CN102889992A - 用于个性化的设备退化预测的基于模型的途径 - Google Patents

用于个性化的设备退化预测的基于模型的途径 Download PDF

Info

Publication number
CN102889992A
CN102889992A CN2012102550613A CN201210255061A CN102889992A CN 102889992 A CN102889992 A CN 102889992A CN 2012102550613 A CN2012102550613 A CN 2012102550613A CN 201210255061 A CN201210255061 A CN 201210255061A CN 102889992 A CN102889992 A CN 102889992A
Authority
CN
China
Prior art keywords
turbine
parameter
model
estimated value
confidence
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.)
Pending
Application number
CN2012102550613A
Other languages
English (en)
Inventor
M.C.马扎罗
M.W.阿哈米
J.P.C.瓦尔多维诺斯
A.K.潘迪
A.塔卢达
A.E.特雷霍
J.V.佩斯
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN102889992A publication Critical patent/CN102889992A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • F01D17/20—Devices dealing with sensing elements or final actuators or transmitting means between them, e.g. power-assisted
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01K—STEAM ENGINE PLANTS; STEAM ACCUMULATORS; ENGINE PLANTS NOT OTHERWISE PROVIDED FOR; ENGINES USING SPECIAL WORKING FLUIDS OR CYCLES
    • F01K13/00—General layout or general methods of operation of complete plants
    • F01K13/02—Controlling, e.g. stopping or starting
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • F05D2260/82—Forecasts
    • F05D2260/821—Parameter estimation or prediction

Abstract

本发明涉及一种用于个性化的设备退化预测的基于模型的途径。在一个实施例中，一种系统提供了用于获取涡轮发动机的一个或多个操作参数的测量结果的器件。该系统还包括用于至少部分地基于所获取的测量结果来确定在当前时间处的所关心的性能参数的估计值的器件、用于基于来自于先前时间处的历史估计值集来调整在当前时间处的衰退模型的器件，以及用于基于调整的衰退模型来预测涡轮发动机中的性能变化的器件。

