CN106021757A - 基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法 - Google Patents

Abstract

本发明的目的在于提供基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法，利用部件相对折合参数，建立燃气轮机部件级热力模型，用相对折合参数重新定义压气机和透平的气路健康指数，通过设置热力模型中的各个部件的气路健康指数，来模拟单部件和多部件性能衰退时的气路测量参数，通过灰色关联理论算法实现性能衰退模式识别，从而隔离实际真正发生性能衰退的部件，从而确定了待诊断的实际气路部件健康指数的子集。本发明能更简单方便地用于气路诊断时设置各个气路部件健康指数，更准确地表征由于部件性能衰退而导致的气路健康指数的变化，能更好解决由于测量噪音和部件数目较多导致诊断结果出现模糊效应的问题。

Description

基于灰色关联理论与热力模型相结合的混合型燃气轮机气路 部件自适应性能诊断方法

技术领域

本发明涉及的是一种诊断方法，具体地说是燃气轮机的诊断方法。

背景技术

在20世纪下半叶，随着燃气轮机在航空工业中广泛应用，越来越多的受到工业电站领域、石油和天然气管道运输以及舰船工业领域的关注。在运行中，由于高温、高压、高转速及高应力的恶劣工作条件及环境污染等影响，各种类型的燃气轮机都会逐渐性能衰退。燃气轮机的主要气路部件包含压气机、燃烧室和透平。这些主要部件会随着时间遭受不同的退化现象，如污垢、泄漏、腐蚀、热畸变、外来物损坏等，将会引起性能恶化并易导致各种严重的故障发生运行安全问题。因此，对于燃气轮机用户来说，当前燃气轮机的性能健康状况是非常重要的信息。

目前大多数燃气轮机的维修策略是预防性维修保养，通常按照燃机制造商指示的当量运行小时数(EOH)来考虑是否需要小修、中修、大修。燃机停运，无论是计划内或计划外的，总是意味着昂贵的成本代价。为了节省维修费用，用户需要根据燃机实际的性能健康状况采取维修策略，即预测性维修保养。

基于热力模型决策的气路部件性能诊断方法已经广泛应用于燃气轮机性能健康状态监测中，并且已经成为支持维修策略改革的关键技术之一。通常的基于热力模型决策的气路部件性能诊断方法使用气路部件的性能参数(绝对参数)来定义部件健康指数，因此在诊断前气路测量参数需要进行数据预处理来消除环境条件或操作条件及工质组分变化而导致燃气轮机运行性能变化的影响。并且由于以部件性能参数为自适应变量，所以诊断时通常需要分两步：第一步为根据气路测量参数通过线性或非线性牛顿-莱普生迭代算法计算得到部件性能参数，如空气流量、压气机压比、压气机等熵效率、透平前温、透平等熵效率等绝对性能参数；第二步为在同一部件特性图上比较实际性能衰退情况下的部件运行点与健康基准情况下的部件运行点，从而观测此时部件特性图上的特性线发生偏移的程度(即得到气路部件健康指数)，从而来评估当前部件的性能健康状况。当燃气轮机中参与诊断的部件数目增多时，故障系数矩阵的维数会随之增大，加之受到测量噪音的干扰，模糊效应(即，尽管某些部件实际上并无发生性能退化，但诊断出的性能衰退情况几乎分布在所有的部件气路健康指数上)可能会很强，导致实际性能衰退的部件未被识别出来。

发明内容

本发明的目的在于提供可以更好解决由于测量噪音和部件数目较多导致诊断结果出现模糊效应问题的基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法。

本发明的目的是这样实现的：

本发明基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法，其特征是：

(1)基于对象燃气轮机健康时的气路测量参数，建立燃气轮机非线性热力模型，压气机和透平都用相似折合参数形式表示；

(2)用相似折合参数重新定义压气机和透平的气路健康指数，消除由于环境条件变化而导致燃气轮机运行性能变化的影响；

(3)通过设置热力模型中各个部件的气路健康指数，来模拟单部件和多部件性能衰退时的气路测量参数，用于积累性能衰退模式和衰退征兆的知识数据库，作为灰色关联理论实现对实测气路参数进行模式识别的依据，所述热力模型的部件包括压气机、透平和燃烧室；

(4)采集当前燃气轮机稳定运行时的一个时段的气路测量参数，进行降噪处理后作为待离线诊断的气路测量参数；

(5)设置已建立的燃气轮机热力模型的环境输入条件和操作输入条件与采样时的对象燃气轮机运行工况一致，消除由于环境条件和操作条件变化而导致燃气轮机运行性能变化的影响；

(6)将待离线诊断的气路测量参数与热力模型的气路参数数据之间的相对偏差输入灰色关联理论算法中实现性能衰退模式识别，隔离已发生性能衰退的部件，从而实现故障系数矩阵的降维；

(7)以待离线诊断的气路测量数据与热力模型的气路参数数据之间的偏差作为残差，通过迭代算法计算得到当前压气机、透平和燃烧室的气路健康指数，用以评估对象燃气轮机实际的性能健康状况。

本发明还可以包括：

1、步骤(1)中建立燃气轮机非线性热力模型的具体步骤如下：

(a)压气机特性线整理成通用的相似折合参数形式如下：

G_C,cor,rel＝f(n_cor,rel,π_C,rel)

η_C,rel＝f(n_cor,rel,π_C,rel)

其中为相对折合转速，n为实际转速，为压气机进口滞止温度，R_g为流经压气机工质的气体常数，下角标0表示设计点；

为相对折合流量，G_C为实际压气机进口流量，为压气机进口滞止压力，为相对压比，π_C为实际压气机压比，η_C,rel＝η_C/η_C0为相对等熵效率，η_C为实际压气机等熵效率；

