：该发动机、发动机部件、发动机系统、发动机系统部件、发动机控制系统、发动机控制系统部件、该发动机中的气体通路、气体通路的动态特性、促动器、执行器、改变发动机行为的控制装置、传感器、监视器、检测系统、燃料计量系统、燃料传送系统、润滑系统、液压系统、发动机与发动机的差异、退化、机械故障、电故障、化学故障、机械失效、电失效、化学失效、机械损坏、电损坏、化学损坏、系统故障、系统失效和系统损坏。
在本发明的还一方面，该发动机模型可以包括自适应的实时发动机模拟模型。
在本发明的还一方面，该模型滤波器可以包括卡尔曼滤波器。
而且，在本发明的另一方面，用该动态类型信息的至少一部分来初始化发动机模型可以包括向该发动机模型输入至少一个测量的性能值。
在本发明的另一方面，用该动态类型信息的至少一部分来初始化发动机模型可以包括实现卡尔曼滤波器。
在本发明的另一方面，该方法包括重复前述步骤的至少一部分，其中，附加动态类型信息被输入该发动机模型，以便改善发动机控制。
本发明的还一方面可以包括由计算机自动执行该方法。
根据本发明的一个实施例，用于控制燃气轮机的、自适应的、基于模型的控制系统可以包括至少一个传感器，该传感器适用于获得关于发动机的当前状态的动态类型信息。此外，该系统可以包括发动机模型，该发动机模型适用于从传感器接收信息，还适用于反应该发动机的该当前状态。该系统还可以包括模型滤波器，该模型滤波器适用于用该动态类型信息的至少一部分来初始化该模型，其中，至少部分基于该动态类型信息的至少一个值被输入至该发动机模型。而且，该模型还可以适用于至少部分基于至少一个值来确定该发动机模型的输出。而且，该系统可以包括控制器，该控制器适用于至少部分基于该发动机模型的该输出来确定发动机控制动作，还适用于输出控制指令，以便执行该发动机控制动作。
在本发明的一个方面，该动态类型信息可以包括下列中的至少一个：温度、压力、该发动机的至少两点之间的温度差、排气温度、或者压缩机出口温度。
在本发明的另一方面，与该发动机的当前状态相关的动态类型信息可以包括关于下列中至少一个的信息：该发动机、发动机部件、发动机系统、发动机系统部件、发动机控制系统、发动机控制系统部件、该发动机中的气体通路、气体通路的动态特性、促动器、执行器、改变发动机行为的控制装置、传感器、监视器、检测系统、燃料计量系统、燃料传送系统、润滑系统、液压系统、发动机与发动机的差异、退化、机械故障、电故障、化学故障、机械失效、电失效、化学失效、机械损坏、电损坏、化学损坏、系统故障、系统失效和系统损坏。
在本发明的另一方面，gai发动机模型可以包括自适应的实时发动机模拟模型。
在本发明的另一方面，至少部分基于该动态类型信息的该至少一个值可以包括至少一个测量的性能值。
在本发明的还一方面，该模型还可以适用于重复前述步骤的至少一部分，其中，附加动态类型信息被输入至该发动机模型，以便改善发动机控制。
本发明的另一方面，该模型可以由计算机自动执行。
根据本发明的实施例，一种用于控制燃气轮机的、自适应的、基于模型的控制系统可以包括至少一个模型，该模型适用于表示燃气轮机的性能。
在本发明的一个方面，至少一个估计器可以适用于确定该发动机的当前状态，还可以适用于用动态类型信息来初始化该模型。
在本发明的另一方面，至少一个基于模型的控制器可以适用于利用该估计器的输出，并向燃气轮机提供至少一个控制指令。
在本发明的另一方面，动态类型信息可以包括下列中的至少一个：温度、压力、在发动机的至少两点之间的温度差、排气温度、或者压缩机出口温度。
在本发明的另一方面，动态类型信息可以包括关于下列中至少一个的信息：该发动机、发动机部件、发动机系统、发动机系统部件、发动机控制系统、发动机控制系统部件、发动机中的气体通路、气体通路的动态特性、促动器、执行器、改变发动机行为的控制装置、传感器、监视器、检测系统、燃料计量系统、燃料传送系统、润滑系统、液压系统、发动机与发动机的变化、退化、机械故障、电故障、化学故障、机械失效、电失效、化学失效、机械损坏、电损坏、化学损坏、系统故障、系统失效和系统损坏。
而且，在本发明的另一方面，该发动机模型可以包括自适应的实时发动机模拟模型。
在本发明的另一方面，该模型还可以适用于重复前述步骤的至少一部分，其中，附加动态类型信息被输入至该发动机模型，以便改善发动机控制。
在本发明的还一方面，该估计器可以包括卡尔曼滤波器。
本发明的另一方面，该自适应的基于模型的控制系统由计算机来自动执行。
附图说明
这里已经总体介绍了本发明，下面将参考附图介绍，附图并不需要按比例画出，其中：
图1是表示可以通过本发明实施例来控制的示例燃气轮机的布局的示意图。
图2是表示本发明实施例的自适应发动机控制系统的部件的块图。
图3是表示示例模型在根据本发明一个实施例正常执行时的块图。
图4是表示示例模型在根据本发明一个实施例动态设置时的块图。
图5-6表示了用于本发明实施例的示例系统和模型的一系列传热方程。
图7-9表示了根据本发明实施例用于燃气轮机选定部件工作的初始化阶段(例如模型设置)。
图10-13表示了实施本发明实施例的燃气轮机和并不实施本发明实施例的燃气轮机的比较示例。
图14-15表示了实施本发明实施例的燃气轮机的比较示例。
具体实施方式
下面将参考附图更充分地介绍本发明，附图中表示了本发明的示例实施例。不过，本发明也可以以多种不同形式来实施，且并不构成为对这里提出的示例实施例的限制；而是，这些实施例用于向本领域技术人员介绍本发明的范围。在全部附图中，相同元件有相同标号。
下面将参考本发明实施例的方法和系统的块图和示意图来介绍本发明实施例。应当知道，这些图的各块以及图中的块的组合可以通过计算机程序指令来执行。这些计算机程序指令可以装入一个或多个通用计算机、专用计算机或其它可编程数据处理装置中，以便生成机器，这样，在计算机或其它可编程数据处理装置上执行的指令产生执行在块中规定的功能的装置。这些计算机程序指令也可以储存在计算机可读存储器中，该计算机可读存储器可以指导计算机或其它可编程数据处理装置来以特定方式起作用，这样，储存在计算机可读存储器中的指令产生包括指令装置的制造产品，它执行在块中规定的功能。
在本发明实施例中，任何物理系统、控制系统、或者发动机或发动机子系统的特性都可以建模，包括但不局限于：发动机自身、气体通路和气体通路动态特性；促动器、执行器或者改变或变化任何发动机行为的其它控制装置、传感器、监视器或者检测系统；燃料计量系统；燃料传送系统；润滑系统；和/或液压系统。这些部件和/或系统的模型可以是基于物理的模型(包括它们的线性近似)。另外或者也可选择，这些模型可以基于线性和/或非线性系统识别、神经网络和/或所有这些的组合。
燃气轮机是吸气式发动机，它基于布雷顿(Brayton)热动力循环来产生功。燃气轮机的一些非限定示例包括：飞机发动机、动力系统、船舶用途的推进发动机、用作泵的涡轮、用于组合循环电站中的涡轮以及用于其它工业用途的涡轮。在燃气轮机中，热能从燃料与空气的燃烧、燃料与氧化剂的燃烧、化学反应和/或与热源的换热中抽取。然后，热能转变成有用功。该功可以以推力、轴动力或电的形式输出。这些发动机的性能或操作将通过使用促动器来控制。在燃气轮机中的促动器的一些非限定示例包括燃料计量阀、进口导向叶片、可变静子叶片、可变几何形状、泄放阀、起动器阀、间隙控制阀、进口气流加热器、可变排气喷嘴等。所检测的发动机值的一些非限定示例包括：温度、压力、转子转速、促动器位置和/或流量。
图1中表示了示例性加力燃烧(afterburning)燃气轮机10的一个示例示意图，其具有站标记(station designation)12、传感器14和促动器16，其中，该促动器可以包括：IGV进口导向叶片；VSV可变静子叶片；MFMV主燃料计量阀；AFMV加力燃烧燃料计量阀；以及A8可变排气喷嘴。传感器可以包括：T2风扇进口温度；N2风扇转速；PS14风扇出口静压力；P25压缩机进口压力；N25核心机转速(core speed)；PS3压缩机排出静压力；以及T4B高压涡轮出口温度。
图1中所示的发动机10可以是气动连接的双转子机器，其中，低压转子系统(风扇和低压涡轮)可以在机械上独立于高压(核心发动机)系统。进入进口的空气能够由风扇压缩，然后分成两个同心气流。一个气流能够进入高压压缩机，并前进通过主发动机燃烧器、高压涡轮和低压涡轮。另一气流可以引导通过环形导管，并在低压涡轮的下游利用旋绕斜槽装置而与核心流重新组合。该组合气流可以进入增压器至收敛-发散的可变面积排气喷嘴，流体流可以在这里增压、膨胀并向后加速进入大气中，从而产生推力。
发动机10的各个促动器可以通过控制器的驱动输入来控制，该控制器例如是下面参考图2所述的示例性的基于模型的预测控制模块。各种传感器可以提供参数的测量或检测值，用于由一个或多个系统来监测和使用。例如，该检测和测量值可以用于用状态估计器来估计各个性能参数的值，如下面参考图2所述的那样。
本领域技术人员应当知道，这里所述的实施例可以用于各种系统，而并不局限于发动机或类似于图1中所述发动机的其它装置。
适用于向这样的发动机提供控制的控制系统已经下列文献中有记载，包括：美国专利No.6823253，标题为“METHODS AND APPARATUS FORMODEL PREDICTIVE CONTROL OF AIRCRAFT GAS TURBINE ENGINES”，申请日为2002年11月27日；美国专利No.6823675B2，标题为“ADAPTIVEMODEL-BASED CONTROL SYSTEMS AND METHODS FOR CONTROLLING A GASTURBINE”，申请日为2002年11月13日；和美国专利申请No.2005/0193739A1，标题为“MODEL-BASED CONTROL SYSTEMS ANDMETHODS FOR GAS TURBINE ENGINES”，申请日为2004年3月2日，各文献的内容被本文参引。