Description

用于个性化的设备退化预测的基于模型的途径
技术领域
本文所公开的主题大体上涉及燃气涡轮发动机，并且更具体地涉及一种用于使用个性化的基于模型的途径来预测发动机退化的系统及方法。
背景技术
在燃气涡轮发动机操作时，发动机的效率和性能可随时间变化而衰退。性能上的这种退化可由于各种因素造成，诸如发动机磨损或发动机构件损坏。测量或以其它方式监测燃气涡轮发动机的退化可在估定何时应当执行维护动作以及什么类型的维护动作应当执行时是有用的。此外，问题或性能反常的早期检测可有助于防止构件或发动机失效。
为了监测燃气涡轮发动机的性能退化，一些现有的控制系统可利用计算机执行的模型，该模型设计成用以模拟燃气涡轮发动机随时间变化的预期性能和退化。例如，基于在燃气涡轮发动机的操作期间所获取的一个或多个感测到的输入和/或输出参数，控制系统可根据模型提供燃气涡轮发动机的一个或多个估计状态。例如，模型可提供关于未必可通过传感器直接测量的参数的估计状态，诸如关于涡轮效率、压缩机效率等的某些参数。因此，如果由模型提供的状态估计指示涡轮发动机的特定构件已经达到退化状态，在该退化状态中，需要或建议修理和/或维护，则操作人员可采取这种动作。例如，操作人员可使燃气涡轮发动机脱机，且开始任何必要的维护/修理。
现有的性能退化监测技术的一个缺陷在于，现有的“类属”估计模型假定特定构造、型号和设计的所有燃气涡轮发动机都将在它们的操作寿命过程内相同地表现，但事实上情况通常并非如此。也就是说，利用相同类型的构件在相同组装线上构建的相同类型、设计、构造和/或型号的两个燃气涡轮发动机，即使在类似的条件下操作，在现实世界的使用中也可能未必以相同的速率退化。因此，用于燃气涡轮发动机的特定类型(例如，具体构造、型号、设计等)的类属发动机估计模型的使用可能未必对所有此类型的燃气涡轮发动机都提供准确的状态估计。此外，使用类属估计模型的现有控制系统可能不能准确地预测设备退化。此外，现有的估计模型在它们未基于随着时间变化的实际涡轮性能参数而更新的意义上可为静态的，且因此不能适于提供针对给定涡轮发动机的准确状态估计。结果，可能有挑战性的是准确地确定何时应当执行设备维护和/或修理，维护和/或修理可包括清洁和清洗进程、预防性检修和/或构件更换/修理等。
发明内容
在一个实施例中，一种系统包括构造成生成功率输出的功率生成装置。该系统包括多个传感器，传感器在功率生成装置的操作期间测量一个或多个操作参数，包括至少一个输入参数和至少一个输出参数。而且，该系统包括控制系统，控制系统具有：估计器逻辑，估计器逻辑至少部分地基于测量的输入参数和输出参数来确定当前时间步长处对所关心的性能参数的估计值；以及预测逻辑，预测逻辑构造成识别在多个先前时间步长内的历史估计值集、基于历史估计值集来调整衰退模型，以及基于调整的衰退模型来预测功率生成装置中的性能变化。
在另一实施例中，一种系统包括状态估计器，该状态估计器构造成确定在多个时间步长中的每一个处对所关心的性能参数的估计值和对应估计误差。该系统还包括分析器，分析器构造成接收对应于当前时间步长的性能参数的估计值和估计误差、确定用于在当前时间步长处的估计误差的分布函数的一个或多个置信带、基于在当前时间步长处确定的置信带来估测在下一时间步长处的性能参数的估计值，以及确定在下一时间步长处的性能参数是否落入所选的置信带内。
在又一实施例中，一种系统包括用于获取涡轮发动机的一个或多个操作参数的测量结果的器件。该系统还包括用于至少部分地基于所获取的测量结果来确定在当前时间处的所关心的性能参数的估计值的器件、用于基于来自于先前时间处的历史估计值集来调整在当前时间处的衰退模型的器件，以及用于基于调整的衰退模型来预测涡轮发动机中的性能变化的器件。
附图说明
在参照附图来阅读以下详细说明时，本发明的这些及其它特征、方面和优点将变得更好理解，其中相似的符号在所有附图中代表相似的部件，在附图中：
图1为绘出包括燃气涡轮发动机的系统的实施例的框图；
图2为绘出根据本发明的实施例的控制系统的实施例的框图，该控制系统具有构造成为图1中的燃气涡轮发动机的一个或多个构件提供个性化的性能退化预测的逻辑；
图3为绘出根据本发明的实施例的用于为燃气涡轮发动机的构件提供个性化的性能退化预测的过程的流程图，该过程可通过图2中所示的控制系统来执行；
图4为示出用以为燃气涡轮发动机的构件提供性能退化的预测的基于历史性能数据的衰退模型的调整的图表；
图5为绘出用于对所选的置信带来估测估计性能参数值的过程的流程图；以及
图6为示出了估计误差的概率密度函数的图表。
具体实施方式
下文将描述本发明的一个或多个具体实施例。为了提供这些实施例的简要描述，在本说明书中可并未描述实际实施方式的所有特征。应当认识到，在任何这种实际实施方式的开发中，如在任何工程或设计项目中一样，必须作出许多针对具体实施方式的决定，以实现开发者的具体目标，诸如遵循关于系统和关于商业的限制，这从一个实施方式至另一个可以是不同的。此外，应当认识到，这些开发工作可能很复杂且耗时的，但对于受益于本公开的那些普通技术人员而言，这将仍为设计、构造和制造的常规任务。
在介绍本发明的各种实施例的元件时，冠词“一个”、“一种”、“该”，以及“所述”意图指的是存在一个或多个该元件。用语“包括”、“包含”，以及“具有”意图为包括性的，且指的是可存在除所列元件外的附加元件。
如下文进一步所述，某些实施例提供了用于提供对燃气涡轮发动机的个性化设备退化预测的技术。在一个实施例中，将从燃气涡轮发动机获取的传感器测量结果提供给状态估计器框。状态估计器框可使用传感器测量结果和来自于燃气涡轮发动机的软件执行模型的预计输出，基于采样率确定时间步长处的某些性能参数的估计值。状态估计器框的输出可反馈至模型，模型适应性地更新来更接近地模拟燃气涡轮发动机的实际性能。随时间变化，估计值可形成基于时间的数据系列。预测模块可分析历史估计值，且可基于该分析来调整衰退模型。使用调整的衰退模型，可更有效地且更准确地计划用于燃气涡轮发动机的维护和修理时间表。
现转到附图，图1示出了框图，该框图示出了燃气涡轮系统10的实施例，本公开中阐述的个性化性能退化监测和预测技术可应用于该燃气涡轮系统10。涡轮系统10可使用液体燃料或气体燃料，诸如天然气和/或富氢合成气，以运转涡轮系统10。例如，燃料喷嘴可吸入燃料供送源，将燃料与空气混合，且将空气-燃料混合物分配至燃烧器12中。空气-燃料混合物的燃烧可在燃烧器12内产生热加压气体，将引导热加压气体穿过包括高压(HP)涡轮16和低压(LP)涡轮18的涡轮区段14，且朝排气出口20引导热加压气体。在所示的实施例中，HP涡轮16可为HP转子的一部分，而LP涡轮18可为LP转子的一部分。当排出气体穿过HP涡轮16和LP涡轮18时，气体可推动涡轮叶片使传动轴22旋转，传动轴22沿涡轮系统10的旋转轴线延伸。如图所示，传动轴22连接到涡轮系统10的各种构件，包括HP压缩机26和LP压缩机28。
传动轴22可包括一个或多个轴，其可例如同心地对准。传动轴22可包括将HP涡轮16连接到涡轮系统10的压缩机区段24的高压压缩机26上以形成HP转子的轴。例如，HP压缩机26可包括联接到传动轴22上的压缩机叶片。因此，HP涡轮16中的涡轮叶片的旋转可导致将HP涡轮16连接到HP压缩机26上的轴使在HP压缩机26内的压缩机叶片旋转，在HP压缩机26内的压缩机叶片压缩在HP压缩机26中的空气。类似地，传动轴22可包括将LP涡轮18连接到压缩机区段24的低压压缩机28上以形成LP转子的轴。因此，在所示的实施例中，传动轴22可包括用于分别驱动HP压缩机/涡轮构件和LP压缩机/涡轮构件的HP转子和LP转子两者。LP压缩机28可包括联接到传动轴22上的压缩机叶片。因此，在LP涡轮18中的涡轮叶片的旋转导致将LP涡轮18连接到LP压缩机28上的轴使在LP压缩机28内的压缩机叶片旋转。
在HP压缩机26和LP压缩机28中的压缩机叶片的旋转可作用为压缩经由进气口32接收的空气。如图1中所示，压缩空气馈送至燃烧器12，且与燃料混合以允许较高效率的燃烧。因此，涡轮系统10可包括双同心轴布置，其中LP涡轮18通过传动轴22的第一轴传动地连接到LP压缩机28上，而HP涡轮16通过传动轴22中的第二轴类似地传动地连接到HP压缩机26上，第二轴可设置在第一轴的内部且相对于第一轴以同心布置地设置。在所示的实施例中，轴22还可连接到负载34，其可包括通过涡轮系统10的旋转输出提供动力的任何适合的装置。例如，负载34可包括车辆或静止负载，如发电设备中的发电机或飞行器上的推进器。在一些实施例中，燃气涡轮系统10可为在船舶推进、工业功率生成和/或船舶功率生成应用中使用的航改燃气涡轮。仅举例来说，在一个实施例中，燃气涡轮系统10可为以LM500，LM1600，LM2500，LM6000或LMS100的标号的燃气涡轮系统的型号，所有这些都是由Ohio，Evandale的General Electric Aviation目前或以前所制造的，General Electric Aviation是总部在Connecticut，Fairfield的General Electric公司的子公司。此外，应当注意的是，尽管图1中绘出的涡轮系统为冷端系统(例如，负载34相对于空气流方向设置在进气口的上游)的代表，但其它实施例还可包括热端系统(例如，其中负载34相对于空气流方向设置在排气口20的下游)。
为了向下文将在图2中更为详细地描述的构造成执行个性化性能退化监测和预测的涡轮控制系统提供涡轮性能信息，燃气涡轮系统10可包括成组的多个传感器40，为了简单起见，该成组的多个传感器在本文中称为传感器网络，其中传感器40构造成监测关于涡轮系统10的操作和性能的各种涡轮发动机参数。传感器40可包括例如定位成邻近例如HP涡轮16、LP涡轮18、HP压缩机26、LP压缩机28和/或燃烧器12的入口和出口部分，以及进气口32、排气区段20和/或负载34的一个或多个入口传感器和出口传感器。此外，传感器40可包括测量传感器和/或虚拟传感器。如可认识到地，测量传感器可表示物理传感器(例如，硬件)，物理传感器构造成获取(多个)特定参数的测量结果，而虚拟传感器可用以得到所关心的参数的估计，且可使用软件执行。虚拟传感器可构造成提供难以使用物理传感器直接测量的参数的估计值。举例来说，可包括测量传感器和虚拟传感器的这些各种入口传感器和出口传感器40可感测关于环境条件的参数，诸如外界温度和压力及相对湿度，以及关于涡轮系统10的操作和性能的各种发动机参数，诸如压缩机速度比、入口压差、排气口压差、入口导叶位置、燃料温度、发生器功率系数、注水速率、压缩机放气流动速率、排气温度和压力、压缩机排气温度和压力、发生器输出、转子速度、涡轮发动机的温度和压力、燃料流动速率、核心速度。传感器40还可构造成监测关于涡轮系统10的各种操作阶段的发动机参数。如下文将在图2中进一步描述地，由传感器网络40得到的涡轮系统参数的测量结果42可提供给涡轮控制系统，该涡轮控制系统构造成执行个性化的性能退化监测和预测。