透平特性线整理成通用的相似折合参数形式如下：

G_T,cor,rel＝f(n_cor,rel,π_T,rel)

η_T,rel＝f(n_cor,rel,π_T,rel)

式中：为相对折合转速，n为实际转速，为透平进口滞止温度，R_g为流经透平工质的气体常数，

为相对折合流量，G_T为实际透平进口流量，为相对压比，η_T,rel＝η_T/η_T0为相对等熵效率，η_T为实际透平等熵效率，下角标0表示设计点；

(b)根据采集的燃气轮机健康时的气路测量参数，修正各个部件的特性线数据，使所建的燃气轮机热力模型的计算值与气路实测参数相匹配，从而消除热力模型计算误差给诊断结果带来的负影响。

2、步骤(2)用相似折合参数重新定义压气机和透平的气路健康指数的具体步骤如下：

压气机气路健康指数定义如下：

SF_C,FC＝G_{C,cor,rel,deg}/G_C,cor,rel

ΔSF_C,FC＝(G_{C,cor,rel,deg}-G_C,cor,rel)/G_C,cor,rel

SF_C,Eff＝η_C,deg/η_C

ΔSF_C,Eff＝(η_C,deg-η_C)/η_C

其中SF_C,FC为压气机流量特性指数；G_{C,cor,rel,deg}为压气机性能衰退时的相对折合流量；G_C,cor,rel为压气机健康时的相对折合流量；SF_C,Eff为压气机效率特性指数；η_C,deg为压气机性能衰退时的等熵效率；η_C为压气机健康时的等熵效率；

透平气路健康指数定义如下：

SF_T,FC＝G_T,cor,deg/G_T,cor

ΔSF_T,FC＝(G_T,cor,deg-G_T,cor)/G_T,cor

SF_T,Eff＝η_T,deg/η_T

ΔSF_T,Eff＝(η_T,deg-η_T)/η_T

其中SF_T,FC为透平流量性能指数；G_T,cor,deg为透平性能衰退时的折合流量；G_T,cor为透平健康时的折合流量；SF_T,Eff为透平效率性能指数；η_T,deg为透平性能衰退时的等熵效率；η_T为透平健康时的等熵效率。

3、步骤(3)积累性能衰退模式和衰退征兆的知识数据库作为灰色关联理论实现对实测气路参数进行模式识别的依据的具体步骤如下：

(a)通过设置热力模型中各个部件的气路健康指数，来模拟单部件和多部件性能衰退时的气路测量参数，并整理为性能衰退时的气路测量参数相对于健康时的相对偏差形式：

$\mathrm{\Δ}\stackrel{\→}{z}=\frac{(\stackrel{\→}{z}-\stackrel{\→}{z_0})}{\stackrel{\→}{z_0}}\×100\%$

其中，为通过设置热力模型中的各个部件的气路健康指数来模拟单部件和多部件性能衰退时的气路参数计算值，为在相同环境条件和操作条件下部件性能健康时的热力模型气路参数计算值，为整理为性能衰退时的气路测量参数相对于健康时的相对偏差形式；

(b)积累性能衰退模式和衰退征兆的知识数据库作为灰色关联理论实现对实测气路参数进行模式识别的依据，其中灰色关联理论中的知识数据库形式为：

$C_1=\left[\begin{array}{c}{c}_1\left(1\right)\\ c_1\left(2\right)\\ \mathrm{...}\\ c_1\left(n\right)\end{array}\right],...,C_j=\left[\begin{array}{c}{c}_j\left(1\right)\\ c_j\left(2\right)\\ \mathrm{...}\\ c_j\left(n\right)\end{array}\right],...,C_m=\left[\begin{array}{c}{c}_m\left(1\right)\\ c_m\left(2\right)\\ \mathrm{...}\\ c_m\left(n\right)\end{array}\right]$

其中C_j(j＝1,2,…m)为已知的部件性能衰退模式；c_j(j＝1,2,…)为每一个气路可测参数；m为总的已知的部件性能衰退模式数目；n为总的对象燃气轮机气路可测参数数目。

4、步骤(6)将待离线诊断的气路测量参数与热力模型的气路参数数据之间的相对偏差输入灰色关联理论算法中实现性能衰退模式识别，隔离已发生性能衰退的部件的具体步骤如下：

(a)将待离线诊断的气路测量参数与热力模型的气路参数数据之间的相对偏差输入灰色关联理论算法中实现性能衰退模式识别：

对于ρ∈(0,1):

$\mathrm{\ξ}\left(x_i\right(k),c_j(k\left)\right)=\frac{\underset{j}{min}\underset{k}{min}|x_i\left(k\right)-c_j\left(k\right)|+\mathrm{\ρ}\·\underset{j}{\max }\underset{k}{\max }|x_i\left(k\right)-c_j\left(k\right)|}{|x_i\left(k\right)-c_j\left(k\right)|+\mathrm{\ρ}\·\underset{j}{\max }\underset{k}{\max }|x_i\left(k\right)-c_j\left(k\right)|}$

$\mathrm{\ξ}(X_i,C_j)=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}\mathrm{\ξ}\left(x_i\right(k),c_j(k\left)\right),j=1,2,...m$

其中ρ为分辨系数，X_i为一组待离线诊断的实测气路数据，ξ(x_i(k),c_j(k))为X_i和C_j的第k个特征参数间的灰色关联系数，ξ(X_i,C_j)为X_i和C_j的灰色关联度。