图2表示了实现按照本发明一个实施例的示例模型的控制结构。图2中所示的控制系统100适用于监测和控制物理的发动机设备或燃气轮机110，以便在各种状态下提供基本优化的性能。该设备或发动机110可以包括传感器，该传感器检测或测量一些参数的值Y。这些参数可以包括但不局限于：风扇速度、压力和压力比以及温度。该设备或发动机110还可以包括一个或多个促动器，该促动器可以由一个或多个指令输入U来控制。该设备或发动机110例如可以类似于图1中所示的发动机10。
将该检测或测量参数的值Y提供给状态估计器120。输入至该状态估计器120的值(例如温度)可以用来初始化该状态估计器120中的一个或多个值。状态估计器120可以包括该设备或发动机110的模型130。该状态估计器120可以使用该模型130来产生一个或多个状态参数，这些状态参数可以包括性能参数的估计值。在一特定实施例中，模型130可以是用卡尔曼滤波器实现的自适应实时发动机模拟(ARES)，如下面参考图3-4进一步详细介绍的那样。该ARES可以是适用于与用于相对大型工业燃气轮机的、基于模型的控制器一起使用的模型。在其它实施例中，该模型130可以包括递归类型滤波器、递归估计器、自适应数字类型滤波器、扩展卡尔曼滤波器、或者与这里所述类似的任意其它滤波器、算法、装置或方法。
来自状态估计器120和相关模型130的状态参数可以传送给基于模型的预测控制模块或控制模块140。该控制模块140可以使用这些状态参数来进行优化，以确定用于该设备或发动机110的一个或多个促动器的指令。例如，该控制模块140可以进行优化，以确定用于燃气轮机的一个或多个促动器的一个或多个发动机控制动作和相应控制指令。此时，控制模块140可以包括优化器150和模型160。与控制模块140相关的该模型160可以和与状态估计器120相关的模型130相同。本领域技术人员应当知道，一个模型可以在状态估计器120和控制模块140中的任意一个中实现或者在这两者中都实现。在一特定实施例，任意一个模型130、160或者这两个模型可以是用卡尔曼滤波器实现的自适应实时发动机模拟(ARES)，这在下面参考图3-4更详细地说明。使用任意一个或两个模型130、160能够优化发动机110，以便快速收敛。
在使用时，可以利用本发明的实施例在该设备或发动机110起动时优化该模型130、160。而且，可以利用本发明实施例在任意事件发生时间之后使模型130、160的动态状态重新初始化，该事件诸如是甩负荷(load rejection)或传感器故障。本发明其它实施例可以用来在其它情况下使其它类型的机器或装置的动态状态初始化。
图3和图4是分别表示根据本发明实施例在正常执行时和在动态设置时的示例模型的块图。这些图表示了由与模型300、400(例如用卡尔曼滤波器实现的的自适应实时发动机模拟ARES)相关的各种模块来处理的数据。如图所示，根据本发明实施例，模型300、400可以包括下列模块中的一些或全部：模型块302；模型块304；模型偏微分块306；模型偏微分块308；滤波器块310；以及暖机(heat soak)块312。模块302、304、306、308、310和312表示各种“运行时(run time)”类型模块，因此，根据本发明实施例，各种参数可以输入各模块302、304、306、308、310和312，且可以从模型302、304、306、308、310和312接收到各自对应的输出。本领域技术人员应当知道，各种输入和输出可以设置为数据输入、矢量、矩阵、函数和其它数学类型装置。在任何情况下，所示模型300、400可以确定在燃气轮机(例如图1中的10)或类似装置的实时环境中被测性能的模型预测值并动态调整模型预测值。该示例模型300、400可以用燃气轮机(图1中表示为10)和系统(图2中表示为100)来实现。
图3和图4表示了输入到模型300、400中的性能参数314。例如，性能参数314(标记为)可以输入模型块302，并可以进一步输入至模型块304。合适的性能参数可以包括但不局限于所检测或测量的性能参数，包括温度、压力、发动机中至少两点之间的温度差、排气温度、压缩机出口温度或者其它工作状态或数据。例如，性能参数可以包括但不局限于从下列中至少一个来的工作数据，该组包括：发动机、发动机部件、发动机系统、发动机系统部件、发动机控制系统、发动机控制系统部件、发动机中的气体通路、气体通路动态特性、促动器、执行器、改变发动机性能的控制装置、传感器、监视器、检测系统、燃料计量系统、燃料传送系统、润滑系统、液压系统、发动机与发动机的差异(engine-to-engine variation)、退化、机械故障、电故障、化学故障、机械失效、电失效、化学失效、机械损坏、电损坏、化学损坏、系统故障、系统失效和系统损坏。模型块302和模型块304可以分别为适用于模拟发动机或类似装置的实时性能的常规模型。各模型块302、304可以包括或以其它方式实现一个或多个算法，其适用于模拟发动机或类似装置的实时性能。
来自模型块302的相应输出316和来自模型块304的输出318可以至少部分基于该性能参数314来确定。例如，输入至模型块302的一些或全部性能参数314能够用于确定一性能输出316，标记为输入至模型块304的一些或全部性能参数314能够用于确定一性能输出318，标记为来自各模型块302、304的各性能输出316、318可以是矢量，该矢量包括预测或预期性能参数，该预测或预期性能参数至少部分基于输入至各模型块302、304的性能参数。模型块302除了输出性能输出316，还可以输出异相变量320(标记为“opv”)，以用于随后的模型运行。例如，在任意给定时间，在模型(例如模型块302)的矩阵中使用的一个或多个变量可以由于一次通过(one pass)而异相。在随后的模型运行中可以使用这些异相变量，或者对这些异相变量进行变换，以便在随后的模型运行中使用。
在图3和图4所示的实施例中，输入至模型块302的其它输入可以包括但不局限于：对模型进行的滤波器调节(标记为)或者乘法器(multiplier)322，以及发动机的预测传热324(标记为)，它们将在下面分别介绍。而且，输入至模型块302的另一输入可以是异相变量(标记为“opv”)，这在上文中参考标号320进行了描述。
而且，如图3和4所示，输入至模型块304的其它输入可以包括但不局限于：对模型进行的滤波器调节(标记为)或者乘法器326，以及发动机的预测传热324(标记为)，它们将在下面分别介绍。此外，输入至模型块304的另一输入可以是异相变量(标记为“opv”)，这在上文中参考标号320进行了描述。
对于来自模型块302、304的性能输出316、318，这些输出316、318可以分别输入模型偏微分块306和模型偏微分块308。模型偏微分块306和模型偏微分块308可以分别为常规模型，该常规模型适用于确定模型性能相对于特定输入性能参数变化而产生的相对变化量。各模型块306、308可以包括或以其它方式实现一个或多个算法，该算法适用于确定模型性能相对于特定输入性能参数变化而产生的相对变化量。例如，各模型块306、308可以对输入至各模型块306、308的该性能输出316、318(分别标记为和)进行偏微分。
对于模型偏微分块306，对模型进行的滤波器调节(标记为)或者乘法器322可以输入至该模型块306。至少部分基于输入至模型块306的该性能输出316以及对该模型进行的滤波器调节或者乘法器322，可以确定模型偏微分块306的输出326(标记为)。例如，对矢量(该矢量代表输入至模型块306的该性能输出316以及对该模型进行的滤波器调节或者乘法器322)所进行的偏微分可以用于确定输出326，如上所述，该输出326随后可以输入至模型块304。而且，输出330、332(分别标记为和)可以至少部分基于输入至模型块306的该性能输出316以及对该模型进行的滤波器调节或者乘法器322来确定。这些附加输出330、332可以包括从之前的模型运行中所确定、追踪或储存的对该模型进行的滤波器调节或者乘法器。任意一个或两个输出330、332可以输入至该模型偏微分块308。
对于模型偏微分块308，至少部分基于输入至模型块308的性能输出318，可以确定标记为“J”的输出334。如上所述，输入至模型块308的其它输入可以包括但不局限于：模型块306的输出326、330和332(分别标记为 以及)”。到模型块308的一些或所有这些输入326、330和332可以用于确定模型块308的输出334。例如，一些或全部输入318、326、330和332可以用于确定雅克比(Jacobian)变量矩阵(标记为“J”)或偏微分矩阵。
对于滤波器块310，模型块302的输出316可以输入至滤波器块310。另外，来自发动机(例如图1中的10)的性能参数336可以输入至滤波器块310。该性能参数可以包括但不局限于所检测或测量的性能参数。至少部分基于该输出316和该性能参数336，滤波器块310可以确定对一个或多个对该模型的调节或乘法器322。对该模型的调节或乘法器322中一些或全部可以用作对模型块302、模型块304、模型偏微分块306和模型偏微分块308的输入，如前所述。该滤波器块310可以是卡尔曼滤波器或者类似类型的滤波器，该滤波器适用于动态调节对于燃气轮机或类似装置的测量性能进行预测的一个或多个模型预测值。该滤波器块310可以包括或以其它方式实现一个或多个算法，该算法适用于动态调节对于燃气轮机或类似装置的测量性能进行预测的一个或多个模型预测值。
在图3和图4所示的实施例中，滤波器块310可以输出协方差输出338。例如，协方差输出可以包括但不局限于协方差矩阵。在随后的模型运行中，协方差输出338(例如协方差矩阵)可以用作对滤波器块310的输入。而且，在随后的模型运行中，从滤波器块310来的对该模型的调节或乘法器322中的一些或全部可以用作对滤波器块310的输入。