图2为绘出根据本发明的实施例的涡轮控制系统50的框图。所示的控制系统50包括涡轮状态估计器框52。在本实施例中，涡轮状态估计器52包括燃气涡轮模型54和滤波逻辑56。在操作中，状态估计器52接收各种测量结果42，测量结果42可通过图1中所述传感器40提供。例如，所接收的测量结果42a可代表各种涡轮参数的测量输入值。仅举例来说，这种参数可包括外界温度、外界压力、相对湿度、压缩机速度比、入口压降、排气口压降、入口导叶角、燃料温度、发生器功率系数、注水速率和压缩机放气流量。传感器测量结果42b可代表测量的输出值，诸如发生器输出、排气口温度、压缩机排气温度和压缩机排气压力。如图2中所示，测量结果42b可与代表输出偏差噪声的信号58组合(使用求和逻辑60)。因此，逻辑60的输出42c代表调整成将噪声分量58包括在内的测量结果42b。尽管在图2中未明确地示出，但状态估计器42可包括输入块，输入块接收涡轮性能测量结果42，以及机器状态数据(例如，稳态、负载条件等)，且选择正确的样本用于通过涡轮状态估计器52进一步处理。如可认识到地，对应于涡轮参数的测量结果的数据可通过涡轮状态估计器52连续地或以给定的采样率来采样。例如，该采样率可为每秒一个样本、每分钟一个样本、每5分钟一个样本、每10分钟一个样本、每30分钟一个样本、每小时一个样本或任何其它所期望的时间单位内一个样本。在一些实施例中，某些参数可具有不同的采样率。
如图2所示，测量输入42a可通过涡轮模型54接收和处理。在某些实施例中，涡轮模型54可包括基于物理的模型、数据拟合模型(例如，诸如回归模型或神经网络模型)、基于规则的模型或经验模型，或可利用这些模型的组合。例如，在利用基于物理的模型的实施例中，涡轮模型54可构造成独立地模拟涡轮系统10的各模块，以确定与物理磨损或使用相关的性能退化参数。
基于所接收的测量输入值42a，涡轮模型54可生成在本文中通过附图标记64表示的预计输出值集，将预计输出值集提供给逻辑66。如图所示，逻辑66可提供一个或多个输出70，输出70对应于在通过模型54提供的预计输出与对应的测量输出值42c(其中加入了噪声分量58)之间的差异。有时，将这些差异输出70称为余值。然后，可将余值70提供给滤波器56，滤波器56可构造成提供涡轮系统10的某些性能参数的一个或多个估计状态72。例如，在一个实施例中，估计状态可代表关于压缩机效率、压缩机流量、涡轮效率和/或燃料流量的性能参数。在利用用于涡轮模型10的基于物理的模型的实施例中，可通过这些估计状态参数来精确地代表构件水平下的性能变化。如图2中进一步绘出地，控制系统50还可提供纠正输入传感器偏差的能力。例如，传感器测量结果42a可使用求和逻辑63与信号65求和，其中信号65代表传感器偏差系数。求和逻辑63的输出67可提供给滤波逻辑56。
在一个构想出的实施例中，滤波器56可构造成执行递归估计算法，递归估计算法能够随时间变化传递在估计状态参数中的估计误差的统计值。例如，在一个这种实施例中，滤波器56可利用使用非线性卡尔曼型滤波器，诸如扩展卡尔曼滤波器或无迹卡尔曼滤波器的卡尔曼滤波。为了提供实例，下文描述了利用扩展卡尔曼滤波器的涡轮状态估计器52的实施例的大体描述。
大体上，可应用扩展卡尔曼滤波技术来估计由非线性特征支配的离散时间控制过程的状态参数，这与可集中于线性过程的离散卡尔曼滤波相反。扩展卡尔曼滤波器可使用噪声统计的先验知识，且可关于当前平均值和协方差值来线性化，诸如通过使用过程函数和测量函数的偏导数来计算估值。在扩展卡尔曼滤波器的背景下，所测量的输出值42c可由变量Yk代表，其中k代表当前时间步长。来自于模型54的对应预计输出可由以下的等式1代表：
Figure 571394DEST_PATH_IMAGE001
， (等式1)
其中Ŷk代表步长k处的预计输出，
Figure 813020DEST_PATH_IMAGE002
代表在步长k处的所关心的状态参数(X)的先验状态估值，且h代表使状态参数(X)与测量结果(Y)相关的非线性函数。此外，可根据以下等式2来确定状态参数的先验状态估值：
Figure 25826DEST_PATH_IMAGE003
， (等式2)
其中，
Figure 980882DEST_PATH_IMAGE004
代表在步长k-1(例如，先前时间步长)处的状态参数(X)的先前后验估值，且f代表使在时间步长k-1处的状态与在当前时间步长k处的状态相关的非线性函数。
扩展卡尔曼滤波器可构造成使用以下等式来提供状态参数的当前状态估计
Figure 253731DEST_PATH_IMAGE005
：
Figure 982653DEST_PATH_IMAGE006
, (等式3)
其中
Figure 497686DEST_PATH_IMAGE002
代表状态参数(X)的先验状态估值、Kk代表在步长k处的卡尔曼增益或加权系数，且用语|Yk- Ŷk|代表在来自于传感器40的测量输出参数与来自于模型54的预计输出参数之间的差异，即，余值70。
在本实施例中，可基于以下表达式来确定扩展卡尔曼滤波器的增益Kk：
, (等式4)
其中代表先验估计误差的协方差，H代表函数h相对于估计状态参数的的偏导数的矩阵，且R代表在步长k处的测量噪声分量的协方差。在该实例中，可基于以下等式5来确定先验估计误差的协方差
Figure 593315DEST_PATH_IMAGE009
：
Figure 475820DEST_PATH_IMAGE010
， (等式5)
其中F代表非线性函数f相对于所关心的状态参数(X)的偏导数的矩阵(例如，雅可比矩阵)，Pk-1代表在步长k-1处的后验估计的协方差误差，Qk代表零均值过程噪声分量，且G代表非线性函数f相对于零均值过程噪声的偏导数的矩阵。举例来说，用于由F,G和H所代表的矩阵的表达式可如下表达：
Figure 765987DEST_PATH_IMAGE011
(等式6)
Figure 144754DEST_PATH_IMAGE012
(等式7)
Figure 582688DEST_PATH_IMAGE013
(等式8)
此外，在步长k处的估计误差的协方差的后验估计，可利用以下等式：
Figure 940988DEST_PATH_IMAGE014
(等式9)
在该特定实例中，滤波逻辑56的输出72可包括涡轮参数的更新的状态估计值以及更新的估计误差的协方差值Pk。如下文将进一步详细描述地，滤波逻辑56的输出72可提供至涡轮性能分析器块78，涡轮性能分析器块78可构造成提供个性化涡轮模块或构件退化预测信息，以及提供与涡轮系统10的健康相关的各种其它指标。
如将会认识到地，上述卡尔曼滤波实例大体上使用如通过反馈环74指示的反馈控制的形式来估计对给定过程的状态的其它所关心的参数。例如，滤波器56可估计在一些时间处的状态参数(X)，且然后得到以噪声测量结果的形式的反馈。因此，上文关于扩展卡尔曼滤波器描述的等式可看作分成了第一组“时间更新”等式和第二组“测量更新等式”。可由等式2和等式5代表的时间更新等式可负责及时向前推进当前状态
Figure 464691DEST_PATH_IMAGE015
和估计误差的协方差估值(Pk)，以便确定用于下一时间步长的先验估值。可由等式3、等式4和等式9代表的测量更新等式处理反馈，诸如通过将新测量结果并入先验估值中来得到改善的后验估值。因此，在此背景下，可将时间更新等式认作是预计状态值的函数，而可将测量更新等式认作是纠正预计值或使预计值更准确的函数。此外，尽管上述实例依靠卡尔曼滤波技术，但应当认识到，滤波器56的其它实施例可利用备选的估计技术，诸如那些基于跟踪滤波、回归映射、中性映射、反演模拟或它们的任何组合，代替卡尔曼滤波技术或除卡尔曼滤波技术之外还利用这些技术。
如上文所述，某些常规性能监测控制系统可依靠使用涡轮系统10的类属模型生成的预计。例如，这种类属模型可设计为平均衰退模型(例如，基于单位样本的性能)或作为最坏情形衰退模型。然而，由相同制造商构建且用相同类型的构件在相同组装线上构建的相同类型、设计、构造和/或型号的两个燃气涡轮发动机即使在类似条件下操作，在现实世界的使用中也未必以相同速率退化。此外，平均衰退模型和最坏情形衰退模型通常是为具体应用开发的。因此，为在船舶推进应用中使用的涡轮发动机而开发的平均衰退模型或最坏情形衰退模型可不同于为工业功率生成应用而开发的模型。
因此，如图2中所示，涡轮控制系统50的本实施例提供了将更新的模型54，因而适于涡轮系统10的实际性能参数。例如，滤波逻辑56的输出72可通过反馈环74反馈至模型54。输出可包括例如估计状态参数以及指示在模型54的预计输出64与测量的输出值42c之间的差异的余值，且模型54可基于反馈值74来适应性地更新，以便提供将来的预计值64，其相对于涡轮系统10的实际操作更为个性化。以此方式，涡轮状态估计器52的模型54和滤波逻辑56可执行基于模型的监测系统来计算在构件或模块水平(例如，压缩机、燃烧器和涡轮)下的涡轮系统10内的流动和效率变化的估计。
如图2中进一步示出地，滤波逻辑56的输出72可提供至涡轮性能分析器78。在所示的实施例中，涡轮性能分析器78可构造成基于从状态估计器52接收的数据72来确定关于涡轮系统10的一个或多个模块的各种状态。例如，分析器78可使用数据72来形成基准，可从该基准来估定涡轮系统10的健康状况。基于确定的涡轮系统10的健康(其可随时间变化由于性能退化而衰退)，分析器78可触发警报和/或修理/维护通知，通知在这里表现为到工作站84的输出82。
在所示的实施例中，工作站84可通信连接至涡轮分析器78，诸如通过局域网络、无线网络(例如，802.11标准)或移动网络(例如，EDGE、3G、4G、LTE、WiMAX)。此外，工作站84可定位成邻近控制系统50，或可较远地定位。因此，在其中工作站84相对于控制系统50和/或涡轮系统10较远地定位的实施例中，操作人员可经由工作站84远程地访问涡轮分析器78，以便接收警报和修理/维护通知82。在又一实施例中，控制系统50还可定位成大体上紧邻燃气涡轮系统10或可较远地定位。例如，在一个这种实施例中，涡轮系统10的制造商可销售或供应涡轮系统10给客户，且制造商可提供性能监测服务以监测涡轮系统的健康和性能退化。在这种实施例中，控制系统50可定位在远离涡轮系统10的位置处，且通过分析器78指示的警报和/或通知可传送至由客户操作的工作站，例如，通过电子邮件、文本消息或作为在私有应用中显示的通知。在其它实施例中，控制系统50和工作站84可设计为涡轮系统10的一体化构件，且两者均可定位成邻近涡轮系统10。
如上文所述，控制系统50可构造成提供关于涡轮系统10的一个或多个模块的性能退化预测。例如，如图2中所示，分析器78可包括模块退化预测逻辑80。模块退化预测逻辑80可构造成分析来自于状态估计器逻辑52的先前估计状态参数集，且构造成适应衰退模型，该模型可至少部分地由模型54代表，使模型与估计值集保持一致，且构造成提供通过改造的或更新的衰退模型所预期的涡轮性能变化的预测。