X_i被分类至当ξ(X_i,C_j)(j＝1,2,…,m)取得最大值时所属的部件性能衰退模式类；

(b)隔离已发生性能衰退的部件，从而实现故障系数矩阵的降维，即确定待诊断的实际气路部件健康指数的子集

5、步骤(7)以待离线诊断的气路测量参数与热力模型的气路参数数据之间的偏差作为残差，通过迭代算法计算得到当前的各个部件的气路健康指数，用以评估对象燃气轮机实际的性能健康状况的具体步骤如下：

(a)以待离线诊断的气路测量参数与热力模型计算的气路参数数据之间的偏差作为残差通过牛顿-拉普森迭代算法进行迭代，当预测的气路测量参数与实际的测量参数之差小于阈值，即ε是设定的阈值，则得到最终的部件健康指数

(b)根据预测的已隔离部件的性能衰退程度，评估当前对象燃气轮机总体性能健康状况。

本发明的优势在于：

(1)本发明根据燃气轮机气动热力学特性，利用部件相对折合参数，建立燃气轮机部件级热力模型，其中压气机和透平特性线数据整理成通用的相对折合参数形式，相比于现有技术，能更简单方便地用于气路诊断时设置各个气路部件健康指数。

(2)本发明用相对折合参数重新定义压气机和透平的气路健康指数(代表了部件特性线的偏移)，相比于现有技术，能更准确地表征由于部件性能衰退而导致的气路健康指数的变化，消除由于环境条件(大气压力、温度和相对湿度)变化而给诊断结果带来的负影响。

(3)本发明通过设置热力模型中的各个部件(压气机、透平和燃烧室)的气路健康指数，来模拟单部件和多部件性能衰退时的气路测量参数，用于积累性能衰退模式和衰退征兆(整理为性能衰退时的气路测量参数相对于健康时的相对偏差形式)的知识数据库，作为灰色关联理论实现对实测气路参数进行模式识别的依据，相比于现有技术，既能节省高昂的试验成本，还能准确详尽地积累各种性能衰退模式和衰退征兆的知识数据库。

(4)本发明通过灰色关联理论算法实现性能衰退模式识别，从而隔离实际真正发生性能衰退的部件，从而确定了待诊断的实际气路部件健康指数的子集，从故障系数矩阵降维的角度来改善诊断结果的准确性，相比于现有技术，能更好解决由于测量噪音和部件数目较多导致诊断结果出现模糊效应的问题。

附图说明

图1为本发明的诊断过程流程图；

图2为典型非线性气路诊断算法预测隔离部件性能衰退程度的迭代计算过程；

图3为某型三轴船用燃气轮机气路工作截面标识图；

图4为通过灰色关联算法(GRA)识别、隔离发生性能衰退部件的结构图；

图5为通过典型非线性气路诊断算法预测隔离部件的性能衰退程度的结构图；

图6某型三轴船用燃气轮机诊断案例的诊断结果。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1-6，本发明基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法，包括以下步骤：

步骤1)，基于对象燃气轮机新投运(或健康)时的气路测量参数建立能完全反映各个部件特性的燃气轮机非线性热力模型，其中压气机和透平都用相似折合参数形式表示；

步骤2)，用相似折合参数重新定义压气机和透平的气路健康指数，消除由于环境条件(大气压力、温度和相对湿度)变化而导致燃气轮机运行性能变化的影响；

步骤3)，通过设置热力模型中的各个部件(压气机、透平和燃烧室)的气路健康指数，来模拟单部件和多部件性能衰退时的气路测量参数，用于积累性能衰退模式和衰退征兆(整理为性能衰退时的气路测量参数相对于健康时的相对偏差形式)的知识数据库，作为灰色关联理论实现对实测气路参数进行模式识别的依据；

步骤4)，采集当前对象燃气轮机稳定运行时的某一时段的气路测量参数，进行降噪处理后作为待离线诊断的气路测量参数；

步骤5)，设置已建立的燃气轮机热力模型的环境输入条件(大气压力、温度和相对湿度)和操作输入条件与采样时的对象燃气轮机运行工况一致，消除由于环境条件(大气压力、温度和相对湿度)和操作条件变化而导致燃气轮机运行性能变化的影响。

步骤6)，将待离线诊断的实测气路数据与热力模型计算的气路参数数据之间的相对偏差输入灰色关联理论算法中实现性能衰退模式识别，隔离已发生性能衰退的部件，从而实现故障系数矩阵的降维(即确定了待诊断的实际气路部件健康指数的子集)；

步骤7)，以待离线诊断的气路测量数据与热力模型计算的气路参数数据之间的偏差作为残差，通过牛顿-拉普森迭代算法计算得到当前的各个部件(压气机、透平和燃烧室)的气路健康指数，用以评估对象燃气轮机实际的性能健康状况。

作为本发明基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法进一步的优化方案，步骤1)中所述基于对象燃气轮机新投运(或健康)时的气路测量参数建立能完全反映各个部件特性的燃气轮机非线性热力模型的具体步骤如下：

步骤1.1)，根据燃气轮机气动热力学特性，利用部件相对折合参数，建立燃气轮机部件级热力模型，其中压气机和透平特性线数据整理成通用的相对折合参数形式。

其中压气机特性线整理成通用的相似折合参数形式如下：

G_C,cor,rel＝f(n_cor,rel,π_C,rel)

η_C,rel＝f(n_cor,rel,π_C,rel)

其中为相对折合转速，n为实际转速，为压气机进口滞止温度，R_g为流经压气机工质的气体常数，下角标0表示设计点；

为相对折合流量，G_C为实际压气机进口流量，为压气机进口滞止压力，为相对压比，π_C为实际压气机压比，η_C,rel＝η_C/η_C0为相对等熵效率，η_C为实际压气机等熵效率。

透平特性线整理成通用的相似折合参数形式如下：

G_T,cor,rel＝f(n_cor,rel,π_T,rel)