如图3中所示，对于模型300的正常执行，暖机块312可以接收来自模型块302的输入，例如输出316。对于如图4所示的对模型400的动态设置，暖机块312表示为还接收来自滤波器块310的附加输入，例如输出322。部分基于这些输入316、322中的任意一个或两个，暖机块312可以确定热通量输出324，标记为另外，暖机块312可以确定所关系的与燃气轮机或类似装置相关的金属温度342，标记为“Tmtl”。在随后的模型运行中，热通量输出324可以用作对模型块302、304的输入，如上所述。
在使用时，可以使用一些或全部上述处理和指令，并根据需要重复，以便在模型执行过程中自动且动态地设置滤波器(例如卡尔曼滤波器)，以便在任意特定时间确定该热通量模型的状态。以这种方式，该滤波器可以设置为可“调节”该热通量模型的初始状态，以便与所关心的燃气轮机或其它装置的测量性能相匹配。
在本发明的一个方面，一个或多个松弛因子(诸如对模型的调节或乘法器322)可以用于在大约25赫兹扫描速率时在大约50次扫描或模型运行中实现热通量调节，或者说在大约2秒内实现热通量调节。
在本发明的另一方面，热通量模型的初始状态通过将与燃气轮机相关的金属温度设置成与计算的热通量一致来初始化。
在本发明的还一方面，一些或全部上述处理和指令可以用来模型过程执行中自动且动态地设置滤波器(例如卡尔曼滤波器)，以便在任意特定时间确定另一组动态类型性能参数的状态。
图5和图6表示了用于本发明实施例的示例系统和相关模型的一系列示例传热方程。如图5中所示，对于处于浸没流体中的物质的常规传热和对流变量和方程可以用于模型(例如ARES暖机模型)中，类似于由图3中的暖机块312执行的模型。例如，一些或全部下列变量可以用于本发明一个实施例的示例系统和相关模型。
(1)h∞＝薄膜冷却系数
(2)AW＝湿面积
(3)M＝转子的热质量
(4)CP＝转子的比热
(5)TM＝金属温度
(6)T∞＝流体温度
(7)T0＝初始金属温度
(8)t＝时间
还例如，一些或全部以下方程可以用于本发明一个实施例的示例系统和相关模型。
(1)dQ/dt＝h∞AW(TM-T∞)
(2)dQ/dt＝-M CP d/dt(TM-T∞)
(3)d/dt(TM-T∞)＝-(h∞AW)/(MCP)(TM-T∞)
(4)(TM-T∞)/(T0-T∞)＝e-(t/τ)
(5)τ＝M CP/(h∞AW)
本发明的其它实施例可以执行任意上述变量或方程，并且也可以包括用于其它类型模型的其它变量和方程，并不局限于传热、对流或暖机模型。
为了根据本发明实施例初始化暖机模型，可以执行下列变量和方程。
(1)τref＝各热节点(例如3个节点)的时间常数
(2)hAref＝对流冷却系数×在参考状态下的湿面积
(3)tfref＝在参考状态下的流体(气体通路)温度
(4)wfref＝在参考状态下的质量流量
(5)T0＝初始金属温度
(6)Tf＝测量流体温度
(7)hA/hAref＝(W/Wref)0.8(tf/tfref)0.84
(8)τ/τref＝hAref/hA
(9)T0＝Tf+Qdot/hA
例如，变量(1)-(4)可以是参考输入变量。利用方程(7)和(8)，变量hA和τ可以与特定参考状态成比例。在方程(9)中，初始金属温度T0可以被求解出，否则通过调节(Qdot)并同时保持输入恒定来初始化。
在实施例的一个方面，该初始金属温度的初始化可以在大约25赫兹扫描速率下在大约50次扫描或模型运行中优化，或者说在大约2秒内优化。
图7-9表示了根据本发明实施例对三个不同燃气轮机部件(压缩机、燃烧室和涡轮)进行传热()初始化的系统和模型的响应速率。在全部三个图中，根据本发明实施例的系统和模型的三个不同实施方式表示了在系统实施方式之间的不同响应速率。这些图700、800、900表示了对这三个燃气轮机部件中的每一个来说的时间VS金属温度。基本上，这些图700、800、900表示了三个燃气轮机部件的热状态，它们共同地可以基本说明燃气轮机的热状态。图7表示了例如根据本发明实施例对压缩机进行的初始化阶段(例如滤波器设置)。所示的曲线图700表示系统702的Psigma值为大约0.0005，系统704的Psigma值为大约0.0010，系统706的Psigma值为大约0.0015。如图所示，具有相对较低Psigma值的系统702具有相对较慢响应速率。相反，具有相对较高Psigma值的系统706有相对较快响应速率，并且相对不稳定。与系统702和704相比，具有中间Psigma值的系统704的响应速率在系统702、706之间。在本示例中，大约0.0010的Psigma值适合本发明实施例的系统和模型，并由本示例中的特定设备来实现。这样，操作人员或用户可以确定对滤波器的优化设置，以便保证特定滤波器松弛(filterrelaxation)不会对所关心的特定动态状态产生欠阻尼或过阻尼。
图8表示了例如根据本发明实施例对燃烧室进行的初始化阶段(例如滤波器设置)。所示的曲线图800表示了系统802的Psigma值为大约0.0005，系统804的Psigma值为大约0.0010，系统806的Psigma值为大约0.0015。如图所示，具有相对较低Psigma值的系统802具有相对较慢响应速率。相反，具有相对较高Psigma值的系统806有相对较快响应速率，并且相对不稳定。与系统802和804相比，具有中间Psigma值的系统804的响应速率在系统802、806之间。在本示例中，大约0.0010的Psigma值适合本发明实施例的系统和模型，并由本示例中的特定设备来实现。这样，操作人员或用户可以确定对滤波器的优化设置，以便保证特定滤波器松弛不会对所关心的特定动态状态产生欠阻尼或过阻尼。
图9表示了例如根据本发明实施例对涡轮进行的初始化阶段(例如滤波器设置)。所示的曲线图900表示了系统902的Psigma值为大约0.0005，系统904的Psigma值为大约0.0010，系统906的Psigma值为大约0.0015。如图所示，具有相对较低Psigma值的系统902具有相对较慢响应速率。相反，具有相对较高Psigma值的系统906有相对较快响应速率，并且相对不稳定。与系统902和904相比，具有中间Psigma值的系统804的响应速率在系统902、906之间。在本示例中，大约0.0010的Psigma值适合本发明实施例的系统和模型，，并由本示例中的特定设备来实现。这样，操作人员或用户可以确定对滤波器的优化设置，以便保证特定滤波器松弛不会对所关心的特定动态状态产生欠阻尼或过阻尼。
图10-13表示了实施本发明实施例的燃气轮机模型和不实施本发明实施例的燃气轮机模型的示例性场比较。曲线图1000、1100、1200、1300表示了对于各燃气轮机部件，时间VS来自滤波器块322(图3)的乘法器。左手侧的轴上的大约1.00的值表示对特定部件的最佳模型预测。在各图中，沿竖向相对更靠近左手侧轴的大约1.00值的曲线1002、1102、1202、1302表示了实施了根据本发明实施例的暖机模型的燃气轮机模型的操作。相反，沿竖向相对更远离左手侧轴的大约1.00值的曲线1004、1104、1204、1304表示了并不实施根据本发明实施例的暖机模型的燃气轮机模型的操作。如这些曲线的比较所示，按照本发明实施例的示例模型相对有效。
图14-15表示了实施本发明实施例的燃气轮机模型的比较示例。曲线图1400、1500表示了时间VS金属和流体温度。在这两幅图中，曲线1402、1502表示了时间VS流体温度，而曲线1404、1504表示了时间VS金属温度。如曲线的比较所示，由本发明实施例进行的金属温度初始化考虑了明显的温度差，否则该温度差将导致由自适应实时发动机模拟模型产生错误的热通量计算值324(图3)。
这里所述的本发明多个变化形式和其它实施例将使本领域技术人员知道本发明具有在前述说明书和相关附图中教导的优点。因此，本领域普通技术人员应当知道，本发明可以以多种形式来实施，并不局限于这里所述的特定实施例，且其它实施例将包含在所附权利要求的范围内。尽管这里使用了特定术语，但是它们用于普通说明，并不用于限制。
部件列表：
10燃气轮机
12站标记
14传感器
16促动器
100控制系统
110燃气轮机
Y检测或测量值
U指令输入
120状态估计器
130模型
140控制模块
150优化器
160模型
300模型
302模型块
304模型块
306模型偏微分块
308模型偏微分块
310滤波器块
312暖机块
314性能参数
316模型块302的性能输出
318模型块304的性能输出
320异相变量
322乘法器
324该发动机的预测传热
326乘法器
330模型偏微分块306的输出
332模型偏微分块306的输出
334模型偏微分块308的输出
336该发动机的性能参数
338协方差输出
342金属温度
700一系列比较曲线图
702 Psigma值为大约0.0005的系统的曲线
704 Psigma值为大约0.0010的系统的曲线
706 Psigma值为大约0.0015的系统的曲线
800一系列比较曲线图
802 Psigma值为大约0.0005的系统的曲线
804 Psigma值为大约0.0010的系统的曲线
806 Psigma值为大约0.0015的系统的曲线
900一系列比较曲线图
902 Psigma值为大约0.0005的系统的曲线
904 Psigma值为大约0.0010的系统的曲线
906 Psigma值为大约0.0015的系统的曲线
1000一系列比较曲线图
1002实施暖机模型的燃气轮机模型的工作曲线
1002不实施暖机模型的燃气轮机模型的工作曲线
1100一系列比较曲线图
1102实施暖机模型的燃气轮机模型的工作曲线
1104不实施暖机模型的燃气轮机模型的工作曲线
1200一系列比较曲线图
1202实施暖机模型的燃气轮机模型的工作曲线
1204不实施暖机模型的燃气轮机模型的工作曲线
1300一系列比较曲线图
1302实施暖机模型的燃气轮机模型的工作曲线
1304不实施暖机模型的燃气轮机模型的工作曲线