还参照图3和图4进一步示出了模块退化预测逻辑80(下文中称为“预测逻辑”)的操作，下文将一起描述图3和图4。参看图3，过程88示出了根据本发明的实施例的预测逻辑80的操作。过程88可始于步长90处，在该处，预测逻辑80获取用于所关心的状态参数的历史上的N个先前估计结果集。仅举例来说，让我们假定一个这种所关心的参数涉及涡轮系统10的压缩机区段24的压缩机效率。参看图4，提供了图表96，图表96示出了随涡轮系统10的操作时数变化的压缩机效率的退化。如将会认识到地，图4中绘出的数据旨在为解释性的，且并非意图必须代表用于具体涡轮系统的实际性能退化数据。
在图表96中，样本数据跟踪线98可代表压缩机效率性能随时间变化的估计，该估计通过状态估计器52(由模型54和滤波器56构成)基于采样时间来确定。例如，在图表96中，样本数据跟踪线98可代表关于压缩机效率的2500小时的性能数据。性能数据可储存在用于通过预测逻辑80检索的控制系统50的存储器、数据库或任何适合的储存装置内。跟踪线100可代表根据模型54的初始状态的涡轮系统10的初始预期性能退化曲线。例如，在随时间变化改造模型54以根据涡轮系统10的已知操作来提供个性化预计之前，初始模型可预期到每1000操作时数内大约百分之6的压缩机效率的大体上线性的退化。此外，如在图表96中所示，所关心的周期102可代表在图3中的过程88的步长90处所获取的N个先前估计结果的数目。如将会认识到地，在所关心的周期102内可用的状态估值数目取决于传感器数据42采样的采样率，且通过滤波器56来提供估计。例如，如果采样率为每10分钟，则图4中的所关心的周期102可在1000小时的周期内包含6000个数据点。
回头参看图3，过程88从步长90继续至步长92，在步长92处，可通过涡轮模型54的一部分代表的关于压缩机效率的衰退模型拟合图表96上的所关心的周期102内的状态估计数据。又参看图4，虚线跟踪线104代表基于所关心的周期102内的状态估值的最佳拟合曲线。如可认识到地，用于确定相对于基于时间的数据集的最佳拟合曲线的任何适合技术都可在步长92处利用。仅举例来说，可使用移动平均分析、加权移动平均分析、线性回归或非线性回归、最小二乘分析、加权最小二乘分析或任何其它适合的方法来确定最佳拟合曲线104。如图4中所示，最佳拟合曲线104可预测超过所关心的周期(例如，超过2500操作时数时间的附加1000小时)的性能退化。这可对应于过程88的步长94。该曲线拟合技术还可补偿在其中一些估计数据丢失的情形。
基于从图3的过程88中得到的预测性能退化信息，负责监测涡轮系统10的健康的操作人员可能较好地预计所需的维护和/或修理行动。例如，假如对于图4中所代表的涡轮发动机，当压缩机效率降至百分之75时，就建议维护。在没有本文所述的自适应预测技术的情况下，静态衰退模型或类属衰退模型将指示不要求维护，直到大约4000操作时数已经消逝。然而，由于涡轮可呈现出单元与单元间和跨使用它们的不同应用间的性能变化，故静态衰退模型对于相同构造、信号和/或设计的所有涡轮可能不是准确的预计性能退化。例如，基于图4中所示的退化预测曲线104，压缩机效率将在大约2800至2900操作时数之后降至大约百分之75。
在一些实施例中，操作人员可在涡轮操作达到大约2800小时之前的时间处，接收基于图4中所示的退化预测的通知，诸如经由工作站84。因此，如曲线100指示地，可警告操作人员需要在预测时间(例如，大约2800小时至2900小时处)之前维护，且操作人员可在该预测时间前采取措施来使涡轮系统10脱机，以便执行任何所需的预防性维护和/或修理，而不是等到大约4000小时。在图4中绘出的操作条件下，如果操作人员等到曲线100指示的4000小时，则很有可能涡轮系统10将在没有建议维护的情况下降至百分之75的压缩机效率以下，其中进一步的操作可对某些部件或构件造成损坏或过度磨损。换言之，预测逻辑80可提供关于涡轮系统10的性能退化的更准确的预计，以便可改进维护和/或修理的时间表。在一些实施例中，可向工作站84周期性地(例如，每周)发送通知，以便指示预测性能退化(曲线104)何时偏离基准衰退模型(曲线100)。此外，应当注意的是，压缩机效率仅为可使用本技术预测的性能参数的一个实例。实际上，预测逻辑80可同时预测若干性能参数，诸如压缩机流量、涡轮效率、燃料流量等。
可使用上文在图3和图4中描述的模块退化预测技术来计划的维护任务的一些实例包括“热区段”修理，“热区段”修理可表示HP涡轮16和燃烧器12的修理和/或维护。还可基于本文所述的预测技术来计划水清洗维护。例如，水清洗可用于恢复涡轮性能(例如，恢复兆瓦输出)，且可在涡轮系统10联机或脱机时执行。预测技术还可用于预计用于主要维护进程(诸如，热区段除去、压缩机区段24的仔细和/或人工清洁，以及在涡轮系统10的所有模块上执行完全的大修)的最佳时间。此外，由于由预测逻辑80提供的退化速率对具体涡轮系统10个性化，故操作人员可基于预测退化曲线(例如，104)对基准曲线100的偏差来跟踪某些构件或部件是否比其它构件损坏或退化地更快。在提供这些服务的服务提供商的背景下，服务提供商可告知客户何时维护和/或修理涡轮系统10的一个或多个构件是推荐的。
在更多实施例中，如图2中所示，控制系统的涡轮分析器逻辑78提供了用于检测涡轮系统10的构件的性能变化的异常的概率途径。例如，如果如由状态估计器块52估计的性能状态参数超出在各时间步长处确定的带有所选的置信水平的所限定的“健康”置信带的范围，则可检测到反常。因此，在涡轮系统10处于操作中时，置信带基于估计参数为适应性的，而非固定阈值。
如下文进一步描述地，提供对置信带估测的估值的能力可通过随时间变化传递所关心的性能参数的联合密度函数来实现。通过建立这种置信带，可维持健康的操作。此外，由于用于估计性能参数的数据可实际上受到一定程度的传感器测量噪声、由于位置而造成的传感器廓形误差以及传感器偏移，故高置信带很重要。因此，置信带越高，涡轮分析器78可以能够越有效地区分实际反常与由传感器噪声和/或偏移引起的变化。
鉴于这些着眼点，图5提供了流程图，该流程图示出了根据本发明的实施例的用于基于置信带估测所关心的状态参数的估计的过程110。在一个实施例中，过程110可在图2的涡轮分析器逻辑78内执行。尽管图5中仅示出了一个所关心的参数，但应当理解的是，可使用本技术来估测任何数目的性能参数。
如图5中所示，过程110始于逻辑块112处，逻辑块112接收作为输入的：x(k)，其可代表在时间步长k处的所关心的参数的状态估值，以及Pk，其可代表在时间步长k处的用于所关心的参数的估计误差的协方差。逻辑块112基于这些输入可确定在时间步长k处的参数的健康置信带。在一个实施例中，可基于估计误差的概率密度函数来确定置信带。例如，参看图6，示出了绘出概率密度函数116的图表114，该概率密度函数116代表在时间步长k处的估计误差。如果假定传感器噪声为高斯的且假定模型为线性的，则概率密度函数116可具有正态高斯分布。
为了确定健康置信水平，逻辑块112可首先基于误差估计概率密度函数116来确定置信带，置信带为三个标准偏差或更少。例如，基于正态分布的经验特征(也称为3-西格玛规则)，几乎所有分布值都处于平均值的三个标准偏差内。具体而言，大约百分之68的值处于估计误差的平均值的一个标准偏差(1σ)内(代表图表114上的第一置信带)，大约百分之95的值处于平均值的两个标准偏差(2σ)内(代表图表114上的第二置信带)，且大约百分之99的值处于平均值的三个标准偏差(3σ)内(代表图表114上的第三置信带)。
回头参看图5，在一个实施例中，逻辑块112可将用于在下一时间步长(k+1)处的参数的健康带限定为如下：
Figure 389921DEST_PATH_IMAGE016
(等式10)
Figure 551912DEST_PATH_IMAGE017
(等式11)
其中Δ(k)代表在时间步长k处对参数的先前估值的偏差。参看等式11，为了设定对应于高达百分之99的置信度的带，偏差的大小可小于或等于在时间步长k处的估计误差Pk的三个标准偏差。然后，提供用于Δ(k)的(多个)值的逻辑块112的输出将提供至逻辑块118。如图所示，逻辑块118还接收用于在下一时间步长(k+1)处的参数的下一估计x(k+1)，且基于在逻辑块112处为先前时间步长k建立的置信带来估测x(k+1)。例如，为了确定x(k+1)是否落入健康带内，可在逻辑块118处估测以下表达式：
(等式12)
在判定逻辑120处，将进行关于在时间k+1处的参数估计是否落入置信带内的判定。如果参数估计x(k+1)在具有所期望的置信水平的限定健康带内，则过程110继续至步骤122，且继续操作。然而，如果参数估计x(k+1)在具有所期望的置信水平的限定健康带外，则过程110继续至步骤124，且可发送通知或警报来通知负责监测涡轮系统10的健康的人员。例如，可将来自于步骤124的通知或警报发送至图2中的工作站84。
因此，概括而言，上文参照图5和图6描述的实施例得到了涡轮性能传感器数据、关于随时间变化的传感器噪声统计(例如，概率密度函数)的假定，以及在初始时间(时间k)处的估计参数值的统计。利用这些输入，该技术还可利用燃气涡轮系统的性能模型和递归估计算法，递归估计算法可随时间变化传递所关心的性能参数中的估计误差的统计值(例如，使用扩展卡尔曼滤波器)。如上文参照图2所述，在各采样时间处，提供所关心的参数的预期值及其估计误差(概率分布)。此外，基于图5和图6中所述的技术，还确定了限定所期望的置信水平的正常带或健康带。因此，当参数超出该带的范围时，可传输对应于该参数的涡轮构件中存在反常的高概率的指示。
如将理解地，本文仅通过举例的方式提供了上文描述的且涉及固态半导体开关的传导状态的监测和检测的各种技术。因此，应当理解，不应理解为将本公开应当被解释为仅限于上文提供的实例。实际上，可存在如上文所述的可包括涡轮状态估计器和涡轮分析器逻辑块以及它们的各种相应构件的涡轮控制系统的大量变型。此外，应当认识到，可以以任何适合的方式来执行上述技术。例如，可使用硬件(例如，适当地构造的电路)、软件(例如，经由包括储存在一个或多个有形计算机可读介质上的可执行代码的计算机程序)，或经由使用软件元件和软件元件两者的组合来执行涡轮控制系统。
本书面描述使用实例来公开本发明，包括最佳模式，并且还使本领域技术人员能够实践本发明，包括制造和使用任何装置或系统并实施任何合并的方法。本发明的专利保护范围由权利要求限定，并且可包括本领域技术人员所想到的其它实例。如果其它实例具有与权利要求的字面语言并无不同的结构元件或者如果其它实例包括与权利要求的字面语言并无实质差别的等效结构元件，则这些其它实例预期在权利要求的范围内。