η_T,rel＝f(n_cor,rel,π_T,rel)

式中：为相对折合转速，n为实际转速，为透平进口滞止温度，R_g为流经透平工质的气体常数，为相对折合流量，G_T为实际透平进口流量，为相对压比，η_T,rel＝η_T/η_T0为相对等熵效率，η_T为实际透平等熵效率，下角标0表示设计点。

步骤1.2)，根据采集的对象燃气轮机新投运(或健康)时的气路测量参数(降噪处理后)，如总温、总压、转速等，逐步修正各个部件的特性线数据(包括设计工况和变工况)，使所建的燃气轮机热力模型的计算值与气路实测参数相匹配，从而消除热力模型计算误差给诊断结果带来的负影响。

作为本发明基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法进一步的优化方案，步骤2)中所述用相似折合参数重新定义压气机和透平的气路健康指数的具体步骤如下：

步骤2.1)，燃气轮机总体性能健康状况可以由各主要部件的气路健康指数，如压气机和透平的流量特性指数和效率特性指数、燃烧室的效率特性指数来表示。这里用相对折合参数重新定义压气机和透平的气路健康指数(代表了部件特性线的偏移)，以消除由于环境条件(大气压力、温度和相对湿度)变化而给诊断结果带来的负影响。

步骤2.2)，压气机气路健康指数定义如下：

SF_C,FC＝G_{C,cor,rel,deg}/G_C,cor,rel

ΔSF_C,FC＝(G_{C,cor,rel,deg}-G_C,cor,rel)/G_C,cor,rel

SF_C,Eff＝η_C,deg/η_C

ΔSF_C,Eff＝(η_C,deg-η_C)/η_C

其中SF_C,FC为压气机流量特性指数；G_{C,cor,rel,deg}为压气机(性能衰退时)相对折合流量；G_C,cor,rel为压气机(健康时)相对折合流量；SF_C,Eff为压气机效率特性指数；η_C,deg为压气机(性能衰退时)等熵效率；η_C为压气机(健康时)等熵效率。

燃烧室气路健康指数定义如下：

SF_B,Eff＝η_B,deg/η_B

ΔSF_B,Eff＝(η_B,deg-η_B)/η_B

其中SF_B,Eff为燃烧室燃烧效率性能指数；η_B,deg为燃烧室(性能衰退时)燃烧效率；η_B为燃烧室(健康时)燃烧效率。

透平气路健康指数定义如下：

SF_T,FC＝G_T,cor,deg/G_T,cor

ΔSF_T,FC＝(G_T,cor,deg-G_T,cor)/G_T,cor

SF_T,Eff＝η_T,deg/η_T

ΔSF_T,Eff＝(η_T,deg-η_T)/η_T

其中SF_T,FC为透平流量性能指数；G_T,cor,deg为透平(性能衰退时)折合流量；G_T,cor为透平(健康时)折合流量；SF_T,Eff为透平效率性能指数；η_T,deg为透平(性能衰退时)等熵效率；η_T为透平(健康时)等熵效率。

作为本发明基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法进一步的优化方案，步骤3)中所述积累性能衰退模式和衰退征兆(整理为性能衰退时的气路测量参数相对于健康时的相对偏差形式)的知识数据库作为灰色关联理论实现对实测气路参数进行模式识别的依据的具体步骤如下：

步骤3.1)，通过设置热力模型中的各个部件(压气机、透平和燃烧室)的气路健康指数，来模拟单部件和多部件性能衰退时的气路测量参数，并整理为性能衰退时的气路测量参数相对于健康时的相对偏差形式：

$\mathrm{\Δ}\stackrel{\→}{z}=\frac{(\stackrel{\→}{z}-\stackrel{\→}{z_0})}{\stackrel{\→}{z_0}}\×100\%$

其中，为通过设置热力模型中的各个部件(压气机、透平和燃烧室)的气路健康指数来模拟单部件和多部件性能衰退时的气路参数计算值，为在相同环境条件和操作条件下部件性能健康时的热力模型气路参数计算值，为整理为性能衰退时的气路测量参数相对于健康时的相对偏差形式。

步骤3.2)，积累性能衰退模式和衰退征兆(整理为性能衰退时的气路测量参数相对于健康时的相对偏差形式)的知识数据库作为灰色关联理论实现对实测气路参数进行模式识别的依据，其中灰色关联理论中的知识数据库形式为：

$C_1=\left[\begin{array}{c}{c}_1\left(1\right)\\ c_1\left(2\right)\\ \mathrm{...}\\ c_1\left(n\right)\end{array}\right],...,C_j=\left[\begin{array}{c}{c}_j\left(1\right)\\ c_j\left(2\right)\\ \mathrm{...}\\ c_j\left(n\right)\end{array}\right],...,C_m=\left[\begin{array}{c}{c}_m\left(1\right)\\ c_m\left(2\right)\\ \mathrm{...}\\ c_m\left(n\right)\end{array}\right]$

其中C_j(j＝1,2,…m)为已知的部件性能衰退模式；c_j(j＝1,2,…)为每一个气路可测参数；m为总的已知的部件性能衰退模式数目；n为总的对象燃气轮机气路可测参数数目。

作为本发明基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法进一步的优化方案，步骤6)所述中将待离线诊断的实测气路数据与热力模型计算的气路参数数据之间的相对偏差输入灰色关联理论算法中实现性能衰退模式识别，隔离已发生性能衰退的部件，从而实现故障系数矩阵的降维(即确定了待诊断的实际气路部件健康指数的子集)的具体步骤如下：

步骤6.1)，将待离线诊断的实测气路数据与热力模型(部件性能健康时)计算的气路参数数据之间的相对偏差输入灰色关联理论算法中实现性能衰退模式识别：

对于ρ∈(0,1):