1400一系列比较曲线图
1402时间VS流体温度的曲线
1404时间VS金属温度的曲线
1500一系列比较曲线图
1502时间VS流体温度的曲线
1504时间VS金属温度的曲线
Claims (22)
1. 一种用于控制燃气轮机（110）的方法，该方法包括：
获得与发动机（110）的当前状态相关的动态类型信息（Y）；
用该动态类型信息（Y）的至少一部分来初始化发动机模型（130），其中，使用卡尔曼滤波器来实现所述发动机模型，且至少部分基于该动态类型信息（Y）的至少一个值被输入至该发动机模型（130）；
至少部分基于该至少一个值，从该模型（130）来确定该发动机（110）的当前状态；
至少部分基于发动机（110）的该状态，确定发动机控制动作；以及
输出控制指令（U），以便执行该发动机控制动作。
2. 根据权利要求1所述的方法，其中，该动态类型信息（Y）包括下列中的至少一个：温度、压力、该发动机的至少两个点之间的温度差、排气温度、或者压缩机出口温度。
3. 根据权利要求1所述的方法，其中，获得与发动机（110）的当前状态相关的动态类型信息（Y）包括获得关于下列中至少一个的信息：该发动机、发动机部件、发动机系统、发动机系统部件、发动机控制系统、发动机控制系统部件、该发动机中的气体通路、气体通路的动态特性、促动器、执行器、改变发动机行为的控制装置、传感器、监视器、检测系统、燃料计量系统、燃料传送系统、润滑系统、液压系统、发动机与发动机的差异、退化、机械故障、电故障、化学故障、机械失效、电失效、化学失效、机械损坏、电损坏、化学损坏、系统故障、系统失效和系统损坏。
4. 根据权利要求1所述的方法，其中，该发动机模型（130）包括自适应的实时发动机模拟模型。
5. 根据权利要求1所述的方法，其中，用该动态类型信息（Y）的至少一部分来初始化发动机模型（130）包括向该发动机模型（130）输入至少一个测量的性能值。
6. 根据权利要求1所述的方法，其中，利用所述卡尔曼滤波器来初始化和设置动态模型状态，以便测量所述燃气轮机的性能。
7. 根据权利要求1所述的方法，还包括：
重复前述步骤的至少一部分，其中，将附加动态类型信息（Y）输入该发动机模型（130），以便改善发动机控制。
8. 根据权利要求1所述的方法，其中，该方法由计算机自动执行。
9. 一种自适应的基于模型的控制系统（100），用于控制燃气轮机，该系统（100）包括：
至少一个传感器（14），适用于获得关于发动机（110）的当前状态的动态类型信息（Y）；
发动机模型（130），适用于从传感器（14）接收信息，并且还适用于反应该发动机（110）的该当前状态；
卡尔曼滤波器（120），适用于用该动态类型信息（Y）的至少一部分来初始化该发动机模型（130），其中，至少部分基于该动态类型信息（Y）的至少一个值被输入至该发动机模型（130）；
该模型（130）还适用于至少部分基于该至少一个值来确定该发动机模型（130）的一输出；以及
控制器，适用于至少部分基于该发动机模型的该输出来确定发动机控制动作，并且还适用于输出控制指令（U），以便执行该发动机控制动作。
10. 根据权利要求9所述的系统，其中，该动态类型信息包括下列中的至少一个：温度、压力、该发动机的至少两个点之间的温度差、排气温度、或者压缩机出口温度。
11. 根据权利要求9所述的系统，其中，与发动机的当前状态相关的动态类型信息包括关于下列中至少一个的信息：该发动机、发动机部件、发动机系统、发动机系统部件、发动机控制系统、发动机控制系统部件、该发动机中的气体通路、气体通路的动态特性、促动器、执行器、改变发动机行为的控制装置、传感器、监视器、检测系统、燃料计量系统、燃料传送系统、润滑系统、液压系统、发动机与发动机的差异、退化、机械故障、电故障、化学故障、机械失效、电失效、化学失效、机械损坏、电损坏、化学损坏、系统故障、系统失效和系统损坏。
12. 根据权利要求9所述的系统，其中，该发动机模型包括自适应的实时发动机模拟模型。
13. 根据权利要求9所述的系统，其中，至少部分基于该动态类型信息的所述至少一个值包括至少一个测量的性能值。
14. 根据权利要求9所述的系统，其中，将附加动态类型信息输入该发动机模型，以便改善发动机控制。
15. 根据权利要求9所述的系统，其中，该模型由计算机自动执行。
16. 一种自适应的基于模型的控制系统（100），适用于控制燃气轮机（110），该控制系统（100）包括：
用于执行至少一个发动机模型（130）的计算机，所述至少一个发动机模型适用于表示所述燃气轮机（110）的性能，所述模型由卡尔曼滤波器来实现；
至少一个状态估计器（120），适用于确定发动机（110）的当前状态，并且还适用于用动态类型信息（Y）来初始化该发动机模型（130）；以及
至少一个控制模块（140），适用于利用来自状态估计器（120）的输出，并向该燃气轮机（110）提供至少一个控制指令（U）。
17. 根据权利要求16所述的系统，其中，该动态类型信息包括下列中的至少一个：温度、压力、该发动机的至少两个点之间的温度差、排气温度、或者压缩机出口温度。
18. 根据权利要求16所述的系统，其中，该动态类型信息包括关于下列中至少一个的信息：该发动机、发动机部件、发动机系统、发动机系统部件、发动机控制系统、发动机控制系统部件、该发动机中的气体通路、气体通路的动态特性、促动器、执行器、改变发动机行为的控制装置、传感器、监视器、检测系统、燃料计量系统、燃料传送系统、润滑系统、液压系统、发动机与发动机的差异、退化、机械故障、电故障、化学故障、机械失效、电失效、化学失效、机械损坏、电损坏、化学损坏、系统故障、系统失效和系统损坏。
19. 根据权利要求16所述的系统，其中，该模型包括自适应的实时发动机模拟模型。
20. 根据权利要求16所述的系统，其中，将附加动态类型信息输入该发动机模型，以便改善发动机控制。
21. 根据权利要求16所述的系统，所述状态估计器包括用所述卡尔曼滤波器来实现的所述模型。
22. 根据权利要求16所述的系统，其中，所述自适应的基于模型的控制系统由计算机自动执行。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US11/627,534 US7853392B2 (en) | 2007-01-26 | 2007-01-26 | Systems and methods for initializing dynamic model states using a Kalman filter |
| US11/627534 | 2007-01-26 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101230803A CN101230803A (zh) | 2008-07-30 |
| CN101230803B true CN101230803B (zh) | 2014-11-05 |
Family
ID=39564166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN200810003276.XA Expired - Fee Related CN101230803B (zh) | 2007-01-26 | 2008-01-28 | 使用卡尔曼滤波器来初始化动态模型状态的系统和方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US7853392B2 (zh) |
| JP (1) | JP2008185029A (zh) |
| CN (1) | CN101230803B (zh) |
| CH (1) | CH701650B1 (zh) |
| DE (1) | DE102008005939A1 (zh) |
Families Citing this family (78)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7904282B2 (en) * | 2007-03-22 | 2011-03-08 | General Electric Company | Method and system for fault accommodation of machines |
| GB0712980D0 (en) * | 2007-07-04 | 2007-08-15 | Rolls Royce Plc | Engine performance model |
| US7822512B2 (en) * | 2008-01-08 | 2010-10-26 | General Electric Company | Methods and systems for providing real-time comparison with an alternate control strategy for a turbine |
| US20090299929A1 (en) * | 2008-05-30 | 2009-12-03 | Robert Kozma | Methods of improved learning in simultaneous recurrent neural networks |
| US8221057B2 (en) * | 2008-06-25 | 2012-07-17 | General Electric Company | Method, system and controller for establishing a wheel space temperature alarm in a turbomachine |
| US20100036540A1 (en) * | 2008-08-05 | 2010-02-11 | John Lyle Vian | Optimizing usage of powered systems |