Claims (20)

1.一种系统，包括：
功率生成装置，其构造成生成功率输出；
多个传感器，其构造成测量在所述功率生成装置的操作期间的一个或多个操作参数，包括至少一个输入参数和至少一个输出参数；以及
控制系统，其包括：
估计器逻辑，其构造成至少部分基于所述测量的输入参数和所述测量的输出参数来确定对在当前时间步长处的所关心的性能参数的估计值；以及
预测逻辑，其构造成识别在多个先前时间步长内的历史估计值集，基于所述历史估计值集来调整衰退模型，且基于所述调整的衰退模型来预测所述功率生成装置中的性能变化。
2.根据权利要求1所述的系统，其特征在于，所述估计器逻辑包括：
所述功率生成装置的模型，其构造成基于所述测量的输入参数和所述测量的输出参数来提供预计输出参数；以及
滤波逻辑，其构造成至少部分基于所述预计输出来预计对在所述当前时间处的所述所关心的性能参数的估计值。
3.根据权利要求2所述的系统，其特征在于，所述系统包括构造成确定对应于在所述预计输出参数与所述测量的输出参数之间的所述差异的余值的逻辑。
4.根据权利要求2所述的系统，其特征在于，所述功率生成装置的模型包括基于物理的模型、数据拟合模型、回归模型、神经网络模型、基于规则的模型或经验模型，或其任何组合中的至少一个。
5.根据权利要求2所述的系统，其特征在于，所述滤波逻辑包括卡尔曼滤波器。
6.根据权利要求2所述的系统，其特征在于，所述系统包括反馈环，所述反馈环构造成将所述滤波逻辑的输出反馈至所述模型，其中所述模型基于所述反馈更新。
7.根据权利要求1所述的系统，其特征在于，基于所述历史估计值集调整所述衰退模型包括确定用于所述历史估计值集的最佳拟合曲线。
8.根据权利要求1所述的系统，其特征在于，确定所述最佳拟合曲线包括使用非线性回归、线性回归、最小二乘分析、加权最小二乘分析、加权移动平均分析、移动平均分析或其一些组合中的至少一个。
9.根据权利要求1所述的系统，其特征在于，所述控制系统构造成将所述调整的衰退模型与基准衰退模型相比较，且基于所述比较来更新用于所述功率生成装置的维护时间表。
10.根据权利要求1所述的系统，其特征在于，所述系统包括工作站，并且其中更新用于所述功率生成装置的维护时间表包括将一个或多个通知从所述控制系统传送至所述工作站。
11.根据权利要求1所述的系统，其特征在于，所述功率生成装置包括燃气涡轮发动机。
12.根据权利要求11所述的系统，其特征在于，通过所述传感器测量的至少一个输入参数包括外界温度、外界压力、相对湿度、压缩机速度比、入口压降、排气口压降、入口导叶角、燃料温度、发生器功率系数、注水速率和压缩机放气流量中的至少一个。
13.根据权利要求11所述的系统，其特征在于，通过所述传感器测量的至少一个输出参数包括发生器输出、排气口温度、压缩机排气压力和压缩机排气温度中的至少一个。
14.根据权利要求11所述的系统，其特征在于，所述所关心的性能参数包括压缩机效率、压缩机流量、涡轮效率和燃料流量中的至少一个。
15.一种系统，包括：
状态估计器，其构造成确定在多个时间步长中的每一个处的对所关心的性能参数的估计值和对应估计误差；以及
分析器，其构造成接收对应于当前时间步长的性能参数的估计值和估计误差，确定在当前时间步长处的用于估计误差的分布函数的一个或多个置信带，基于在当前时间步长处确定的置信带来估测在下一时间步长处的性能参数的估计值，以及确定在下一时间步长处的性能参数是否落入所选的置信带内。
16.根据权利要求15所述的系统，其特征在于，所述分析器构造成在如果在所述下一时间步长处的性能参数在所述所选的置信带外的情况下触发警报。
17.根据权利要求15所述的系统，其特征在于，所述分布函数包括具有正态高斯分布的概率密度函数。
18.根据权利要求15所述的系统，其特征在于，确定所述一个或多个置信带包括确定对应于所述估计误差的平均值的一个标准偏差的第一置信带、对应于所述估计误差的平均值的两倍标准偏差的第二置信带，以及对应于所述估计误差的平均值的三倍标准偏差的第三置信带。
19.根据权利要求18所述的系统，其特征在于，在所述下一时间步长处的性能参数的估计值在如果选择所述第一置信带且所述估计值落入所述第一置信带内的情况下具有大约百分之68的置信度，在如果选择所述第二置信带且所述估计值落入所述第二置信带内的情况下具有大约百分之95的置信度，以及在如果选择所述第三置信带且所述估计值落入所述第三置信带内的情况下具有大约百分之99的置信度。
20.一种系统，包括：
用于获取涡轮发动机的一个或多个操作参数的测量结果的器件；
用于至少部分地基于所述获取的测量结果来确定在当前时间处的所关心的性能参数的估计值的器件；
用于基于来自于先前时间处的历史估计值集来调整在当前时间处的衰退模型的器件；以及
用于基于所述调整的衰退模型来预测所述涡轮发动机中的性能变化的器件。
CN2012102550613A 2011-07-22 2012-07-23 用于个性化的设备退化预测的基于模型的途径 Pending CN102889992A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13/189,217 US20130024179A1 (en) 2011-07-22 2011-07-22 Model-based approach for personalized equipment degradation forecasting
US13/189,217 2011-07-22