$\mathrm{\ξ}\left(x_i\right(k),c_j(k\left)\right)=\frac{\underset{j}{min}\underset{k}{min}|x_i\left(k\right)-c_j\left(k\right)|+\mathrm{\ρ}\·\underset{j}{\max }\underset{k}{\max }|x_i\left(k\right)-c_j\left(k\right)|}{|x_i\left(k\right)-c_j\left(k\right)|+\mathrm{\ρ}\·\underset{j}{\max }\underset{k}{\max }|x_i\left(k\right)-c_j\left(k\right)|}$

$\mathrm{\ξ}(X_i,C_j)=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}\mathrm{\ξ}\left(x_i\right(k),c_j(k\left)\right),j=1,2,...m$

其中ρ为分辨系数(其值通常设置为0.5)，X_i为某一组待离线诊断的实测气路数据，ξ(x_i(k),c_j(k))为X_i和C_j的第k个特征参数间的灰色关联系数，ξ(X_i,C_j)为X_i和C_j的灰色关联度。

X_i被分类至当ξ(X_i,C_j)(j＝1,2,…,m)取得最大值时所属的部件性能衰退模式类。

步骤6.2)，隔离已发生性能衰退的部件，从而实现故障系数矩阵的降维(即确定了待诊断的实际气路部件健康指数的子集)。

作为本发明基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法进一步的优化方案，步骤7)所述中以待离线诊断的气路测量数据与热力模型计算的气路参数数据之间的偏差作为残差，通过牛顿-拉普森迭代算法计算得到当前的各个部件(压气机、透平和燃烧室)的气路健康指数，用以评估对象燃气轮机实际的性能健康状况。具体步骤如下：

步骤7.1)，以待离线诊断的气路测量数据与热力模型计算的气路参数数据之间的偏差作为残差通过牛顿-拉普森迭代算法(New-Raphson)计算得到当前的已隔离部件(压气机、透平和燃烧室)的气路健康指数这里由于燃气轮机热力性能的强非线性特性，一个迭代计算过程(牛顿-拉普森算法)用于计算部件健康指数随着迭代，当预测的气路测量参数非常接近实际的测量参数时(即,满足ε是设定的一个相对较小的阈值)，则可得到最终的部件健康指数迭代过程如图2所示。

步骤7.2)，根据预测的已隔离部件的性能衰退程度，评估当前对象燃气轮机总体性能健康状况。

本发明具体实施方式以某型三轴船用燃气轮机的气路部件健康诊断为例，其该型三轴船用燃气轮机气路工作截面标识图如图3所示。该型三轴燃气轮机包括两个压气机(即一个低压压气机(LC)和一个高压压气机(HC))、一个燃烧室(B)和三个透平(即一个高压透平(HT)、一个低压透平(LT)和一个动力透平(PT))，其中发电机通过一个减速齿轮箱与动力透平(PT)相连接。低压透平(LT)的输出功通过低压轴驱动低压压气机(LC)来压缩从进气道出来的空气，高压透平(HT)的输出功通过高压轴驱动高压压气机(HC)来继续压缩从低压压气机(LC)出来的空气。从高压压气机(HC)出来的高压空气进入燃烧室(B)与燃料发生燃烧化学反应生成高温、高压的燃气，燃气依次进入高压透平(HT)、低压透平(LT)和动力透平(PT)来驱动透平输出功。最终，动力透平(PT)通过减速齿轮箱驱动发电机来产生电功率。同时，从压气机中抽取的冷却空气流入热端气流通道去冷却各个透平前几级的静叶、动叶和轮盘。当燃气轮机稳定运行时，发电机的电功率和动力透平(PT)的转速通常作为主要控制参数而维持定常。该机组的气路测量参数如表1所示，各个气路部件的健康指数如表2所示。

表1该型燃气轮机机组的气路测量参数

表2主要气路部件的健康指数

基于该型燃气轮机新投运(或健康)时的气路测量参数建立能完全反映各个部件特性的燃气轮机非线性热力模型，其中压气机和透平都用相对折合参数形式表示。

其中压气机特性线整理成通用的相似折合参数形式如下：

G_C,cor,rel＝f(n_cor,rel,π_C,rel)

η_C,rel＝f(n_cor,rel,π_C,rel)

其中为相对折合转速，n为实际转速，为压气机进口滞止温度，R_g为流经压气机工质的气体常数，下角标0表示设计点；

为相对折合流量，G_C为实际压气机进口流量，为压气机进口滞止压力，为相对压比，π_C为实际压气机压比，η_C,rel＝η_C/η_C0为相对等熵效率，η_C为实际压气机等熵效率。

透平特性线整理成通用的相似折合参数形式如下：

G_T,cor,rel＝f(n_cor,rel,π_T,rel)

η_T,rel＝f(n_cor,rel,π_T,rel)

式中：为相对折合转速，n为实际转速，为透平进口滞止温度，R_g为流经透平工质的气体常数，为相对折合流量，G_T为实际透平进口流量，为相对压比，η_T,rel＝η_T/η_T0为相对等熵效率，η_T为实际透平等熵效率，下角标0表示设计点。

对象燃气轮机的热力模型在Matlab仿真平台上建立。热力模型的输入条件为环境条件(大气温度t₀、压力P₀、相对湿度RH)、发电机输出功率Ne(作为操作条件)、燃料组分、燃料低位热值、气路部件健康指数(对于新投运机组，)。热力模型的计算输出为燃料流量G_f、各个部件进出口气路截面处的热力参数(如总压、总温)及转速等。