| FR2936556B1 (fr) * | 2008-09-30 | 2015-07-24 | Snecma | Systeme de commande d'equipements a geometrie variable d'une turbomachine, notamment par guignols. |
| US8457936B2 (en) * | 2008-11-24 | 2013-06-04 | Honeywell International Inc. | Apparatus and methods for simulating a system steady state devoid of performing full transient operating conditions |
| FR2939509B1 (fr) * | 2008-12-09 | 2011-03-04 | Snecma | Procede et systeme d'estimation d'une temperature de veine dans un turboreacteur. |
| FR2939508B1 (fr) * | 2008-12-09 | 2011-01-07 | Snecma | Procede et systeme de correction d'un signal de mesure d'une temperature. |
| US20100205130A1 (en) * | 2009-02-12 | 2010-08-12 | General Electric Company | Adaptive transient multi-node heat soak modifier |
| US8185260B2 (en) * | 2009-02-12 | 2012-05-22 | Honeywell International Inc. | Prognostic and health management accuracy maintenance system and method |
| JP5164928B2 (ja) * | 2009-05-28 | 2013-03-21 | 東邦瓦斯株式会社 | ガスタービンの異常診断装置 |
| US8606554B2 (en) | 2009-10-19 | 2013-12-10 | Siemens Aktiengesellschaft | Heat flow model for building fault detection and diagnosis |
| FR2960641A1 (fr) * | 2010-05-26 | 2011-12-02 | Airbus Operations Sas | Dispositif d'equilibrage d'une plateforme de simulation, et procede associe |
| US8538561B2 (en) * | 2011-03-22 | 2013-09-17 | General Electric Company | Method and system to estimate variables in an integrated gasification combined cycle (IGCC) plant |
| US8417361B2 (en) * | 2011-03-22 | 2013-04-09 | General Electric Company | Model predictive control system and method for integrated gasification combined cycle power generation |
| US20130024179A1 (en) * | 2011-07-22 | 2013-01-24 | General Electric Company | Model-based approach for personalized equipment degradation forecasting |
| US8423161B2 (en) * | 2011-08-24 | 2013-04-16 | General Electric Company | Methods and systems for gas turbine modeling using adaptive kalman filter |
| US8452515B2 (en) | 2011-09-15 | 2013-05-28 | General Electric Company | System and method for simulating a gas turbine compressor |
| US9002615B2 (en) * | 2012-01-18 | 2015-04-07 | General Electric Company | Methods and systems for managing power of an engine |
| US8903753B2 (en) | 2012-02-06 | 2014-12-02 | General Electric Company | Steam turbine performance testing |
| US9458734B2 (en) | 2012-06-08 | 2016-10-04 | General Electric Company | Model and simulation based control of turbines |
| CN102736523B (zh) * | 2012-07-10 | 2014-04-16 | 天津亿利汽车环保科技有限公司 | 发动机模拟控制器 |
| CN102788955B (zh) * | 2012-07-17 | 2015-02-11 | 哈尔滨工业大学 | 基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法 |
| CN102749584B (zh) * | 2012-07-17 | 2014-07-30 | 哈尔滨工业大学 | 基于Kalman滤波的ESN的涡轮发动机的剩余寿命预测方法 |
| US9459671B2 (en) | 2013-02-25 | 2016-10-04 | General Electric Company | Systems and methods for use in adapting the operation of a gas turbine |
| US9014945B2 (en) * | 2013-03-08 | 2015-04-21 | General Electric Company | Online enhancement for improved gas turbine performance |
| US9422869B2 (en) | 2013-03-13 | 2016-08-23 | General Electric Company | Systems and methods for gas turbine tuning and control |
| WO2014143887A2 (en) * | 2013-03-15 | 2014-09-18 | United Technologies Corporation | Compact aero-thermo model based engine power control |
| US9476361B2 (en) * | 2013-07-08 | 2016-10-25 | General Electric Company | Systems and methods for control of operating life of a gas turbine |
| DE102013226409A1 (de) * | 2013-12-18 | 2015-06-18 | Siemens Aktiengesellschaft | Verfahren zur Regelung und/oder Steuerung der Stellgrößen einer Gasturbine in einem Verbrennungssystem |
| CN103743867B (zh) * | 2013-12-30 | 2015-06-10 | 镇江市高等专科学校 | 基于神经网络的卡尔曼滤波甲醛检测方法 |
| US9494086B2 (en) | 2014-02-28 | 2016-11-15 | General Electric Company | Systems and methods for improved combined cycle control |
| US20150346703A1 (en) * | 2014-05-27 | 2015-12-03 | Infineon Technologies Ag | State observers |
| US9784183B2 (en) | 2014-11-18 | 2017-10-10 | General Electric Company | Power outlet, emissions, fuel flow and water flow based probabilistic control in liquid-fueled gas turbine tuning, related control systems, computer program products and methods |