Publications (1)

Publication Number Publication Date
CN102889992A true CN102889992A (zh) 2013-01-23

Family

ID=47076021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012102550613A Pending CN102889992A (zh) 2011-07-22 2012-07-23 用于个性化的设备退化预测的基于模型的途径

Country Status (3)

Country Link
US (1) US20130024179A1 (zh)
EP (1) EP2549415A1 (zh)
CN (1) CN102889992A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104713730A (zh) * 2015-01-29 2015-06-17 西北工业大学 一种根据振动信号确定飞机发动机退化率的方法
CN105035076A (zh) * 2014-04-17 2015-11-11 帕洛阿尔托研究中心公司 用于具有高混合度的混合动力车辆的控制系统
CN105604703A (zh) * 2014-11-18 2016-05-25 通用电气公司 用于调谐燃气涡轮机的计算装置、系统及其方法
CN106575116A (zh) * 2014-07-25 2017-04-19 西门子公司 基于状态地计算技术设备的维护期限的方法、装置和计算机程序产品
CN106662868A (zh) * 2014-06-25 2017-05-10 赛峰飞机发动机公司 用于对飞机的机载设备的退化进行监视的包括确定计数阈值的方法
CN107084847A (zh) * 2016-02-15 2017-08-22 通用电气公司 用于生成发动机测试单元分析和诊断的自动系统和方法
CN107299861A (zh) * 2016-04-16 2017-10-27 上海华电闵行能源有限公司 航改机型轻型燃机注水回用系统
CN108104954A (zh) * 2017-12-01 2018-06-01 中国直升机设计研究所 一种涡轴发动机功率状态监控方法
CN108375476A (zh) * 2018-03-09 2018-08-07 中国水利水电科学研究院 一种水电机组健康评估方法
CN109033569A (zh) * 2018-07-09 2018-12-18 哈尔滨理工大学 一种用于舰载机传感器系统预防检修阈强度和次数优化的方法
CN109766566A (zh) * 2017-11-10 2019-05-17 通用电气公司 用以改善涡轮发动机的操作的设备、方法和存储介质
CN109765058A (zh) * 2017-11-10 2019-05-17 通用电气公司 用于涡轮发动机的设备和方法
CN110008498A (zh) * 2018-01-03 2019-07-12 通用电气公司 促进引入已知的变化量到配套部件的集合中
CN110678816A (zh) * 2017-04-04 2020-01-10 西门子股份公司 用于控制技术系统的方法和控制机构