用相对折合参数重新定义压气机和透平的气路健康指数(代表了部件特性线的偏移)，消除由于环境条件(大气压力、温度和相对湿度)变化而导致燃气轮机运行性能变化的影响。

压气机气路健康指数定义如下：

SF_C,FC＝G_{C,cor,rel,deg}/G_C,cor,rel

ΔSF_C,FC＝(G_{C,cor,rel,deg}-G_C,cor,rel)/G_C,cor,rel

SF_C,Eff＝η_C,deg/η_C

ΔSF_C,Eff＝(η_C,deg-η_C)/η_C

其中SF_C,FC为压气机流量特性指数；G_{C,cor,rel,deg}为压气机(性能衰退时)相对折合流量；G_C,cor,rel为压气机(健康时)相对折合流量；SF_C,Eff为压气机效率特性指数；η_C,deg为压气机(性能衰退时)等熵效率；η_C为压气机(健康时)等熵效率。

燃烧室气路健康指数定义如下：

SF_B,Eff＝η_B,deg/η_B

ΔSF_B,Eff＝(η_B,deg-η_B)/η_B

其中SF_B,Eff为燃烧室燃烧效率性能指数；η_B,deg为燃烧室(性能衰退时)燃烧效率；η_B为燃烧室(健康时)燃烧效率。

透平气路健康指数定义如下：

SF_T,FC＝G_T,cor,deg/G_T,cor

ΔSF_T,FC＝(G_T,cor,deg-G_T,cor)/G_T,cor

SF_T,Eff＝η_T,deg/η_T

ΔSF_T,Eff＝(η_T,deg-η_T)/η_T

其中SF_T,FC为透平流量性能指数；G_T,cor,deg为透平(性能衰退时)折合流量；G_T,cor为透平(健康时)折合流量；SF_T,Eff为透平效率性能指数；η_T,deg为透平(性能衰退时)等熵效率；η_T为透平(健康时)等熵效率。

通过设置热力模型中的各个部件(压气机、透平和燃烧室)的气路健康指数，来模拟单部件和多部件性能衰退时的气路测量参数，用于积累性能衰退模式和衰退征兆(整理为性能衰退时的气路测量参数相对于健康时的相对偏差形式)的知识数据库，作为灰色关联理论实现对实测气路参数进行模式识别的依据。

$\mathrm{\Δ}\stackrel{\→}{z}=\frac{(\stackrel{\→}{z}-\stackrel{\→}{z_0})}{\stackrel{\→}{z_0}}\×100\%={\[{\mathrm{\ΔP}}_1,{\mathrm{\ΔP}}_2,{\mathrm{\Δt}}_2,{\mathrm{\ΔP}}_3,{\mathrm{\Δt}}_3,{\mathrm{\ΔP}}_5,{\mathrm{\Δt}}_5,{\mathrm{\ΔP}}_6,{\mathrm{\Δt}}_6,{\mathrm{\ΔP}}_7,{\mathrm{\Δt}}_7,{\mathrm{\Δn}}_1,{\mathrm{\Δn}}_2,{\mathrm{\ΔG}}_f\]}^T$

其中，为通过设置热力模型中的各个部件(压气机、透平和燃烧室)的气路健康指数来模拟单部件和多部件性能衰退时的气路参数计算值，为在相同环境条件和操作条件下部件性能健康时的热力模型气路参数计算值，为整理为性能衰退时的气路测量参数相对于健康时的相对偏差形式。

其中灰色关联理论中的知识数据库形式为：

$C_1=\left[\begin{array}{c}{\mathrm{\ΔP}}_{1,1}\\ {\mathrm{\ΔP}}_{2,1}\\ \mathrm{...}\\ {\mathrm{\ΔG}}_{f,1}\end{array}\right],...,C_j=\left[\begin{array}{c}{\mathrm{\ΔP}}_{1,j}\\ {\mathrm{\ΔP}}_{2,j}\\ \mathrm{...}\\ {\mathrm{\ΔG}}_{f,j}\end{array}\right],...,C_m=\left[\begin{array}{c}{\mathrm{\ΔP}}_{1,m}\\ {\mathrm{\ΔP}}_{2,m}\\ \mathrm{...}\\ {\mathrm{\ΔP}}_{f,m}\end{array}\right]$

其中C_j(j＝1,2,…m)为已知的部件性能衰退模式；m为总的已知的部件性能衰退模式数目。

采集当前对象燃气轮机稳定运行时的某一时段的气路测量参数，进行降噪处理后作为待离线诊断的气路测量参数，设置已建立的燃气轮机热力模型的环境输入条件(大气压力、温度和相对湿度)和操作输入条件与采样时的对象燃气轮机运行工况一致，消除由于环境条件(大气压力、温度和相对湿度)和操作条件变化而导致燃气轮机运行性能变化的影响。将待离线诊断的实测气路数据与热力模型计算的气路参数数据之间的相对偏差输入灰色关联理论算法(GRA)中实现性能衰退模式识别，隔离已发生性能衰退的部件，从而实现故障系数矩阵的降维(即确定了待诊断的实际气路部件健康指数的子集)，如图3所示。

图4中为待离线诊断的实测气路数据，为对象燃气轮机环境输入条件(大气压力、温度和相对湿度)和操作输入条件，为待离线诊断的实测气路数据与热力模型(气路部件健康时)计算的气路参数数据之间的相对偏差。识别、隔离发生性能衰退的部件后，即可得到部件健康指数的子集从而大大降低故障系数矩阵的维数。

以待离线诊断的气路测量数据与热力模型计算的气路参数数据之间的偏差作为残差，通过牛顿-拉普森迭代算法计算得到当前的已隔离部件(压气机、透平和燃烧室)的气路健康指数用以评估对象燃气轮机实际的性能健康状况，如图5所示。