| US9771877B2 (en) | 2014-11-18 | 2017-09-26 | General Electric Company | Power output and fuel flow based probabilistic control in part load gas turbine tuning, related control systems, computer program products and methods |
| US9771875B2 (en) | 2014-11-18 | 2017-09-26 | General Electric Company | Application of probabilistic control in gas turbine tuning, related control systems, computer program products and methods |
| US9771876B2 (en) | 2014-11-18 | 2017-09-26 | General Electric Compnay | Application of probabilistic control in gas turbine tuning with measurement error, related control systems, computer program products and methods |
| US9771874B2 (en) | 2014-11-18 | 2017-09-26 | General Electric Company | Power output and fuel flow based probabilistic control in gas turbine tuning, related control systems, computer program products and methods |
| US9803561B2 (en) | 2014-11-18 | 2017-10-31 | General Electric Company | Power output and emissions based degraded gas turbine tuning and control systems, computer program products and related methods |
| US9909507B2 (en) | 2015-01-27 | 2018-03-06 | General Electric Company | Control system for can-to-can variation in combustor system and related method |
| US9605559B2 (en) | 2015-02-02 | 2017-03-28 | General Electric Company | Wash timing based on turbine operating parameters |
| WO2016133578A2 (en) * | 2015-02-04 | 2016-08-25 | Sikorsky Aircraft Corporation | Estimating dynamic thrust or shaft power of an engine |
| US9599025B2 (en) | 2015-04-14 | 2017-03-21 | General Electric Company | Application of probabilistic control in gas turbine tuning for power output-exhaust energy parameters, related control systems, computer program products and methods |
| US9599029B2 (en) | 2015-04-14 | 2017-03-21 | General Electric Company | Application of probabilistic control in gas turbine tuning for fuel flow-emissions parameters, related control systems, computer program products and methods |
| US9599024B2 (en) | 2015-04-14 | 2017-03-21 | General Electric Company | Application of probabilistic control in gas turbine tuning for exhaust energy-emissions parameters, related control systems, computer program products and methods |
| US9599026B2 (en) | 2015-04-14 | 2017-03-21 | General Electric Company | Application of probabilistic control in gas turbine tuning for exhaust energy-power output parameters, related control systems, computer program products and methods |
| US9599030B2 (en) | 2015-04-14 | 2017-03-21 | General Electric Company | Application of probabilistic control in gas turbine tuning for exhaust energy-fuel flow parameters, related control systems, computer program products and methods |
| US9599033B2 (en) | 2015-04-14 | 2017-03-21 | General Electric Company | Application of probabilistic control in gas turbine tuning for fuel flow-exhaust energy parameters, related control systems, computer program products and methods |
| US9599032B2 (en) | 2015-04-14 | 2017-03-21 | General Electric Company | Application of probabilistic control in gas turbine tuning for emissions-fuel flow parameters, related control systems, computer program products and methods |
| US9599031B2 (en) | 2015-04-14 | 2017-03-21 | General Electric Company | Application of probabilistic control in gas turbine tuning for power output-emissions parameters, related control systems, computer program products and methods |
| US9599027B2 (en) | 2015-04-14 | 2017-03-21 | General Electric Company | Application of probabilistic control in gas turbine tuning for emissions-exhaust energy parameters, related control systems, computer program products and methods |
| US9611791B2 (en) | 2015-04-14 | 2017-04-04 | General Electric Company | Application of probabilistic control in gas turbine tuning for fuel flow-power output parameters, related control systems, computer program products and methods |
| CN105137957A (zh) * | 2015-06-23 | 2015-12-09 | 黄红林 | 一种核电蒸汽发生器控制方法 |
| WO2017030641A1 (en) | 2015-08-20 | 2017-02-23 | Sikorsky Aircraft Corporation | Vibration damping device for an elongated member |
| US9856796B2 (en) | 2015-12-07 | 2018-01-02 | General Electric Company | Application of probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