Families Citing this family (68)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8849542B2 (en) * 2012-06-29 2014-09-30 United Technologies Corporation Real time linearization of a component-level gas turbine engine model for model-based control
US9255525B2 (en) * 2012-11-30 2016-02-09 General Electric Company System and method for gas turbine operation
US9430416B2 (en) 2013-03-14 2016-08-30 Savigent Software, Inc. Pattern-based service bus architecture using activity-oriented services
US10190503B2 (en) 2013-03-15 2019-01-29 United Technologies Corporation Compact aero-thermo model based tip clearance management
AT514683B1 (de) * 2013-10-11 2015-03-15 Avl List Gmbh Verfahren zur Abschätzung der Schädigung zumindest eines technischen Bauteiles einer Brennkraftmaschine
US9575916B2 (en) 2014-01-06 2017-02-21 International Business Machines Corporation Apparatus and method for identifying performance bottlenecks in pipeline parallel processing environment
US9789756B2 (en) 2014-02-12 2017-10-17 Palo Alto Research Center Incorporated Hybrid vehicle with power boost
US9734479B2 (en) * 2014-02-20 2017-08-15 General Electric Company Method and system for optimization of combined cycle power plant
US9501377B2 (en) 2014-03-18 2016-11-22 International Business Machines Corporation Generating and implementing data integration job execution design recommendations
US9424160B2 (en) 2014-03-18 2016-08-23 International Business Machines Corporation Detection of data flow bottlenecks and disruptions based on operator timing profiles in a parallel processing environment
WO2015149928A2 (en) * 2014-03-31 2015-10-08 Basf Se Method and device for online evaluation of a compressor
US9676382B2 (en) 2014-04-17 2017-06-13 Palo Alto Research Center Incorporated Systems and methods for hybrid vehicles with a high degree of hybridization
EP3012694A1 (en) * 2014-10-22 2016-04-27 Siemens Aktiengesellschaft Method for determining an emission behaviour
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
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
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
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
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
US10626748B2 (en) * 2014-12-08 2020-04-21 General Electric Company System and method for predicting and managing life consumption of gas turbine parts
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
CN105593864B (zh) * 2015-03-24 2020-06-23 埃森哲环球服务有限公司 用于维护设备的分析设备退化
US10282925B2 (en) * 2015-10-08 2019-05-07 Bell Helicopter Textron Inc. Adaptive algorithm-based engine health prediction
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
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
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
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
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
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
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
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
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
US10466661B2 (en) 2015-12-18 2019-11-05 General Electric Company Model-based performance estimation
JP6483292B2 (ja) * 2016-02-15 2019-03-13 株式会社日立製作所 探査システムおよびその診断方法
US10358983B2 (en) 2016-04-19 2019-07-23 General Electric Company Asset degradation model baselinening system and method
US10215665B2 (en) 2016-05-03 2019-02-26 General Electric Company System and method to model power output of an engine
US10442544B2 (en) * 2016-05-09 2019-10-15 Rolls-Royce North American Technologies, Inc. Engine degradation management via multi-engine mechanical power control
US9896960B2 (en) * 2016-06-07 2018-02-20 General Electric Company Adaptive model-based method to quantify degradation of a power generation system
US10294869B2 (en) * 2016-06-14 2019-05-21 General Electric Company System and method to enhance corrosion turbine monitoring
US10125629B2 (en) * 2016-07-29 2018-11-13 United Technologies Corporation Systems and methods for assessing the health of a first apparatus by monitoring a dependent second apparatus
US10287986B2 (en) 2016-07-29 2019-05-14 United Technologies Corporation Gas turbine engine fuel system prognostic algorithm
US11143056B2 (en) * 2016-08-17 2021-10-12 General Electric Company System and method for gas turbine compressor cleaning
US10151643B2 (en) * 2016-08-22 2018-12-11 The Boeing Company Thermal event indicator for aircraft engine
KR101806738B1 (ko) * 2016-09-21 2018-01-10 현대자동차주식회사 효율 맵 기반 지능형 발전제어 방법 및 차량
KR101965937B1 (ko) * 2016-11-17 2019-08-13 두산중공업 주식회사 이상 신호 복원 장치 및 방법
US10227932B2 (en) 2016-11-30 2019-03-12 General Electric Company Emissions modeling for gas turbine engines for selecting an actual fuel split
LU93350B1 (de) * 2016-12-12 2018-07-03 Phoenix Contact Gmbh & Co Kg Intellectual Property Licenses & Standards Verfahren zur Überwachung einer elektromechanischen Komponente eines Automatisierungssystems
LU93349B1 (de) * 2016-12-12 2018-07-03 Phoenix Contact Gmbh & Co Kg Intellectual Property Licenses & Standards Verfahren zur Überwachung einer elektromechanischen Komponente eines Automatisierungssystems
JP7015114B2 (ja) * 2017-03-29 2022-02-02 三菱重工業株式会社 運転管理装置、発電プラント、発電プラントの運転管理方法
US10378376B2 (en) * 2017-04-04 2019-08-13 General Electric Company Method and system for adjusting an operating parameter as a function of component health
US20180308292A1 (en) * 2017-04-25 2018-10-25 Palo Alto Research Center Incorporated System and method for predictive condition modeling of asset fleets under partial information
US11333578B2 (en) * 2017-09-19 2022-05-17 Raytheon Technologies Corporation Method for online service policy tracking using optimal asset controller
US10607426B2 (en) * 2017-09-19 2020-03-31 United Technologies Corporation Aircraft fleet and engine service policy configuration
US20190146446A1 (en) * 2017-11-10 2019-05-16 General Electric Company Methods and apparatus to generate an asset health quantifier of a turbine engine
JP6945713B2 (ja) * 2018-02-23 2021-10-06 株式会社日立製作所 状態監視システム
US11042145B2 (en) 2018-06-13 2021-06-22 Hitachi, Ltd. Automatic health indicator learning using reinforcement learning for predictive maintenance
US11661926B2 (en) * 2018-08-21 2023-05-30 Ormat Technologies Inc. System for optimizing and maintaining power plant performance
US10964130B1 (en) 2018-10-18 2021-03-30 Northrop Grumman Systems Corporation Fleet level prognostics for improved maintenance of vehicles
FR3095424A1 (fr) * 2019-04-23 2020-10-30 Safran Système et procédé de surveillance d’un moteur d’aéronef
US11163633B2 (en) 2019-04-24 2021-11-02 Bank Of America Corporation Application fault detection and forecasting
WO2021173356A1 (en) * 2020-02-26 2021-09-02 Northrop Grumman Systems Corporation Prognostics for improved maintenance of vehicles
US11649804B2 (en) * 2021-06-07 2023-05-16 General Electric Renovables Espana, S.L. Systems and methods for controlling a wind turbine
DE102021116562A1 (de) * 2021-06-25 2022-12-29 Schenck Process Europe Gmbh Überwachung des betriebs einer maschine
US11409866B1 (en) 2021-06-25 2022-08-09 Northrop Grumman Systems Corporation Adaptive cybersecurity for vehicles
US11681811B1 (en) 2021-06-25 2023-06-20 Northrop Grumman Systems Corporation Cybersecurity for configuration and software updates of vehicle hardware and software based on fleet level information
CN114091792B (zh) * 2022-01-21 2022-06-03 华电电力科学研究院有限公司 基于稳定工况的水轮发电机劣化预警方法、设备及介质
US11788426B2 (en) 2022-03-04 2023-10-17 General Electric Company Clearance control for engine performance retention
US11702954B1 (en) * 2022-05-13 2023-07-18 Pratt & Whitney Canada Corp. Monitoring engine operation

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1112693A (zh) * 1993-03-12 1995-11-29 株式会社日立制作所 过程自适应控制方法及过程控制系统
CN101230803A (zh) * 2007-01-26 2008-07-30 通用电气公司 使用卡尔曼滤波器来初始化动态模型状态的系统和方法
CN101868765A (zh) * 2007-11-19 2010-10-20 诺尔斯海德公司 用于控制电解池的方法和装置
CN102124219A (zh) * 2009-01-07 2011-07-13 新神户电机株式会社 风力发电用蓄电池控制系统及其控制方法