这里由于燃气轮机热力性能的强非线性特性，一个迭代计算过程(牛顿‐拉普森算法)用于计算部件健康指数随着迭代，当预测的气路测量参数非常接近实际的测量参数时(即,满足ε是设定的一个相对较小的阈值)，则可得到最终的部件健康指数如图6所示。

从图6可知，基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法(GRA-GPA)能够有效地识别、隔离实际性能衰退部件，并能准确地预测性能衰退程度。然而，传统诊断方法(GPA)诊断的结果可能无法接受。基于以上对本发明方法的诊断案例分析可知，当部件发生性能退化时，由于存在气路测量噪音，且燃气轮机中的部件数目较多，通过传统诊断方法(GPA)诊断会出现一定程度的模糊效应和误导性性能衰退预测。而通过基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法(GRA-GPA)诊断则能有效识别、隔离性能衰退的部件，并准确地预测性能衰退程度。

本发明的核心技术内容在于为更好解决由于测量噪音和部件数目较多导致诊断结果的模糊效应问题，借鉴模式识别技术的优点，从故障系数矩阵降维的角度来改善诊断结果的准确性，提出了一种基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法。根据燃气轮机气动热力学特性，利用部件相对折合参数，建立燃气轮机部件级热力模型，其中压气机和透平特性线数据整理成通用的相对折合参数形式，相比于现有技术，能更简单方便地用于气路诊断时设置各个气路部件健康指数；用相对折合参数重新定义压气机和透平的气路健康指数(代表了部件特性线的偏移)，相比于现有技术，能更准确地表征由于部件性能衰退而导致的气路健康指数的变化，消除由于环境条件(大气压力、温度和相对湿度)变化而给诊断结果带来的负影响；通过设置热力模型中的各个部件(压气机、透平和燃烧室)的气路健康指数，来模拟单部件和多部件性能衰退时的气路测量参数，用于积累性能衰退模式和衰退征兆(整理为性能衰退时的气路测量参数相对于健康时的相对偏差形式)的知识数据库，作为灰色关联理论实现对实测气路参数进行模式识别的依据，相比于现有技术，既能节省高昂的试验成本，还能准确详尽地积累各种性能衰退模式和衰退征兆的知识数据库；通过灰色关联理论算法实现性能衰退模式识别，从而隔离实际真正发生性能衰退的部件，从而确定了待诊断的实际气路部件健康指数的子集，从故障系数矩阵降维的角度来改善诊断结果的准确性，相比于现有技术，能更好解决由于测量噪音和部件数目较多导致诊断结果出现模糊效应的问题。对于保证燃气轮机安全可靠运行、降低维护费用有着积极促进作用。

Claims (6)

1.基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法，其特征是：

(1)基于对象燃气轮机健康时的气路测量参数，建立燃气轮机非线性热力模型，压气机和透平都用相似折合参数形式表示；

(2)用相似折合参数重新定义压气机和透平的气路健康指数，消除由于环境条件变化而导致燃气轮机运行性能变化的影响；

(3)通过设置热力模型中各个部件的气路健康指数，来模拟单部件和多部件性能衰退时的气路测量参数，用于积累性能衰退模式和衰退征兆的知识数据库，作为灰色关联理论实现对实测气路参数进行模式识别的依据，所述热力模型的部件包括压气机、透平和燃烧室；

(4)采集当前燃气轮机稳定运行时的一个时段的气路测量参数，进行降噪处理后作为待离线诊断的气路测量参数；

(5)设置已建立的燃气轮机热力模型的环境输入条件和操作输入条件与采样时的对象燃气轮机运行工况一致，消除由于环境条件和操作条件变化而导致燃气轮机运行性能变化的影响；

(6)将待离线诊断的气路测量参数与热力模型的气路参数数据之间的相对偏差输入灰色关联理论算法中实现性能衰退模式识别，隔离已发生性能衰退的部件，从而实现故障系数矩阵的降维；

(7)以待离线诊断的气路测量数据与热力模型的气路参数数据之间的偏差作为残差，通过迭代算法计算得到当前压气机、透平和燃烧室的气路健康指数，用以评估对象燃气轮机实际的性能健康状况。

2.根据权利要求1所述的基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法，其特征是：步骤(1)中建立燃气轮机非线性热力模型的具体步骤如下：

(a)压气机特性线整理成通用的相似折合参数形式如下：

G_C,cor,rel＝f(n_cor,rel,π_C,rel)

η_C,rel＝f(n_cor,rel,π_C,rel)

其中为相对折合转速，n为实际转速，为压气机进口滞止温度，R_g为流经压气机工质的气体常数，下角标0表示设计点；

为相对折合流量，G_C为实际压气机进口流量，为压气机进口滞止压力，为相对压比，π_C为实际压气机压比，η_C,rel＝η_C/η_C0为相对等熵效率，η_C为实际压气机等熵效率；

透平特性线整理成通用的相似折合参数形式如下：

G_T,cor,rel＝f(n_cor,rel,π_T,rel)

η_T,rel＝f(n_cor,rel,π_T,rel)

式中：为相对折合转速，n为实际转速，为透平进口滞止温度，R_g为流经透平工质的气体常数，为相对折合流量，G_T为实际透平进口流量，为相对压比，η_T,rel＝η_T/η_T0为相对等熵效率，η_T为实际透平等熵效率，下角标0表示设计点；

(b)根据采集的燃气轮机健康时的气路测量参数，修正各个部件的特性线数据，使所建的燃气轮机热力模型的计算值与气路实测参数相匹配，从而消除热力模型计算误差给诊断结果带来的负影响。