| US9856797B2 (en) | 2015-12-16 | 2018-01-02 | General Electric Company | Application of combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
| US9882454B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Application of combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
| US9879615B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Machine-specific probabilistic control in gas turbine tuning for power output-emissions parameters, related control systems, computer program products and methods |
| US9879613B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Application of combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
| US9797315B2 (en) | 2015-12-16 | 2017-10-24 | General Electric Company | Probabilistic control in gas turbine tuning for power output-emissions parameters, related control systems, computer program products and methods |
| US9790865B2 (en) | 2015-12-16 | 2017-10-17 | General Electric Company | Modelling probabilistic control in gas turbine tuning for power output-emissions parameters, related control systems, computer program products and methods |
| US9879614B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Machine-specific combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
| US9879612B2 (en) | 2015-12-16 | 2018-01-30 | General Electric Company | Combined probabilistic control in gas turbine tuning for power output-emissions parameters with scaling factor, related control systems, computer program products and methods |
| US10466661B2 (en) * | 2015-12-18 | 2019-11-05 | General Electric Company | Model-based performance estimation |
| US20170328567A1 (en) * | 2016-05-11 | 2017-11-16 | United Technologies Corporation | Multivariable fuel control and estimator (mfce) for preventing combustor blowout |
| US11143056B2 (en) * | 2016-08-17 | 2021-10-12 | General Electric Company | System and method for gas turbine compressor cleaning |
| US10233846B2 (en) * | 2016-09-20 | 2019-03-19 | General Electric Company | Smart liquid fuel system with ability to self-diagnostics |
| US11041446B2 (en) * | 2018-02-23 | 2021-06-22 | Rolls-Royce Corporation | Gas turbine engine fuel additive control system |
| GB201807771D0 (en) * | 2018-05-14 | 2018-06-27 | Rolls Royce Plc | Hybrid electric aircraft propulsion system |
| EP3693268B1 (en) * | 2019-02-07 | 2023-05-17 | Raytheon Technologies Corporation | Adaptive model predictive control for hybrid electric propulsion |
| GB201903062D0 (en) | 2019-03-07 | 2019-04-24 | Rolls Royce Plc | Fuel control system |
| JP7371848B2 (ja) * | 2019-03-07 | 2023-10-31 | 学校法人沖縄科学技術大学院大学学園 | インタラクティブシミュレーションシステム、シミュレータ、インタラクティブシミュレーション方法、および、インタラクティブシミュレーションプログラム |
| CN110879151B (zh) * | 2019-11-28 | 2021-11-26 | 上海发电设备成套设计研究院有限责任公司 | 基于运行大数据的燃气轮机远程监测和诊断系统及方法 |
| CN111077778B (zh) * | 2019-12-18 | 2022-09-09 | 哈尔滨工程大学 | 一种基于扩展卡尔曼滤波的船用燃气轮机参数估计及性能寻优方法 |
| CN114876647B (zh) * | 2022-06-01 | 2023-07-21 | 中国航发沈阳发动机研究所 | 一种航空发动机自动执行暖机的方法及系统 |
| US11840966B1 (en) * | 2022-11-18 | 2023-12-12 | Rtx Corporation | Tuning engine parameter estimator using gas path analysis data |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6823253B2 (en) * | 2002-11-27 | 2004-11-23 | General Electric Company | Methods and apparatus for model predictive control of aircraft gas turbine engines |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6823675B2 (en) * | 2002-11-13 | 2004-11-30 | General Electric Company | Adaptive model-based control systems and methods for controlling a gas turbine |
| US6976351B2 (en) * | 2003-04-04 | 2005-12-20 | General Electric Company | Methods and apparatus for monitoring gas turbine combustion dynamics |
| US20050193739A1 (en) * | 2004-03-02 | 2005-09-08 | General Electric Company | Model-based control systems and methods for gas turbine engines |
| US7461509B2 (en) * | 2005-05-06 | 2008-12-09 | General Electric Company | Method and system for determining lean blow out condition for gas turbine combustion cans |
| US7441411B2 (en) * | 2005-09-16 | 2008-10-28 | General Electric Company | Method and apparatus to detect onset of combustor hardware damage |