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4214451A (en) * 1978-11-13 1980-07-29 Systems Control, Inc. Energy cogeneration system
US6823675B2 (en) * 2002-11-13 2004-11-30 General Electric Company Adaptive model-based control systems and methods for controlling a gas turbine
US7079957B2 (en) * 2003-12-30 2006-07-18 General Electric Company Method and system for active tip clearance control in turbines
US20050193739A1 (en) * 2004-03-02 2005-09-08 General Electric Company Model-based control systems and methods for gas turbine engines
US20060229813A1 (en) * 2005-03-30 2006-10-12 Tobiska William K Ionospheric forecast system (IFS)
US8065022B2 (en) * 2005-09-06 2011-11-22 General Electric Company Methods and systems for neural network modeling of turbine components
US7742904B2 (en) * 2005-09-27 2010-06-22 General Electric Company Method and system for gas turbine engine simulation using adaptive Kalman filter
US7328128B2 (en) * 2006-02-22 2008-02-05 General Electric Company Method, system, and computer program product for performing prognosis and asset management services
US7693608B2 (en) * 2006-04-12 2010-04-06 Edsa Micro Corporation Systems and methods for alarm filtering and management within a real-time data acquisition and monitoring environment
US7472100B2 (en) * 2006-09-29 2008-12-30 United Technologies Corporation Empirical tuning of an on board real-time gas turbine engine model
US7904282B2 (en) * 2007-03-22 2011-03-08 General Electric Company Method and system for fault accommodation of machines
US20080234994A1 (en) * 2007-03-22 2008-09-25 General Electric Company Method and system for accommodating deterioration characteristics of machines
US9043118B2 (en) * 2007-04-02 2015-05-26 General Electric Company Methods and systems for model-based control of gas turbines
US20110077927A1 (en) * 2007-08-17 2011-03-31 Hamm Richard W Generalized Constitutive Modeling Method and System
US7853441B2 (en) * 2007-08-22 2010-12-14 United Technologies Corp. Systems and methods involving engine models
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
US8478473B2 (en) * 2008-07-28 2013-07-02 General Electric Company Method and systems for controlling gas turbine engine temperature
US8165826B2 (en) * 2008-09-30 2012-04-24 The Boeing Company Data driven method and system for predicting operational states of mechanical systems
US9477224B2 (en) * 2008-12-12 2016-10-25 General Electric Company Physics-based lifespan modeling
US20100274420A1 (en) * 2009-04-24 2010-10-28 General Electric Company Method and system for controlling propulsion systems
US8271256B2 (en) * 2009-08-13 2012-09-18 Oracle America, Inc. Physics-based MOSFET model for variational modeling
JP5493657B2 (ja) * 2009-09-30 2014-05-14 新神戸電機株式会社 蓄電池装置並びに蓄電池の電池状態評価装置及び方法
US20110106680A1 (en) * 2009-10-30 2011-05-05 General Electric Company Turbine operation degradation determination system and method
US8924162B2 (en) * 2010-05-13 2014-12-30 University Of Cincinnati Turbine-to-turbine prognostics technique for wind farms
US8135568B2 (en) * 2010-06-25 2012-03-13 General Electric Company Turbomachine airfoil life management system and method
US8639480B2 (en) * 2010-09-20 2014-01-28 General Electric Company Methods and systems for modeling turbine operation
CA2825777A1 (en) * 2011-01-25 2012-08-02 Power Analytics Corporation Systems and methods for automated model-based real-time simulation of a microgrid for market-based electric power system optimization
US20130054213A1 (en) * 2011-08-23 2013-02-28 General Electric Company Process for adaptive modeling of performance degradation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1112693A (zh) * 1993-03-12 1995-11-29 株式会社日立制作所 过程自适应控制方法及过程控制系统
CN101230803A (zh) * 2007-01-26 2008-07-30 通用电气公司 使用卡尔曼滤波器来初始化动态模型状态的系统和方法
CN101868765A (zh) * 2007-11-19 2010-10-20 诺尔斯海德公司 用于控制电解池的方法和装置
CN102124219A (zh) * 2009-01-07 2011-07-13 新神户电机株式会社 风力发电用蓄电池控制系统及其控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TOM BROTHERTON等: "eSTORM: Enhanced Self Tuning On-board Real-time Engine Model", 《DTIC DOCUMENT》, no. 7, 31 December 2003 (2003-12-31), pages 3075 - 3084 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105035076A (zh) * 2014-04-17 2015-11-11 帕洛阿尔托研究中心公司 用于具有高混合度的混合动力车辆的控制系统
CN105035076B (zh) * 2014-04-17 2019-06-14 帕洛阿尔托研究中心公司 用于具有高混合度的混合动力车辆的控制系统
CN106662868A (zh) * 2014-06-25 2017-05-10 赛峰飞机发动机公司 用于对飞机的机载设备的退化进行监视的包括确定计数阈值的方法
CN106662868B (zh) * 2014-06-25 2019-04-26 赛峰飞机发动机公司 用于对飞机的机载设备的退化进行监视的包括确定计数阈值的方法
CN106575116B (zh) * 2014-07-25 2019-04-05 西门子公司 基于状态地计算技术设备的维护期限的方法、装置和计算机程序产品
CN106575116A (zh) * 2014-07-25 2017-04-19 西门子公司 基于状态地计算技术设备的维护期限的方法、装置和计算机程序产品
CN105604703A (zh) * 2014-11-18 2016-05-25 通用电气公司 用于调谐燃气涡轮机的计算装置、系统及其方法
CN105604703B (zh) * 2014-11-18 2019-03-19 通用电气公司 用于调谐燃气涡轮机的计算装置、系统及其方法
CN104713730A (zh) * 2015-01-29 2015-06-17 西北工业大学 一种根据振动信号确定飞机发动机退化率的方法
CN107084847A (zh) * 2016-02-15 2017-08-22 通用电气公司 用于生成发动机测试单元分析和诊断的自动系统和方法
US10809156B2 (en) 2016-02-15 2020-10-20 General Electric Company Automated system and method for generating engine test cell analytics and diagnostics
CN107299861A (zh) * 2016-04-16 2017-10-27 上海华电闵行能源有限公司 航改机型轻型燃机注水回用系统
CN110678816A (zh) * 2017-04-04 2020-01-10 西门子股份公司 用于控制技术系统的方法和控制机构
CN110678816B (zh) * 2017-04-04 2021-02-19 西门子股份公司 用于控制技术系统的方法和控制机构
US10983485B2 (en) 2017-04-04 2021-04-20 Siemens Aktiengesellschaft Method and control device for controlling a technical system
CN109765058B (zh) * 2017-11-10 2021-10-22 通用电气公司 用于涡轮发动机的设备和方法
CN109766566A (zh) * 2017-11-10 2019-05-17 通用电气公司 用以改善涡轮发动机的操作的设备、方法和存储介质
CN109765058A (zh) * 2017-11-10 2019-05-17 通用电气公司 用于涡轮发动机的设备和方法
CN109766566B (zh) * 2017-11-10 2023-04-07 通用电气公司 用以改善涡轮发动机的操作的设备、方法和存储介质
CN108104954A (zh) * 2017-12-01 2018-06-01 中国直升机设计研究所 一种涡轴发动机功率状态监控方法
CN110008498B (zh) * 2018-01-03 2023-06-30 通用电气公司 用于促进选择航空发动机的部件的系统、计算机可读存储介质、计算机实现方法
CN110008498A (zh) * 2018-01-03 2019-07-12 通用电气公司 促进引入已知的变化量到配套部件的集合中
CN108375476A (zh) * 2018-03-09 2018-08-07 中国水利水电科学研究院 一种水电机组健康评估方法
CN108375476B (zh) * 2018-03-09 2020-02-14 中国水利水电科学研究院 一种水电机组健康评估方法
CN109033569B (zh) * 2018-07-09 2021-09-17 哈尔滨理工大学 一种用于舰载机传感器系统预防检修阈强度和次数优化的方法
CN109033569A (zh) * 2018-07-09 2018-12-18 哈尔滨理工大学 一种用于舰载机传感器系统预防检修阈强度和次数优化的方法

Also Published As

Publication number Publication date
US20130024179A1 (en) 2013-01-24
EP2549415A1 (en) 2013-01-23

Similar Documents

Publication Publication Date Title
CN102889992A (zh) 用于个性化的设备退化预测的基于模型的途径
US11334854B2 (en) Systems and methods to generate an asset workscope
US11067592B2 (en) Methods and apparatus for prognostic health monitoring of a turbine engine
EP2400118B1 (en) Turbomachine airfoil life management system and method
Giantomassi et al. Hidden Markov model for health estimation and prognosis of turbofan engines
JP6250942B2 (ja) 信頼性が改善されたオペレーションのためのシステム及び方法
Butler Prognostic algorithms for condition monitoring and remaining useful life estimation
US10294869B2 (en) System and method to enhance corrosion turbine monitoring
EP2887168B1 (en) Turbine operational flexibility
US20160123175A1 (en) Hybrid model based detection of compressor stall
Lu et al. Gas path on-line fault diagnostics using a nonlinear integrated model for gas turbine engines
Kiaee et al. Vector-based deterioration index for gas turbine gas-path prognostics modeling framework
Mu¨ ller et al. Probabilistic engine maintenance modeling for varying environmental and operating conditions
CN108779713B (zh) 燃气轮机的特性评价装置以及燃气轮机的特性评价方法
US10466661B2 (en) Model-based performance estimation
Volponi Gas turbine engine health management: past, present and future trends
Salamat Gas path diagnostics for compressors
Alozie et al. An adaptive model-based framework for prognostics of gas path faults in aircraft gas turbine engines
Carlevaro et al. Use of operating parameters, digital replicas and models for condition monitoring and improved equipment health
Borguet Variations on the Kalman filter for enhanced performance monitoring of gas turbine engines
Martinez et al. Aeroengine prognosis through genetic distal learning applied to uncertain engine health monitoring data
Ramadhan et al. Application of Adaptive GPA to an Industrial Gas Turbine Using Field Data
Borguet et al. Assessment of an anomaly detector for jet engine health monitoring
Jie et al. A physics-based framework for online surface roughness assessment for high-pressure turbines
Vogel et al. A Top-Down Approach for quantifying the contribution of high pressure compressor deterioration mechanisms to the performance deterioration of Turbofan engines

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130123