3.根据权利要求2所述的基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法，其特征是：步骤(2)用相似折合参数重新定义压气机和透平的气路健康指数的具体步骤如下：

压气机气路健康指数定义如下：

SF_C,FC＝G_{C,cor,rel,deg}/G_C,cor,rel

ΔSF_C,FC＝(G_{C,cor,rel,deg}-G_C,cor,rel)/G_C,cor,rel

SF_C,Eff＝η_C,deg/η_C

ΔSF_C,Eff＝(η_C,deg-η_C)/η_C

其中SF_C,FC为压气机流量特性指数；G_{C,cor,rel,deg}为压气机性能衰退时的相对折合流量；G_C,cor,rel为压气机健康时的相对折合流量；SF_C,Eff为压气机效率特性指数；η_C,deg为压气机性能衰退时的等熵效率；η_C为压气机健康时的等熵效率；

透平气路健康指数定义如下：

SF_T,FC＝G_T,cor,deg/G_T,cor

ΔSF_T,FC＝(G_T,cor,deg-G_T,cor)/G_T,cor

SF_T,Eff＝η_T,deg/η_T

ΔSF_T,Eff＝(η_T,deg-η_T)/η_T

其中SF_T,FC为透平流量性能指数；G_T,cor,deg为透平性能衰退时的折合流量；G_T,cor为透平健康时的折合流量；SF_T,Eff为透平效率性能指数；η_T,deg为透平性能衰退时的等熵效率；η_T为透平健康时的等熵效率。

4.根据权利要求3所述的基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法，其特征是：步骤(3)积累性能衰退模式和衰退征兆的知识数据库作为灰色关联理论实现对实测气路参数进行模式识别的依据的具体步骤如下：

(a)通过设置热力模型中各个部件的气路健康指数，来模拟单部件和多部件性能衰退时的气路测量参数，并整理为性能衰退时的气路测量参数相对于健康时的相对偏差形式：

$\mathrm{\Δ}\stackrel{\→}{z}=\frac{(\stackrel{\→}{z}-\stackrel{\→}{z_0})}{\stackrel{\→}{z_0}}\×100\%$

其中，为通过设置热力模型中的各个部件的气路健康指数来模拟单部件和多部件性能衰退时的气路参数计算值，为在相同环境条件和操作条件下部件性能健康时的热力模型气路参数计算值，为整理为性能衰退时的气路测量参数相对于健康时的相对偏差形式；

(b)积累性能衰退模式和衰退征兆的知识数据库作为灰色关联理论实现对实测气路参数进行模式识别的依据，其中灰色关联理论中的知识数据库形式为：

$C_1=\left[\begin{array}{c}{c}_1\left(1\right)\\ c_1\left(2\right)\\ ...\\ c_1\left(n\right)\end{array}\right],...,C_j=\left[\begin{array}{c}{c}_j\left(1\right)\\ c_j\left(2\right)\\ ...\\ c_j\left(n\right)\end{array}\right],...,C_m=\left[\begin{array}{c}{c}_m\left(1\right)\\ c_m\left(2\right)\\ ...\\ c_m\left(n\right)\end{array}\right]$

其中C_j(j＝1,2,…m)为已知的部件性能衰退模式；c_j(j＝1,2,…)为每一个气路可测参数；m为总的已知的部件性能衰退模式数目；n为总的对象燃气轮机气路可测参数数目。

5.根据权利要求4所述的基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法，其特征是：步骤(6)将待离线诊断的气路测量参数与热力模型的气路参数数据之间的相对偏差输入灰色关联理论算法中实现性能衰退模式识别，隔离已发生性能衰退的部件的具体步骤如下：

(a)将待离线诊断的气路测量参数与热力模型的气路参数数据之间的相对偏差输入灰色关联理论算法中实现性能衰退模式识别：

对于ρ∈(0,1):

$\mathrm{\ξ}\left(x_i\right(k),c_j(k\left)\right)=\frac{\underset{j}{min}\underset{k}{min}|x_i\left(k\right)-c_j\left(k\right)|+\mathrm{\ρ}\·\underset{j}{\max }\underset{k}{\max }|x_i\left(k\right)-c_j\left(k\right)|}{|x_i\left(k\right)-c_j\left(k\right)|+\mathrm{\ρ}\·\underset{j}{\max }\underset{k}{\max }|x_i\left(k\right)-c_j\left(k\right)|}$

$\mathrm{\ξ}(X_i,C_j)=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}\mathrm{\ξ}\left(x_i\right(k),c_j(k\left)\right),j=1,2,...m$

其中ρ为分辨系数，X_i为一组待离线诊断的实测气路数据，ξ(x_i(k),c_j(k))为X_i和C_j的第k个特征参数间的灰色关联系数，ξ(X_i,C_j)为X_i和C_j的灰色关联度。

X_i被分类至当ξ(X_i,C_j)(j＝1,2,…,m)取得最大值时所属的部件性能衰退模式类；

(b)隔离已发生性能衰退的部件，从而实现故障系数矩阵的降维，即确定待诊断的实际气路部件健康指数的子集

6.根据权利要求5所述的基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法，其特征是：步骤(7)以待离线诊断的气路测量参数与热力模型的气路参数数据之间的偏差作为残差，通过迭代算法计算得到当前的各个部件的气路健康指数，用以评估对象燃气轮机实际的性能健康状况的具体步骤如下：

(a)以待离线诊断的气路测量参数与热力模型计算的气路参数数据之间的偏差作为残差通过牛顿-拉普森迭代算法进行迭代，当预测的气路测量参数与实际的测量参数之差小于阈值，即ε是设定的阈值，则得到最终的部件健康指数

(b)根据预测的已隔离部件的性能衰退程度，评估当前对象燃气轮机总体性能健康状况。