| US7584617B2 (en) * | 2006-03-17 | 2009-09-08 | Siemens Energy, Inc. | Monitoring health of a combustion dynamics sensing system |
| US7503177B2 (en) * | 2006-03-17 | 2009-03-17 | Siemens Energy, Inc. | Combustion dynamics monitoring |
| US7620461B2 (en) * | 2007-06-26 | 2009-11-17 | General Electric Company | Systems and methods for using a combustion dynamics tuning algorithm with a multi-can combustor |
| US7908072B2 (en) * | 2007-06-26 | 2011-03-15 | General Electric Company | Systems and methods for using a combustion dynamics tuning algorithm with a multi-can combustor |
-
2007
- 2007-01-26 US US11/627,534 patent/US7853392B2/en active Active
-
2008
- 2008-01-22 CH CH00085/08A patent/CH701650B1/de not_active IP Right Cessation
- 2008-01-24 JP JP2008013250A patent/JP2008185029A/ja not_active Withdrawn
- 2008-01-24 DE DE102008005939A patent/DE102008005939A1/de not_active Withdrawn
- 2008-01-28 CN CN200810003276.XA patent/CN101230803B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6823253B2 (en) * | 2002-11-27 | 2004-11-23 | General Electric Company | Methods and apparatus for model predictive control of aircraft gas turbine engines |
Non-Patent Citations (2)
| Title |
|---|
| JP昭58-211534A 1983.12.09 * |
| JP特开2005-248946A 2005.09.15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20080178600A1 (en) | 2008-07-31 |
| CH701650B1 (de) | 2011-02-28 |
| CN101230803A (zh) | 2008-07-30 |
| DE102008005939A1 (de) | 2008-07-31 |
| JP2008185029A (ja) | 2008-08-14 |
| US7853392B2 (en) | 2010-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101230803B (zh) | 使用卡尔曼滤波器来初始化动态模型状态的系统和方法 | |
| US9441547B2 (en) | Model-based optimal control for stall margin limit protection in an aircraft engine | |
| Schobeiri et al. | GETRAN: A generic, modularly structured computer code for simulation of dynamic behavior of aero-and power generation gas turbine engines | |
| US7620461B2 (en) | Systems and methods for using a combustion dynamics tuning algorithm with a multi-can combustor | |
| EP1103926A2 (en) | Methods and apparatus for model-based diagnostics | |
| Zhu et al. | Simulation of an advanced twin-spool industrial gas turbine | |
| Gobran | Off-design performance of solar Centaur-40 gas turbine engine using Simulink | |
| Panov | Gasturbolib: Simulink library for gas turbine engine modelling | |
| EP3242259B1 (en) | Thermal management system control and heat exchanger life extension | |
| Asgari et al. | Considerations in modelling and control of gas turbines—A review | |
| Kim et al. | Adaptation method for overall and local performances of gas turbine engine model | |
| Singh et al. | Dynamic modeling and robust nonlinear control of a laboratory gas turbine engine | |
| Sanaye et al. | Prediction of blade life cycle for an industrial gas turbine at off-design conditions by applying thermodynamics, turbo-machinery and artificial neural network models | |
| Singh et al. | Modeling, simulation and validation of mini SR-30 gas turbine engine | |
| Yang et al. | Gas turbine engine transient performance and heat transfer effect modelling: A comprehensive review, research challenges, and exploring the future | |
| Beneda | Modular electronic turbojet control system based on TPR | |
| CN116842861A (zh) | 用于航空发动机性能及燃/滑油系统的耦合分析方法 | |
| Meyer et al. | Gas turbine engine behavioral modeling | |
| Li et al. | Structured neural-network-based modeling of a hybrid-electric turboshaft engine's startup process | |
| Sekhon et al. | Stationary gas turbines-a real time dynamic model with experimental validation | |
| Tajalli et al. | Thermodynamic simulation of two-shaft gas turbine to study invasive weeds optimization and Min-Max controller strategies considering air-cooled blades | |
| Meyer et al. | Gas turbine engine behavioral modeling | |
| Schobeiri et al. | Nonlinear dynamic simulation of single-and multispool core engines. I-Computational method. II-Simulation, code validation | |
| Kim et al. | Suitability of performance adaptation methods for updating the thermodynamic cycle model of a turboprop engine | |
| Kong et al. | Performance simulation of turboprop engine for basic trainer |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141105 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |