CN106874569B - 一种变几何分轴式燃气轮机实时仿真建模方法 - Google Patents

一种变几何分轴式燃气轮机实时仿真建模方法 Download PDF

Info

Publication number
CN106874569B
CN106874569B CN201710036292.8A CN201710036292A CN106874569B CN 106874569 B CN106874569 B CN 106874569B CN 201710036292 A CN201710036292 A CN 201710036292A CN 106874569 B CN106874569 B CN 106874569B
Authority
CN
China
Prior art keywords
gas
turbine
power turbine
parameters
real
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710036292.8A
Other languages
English (en)
Other versions
CN106874569A (zh
Inventor
尹钊
田拥胜
王涛
张华良
曾德堂
高庆
谭春青
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.)
Institute of Engineering Thermophysics of CAS
Original Assignee
Institute of Engineering Thermophysics of CAS
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 Institute of Engineering Thermophysics of CAS filed Critical Institute of Engineering Thermophysics of CAS
Priority to CN201710036292.8A priority Critical patent/CN106874569B/zh
Publication of CN106874569A publication Critical patent/CN106874569A/zh
Application granted granted Critical
Publication of CN106874569B publication Critical patent/CN106874569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种变几何分轴式燃气轮机实时仿真建模方法，该方法针对的燃气轮机结构特点为压气机导叶可调且是分轴式，由燃气发生器与动力涡轮两部分组成。该方法包括以下步骤：样本点选取、训练样本点获取、利用获取的样本点训练RBF神经网络、利用部件建模方法建立动力涡轮计算模块，将该模块与RBF神经网络相连，RBF神经网络模块负责输出燃气发生器相关参数，动力涡轮计算模块负责输出功率等相关参数，如此可得燃气轮机实时仿真模型。本发明的实时仿真模型的建模方法，该方法考虑了压气机进口导叶角度变化的情况，合理地简化了模型，结合RBF神经网络与部件法二者的优点，在保证模型高实时性和高精度的同时，大大缩小样本规模。

Description

一种变几何分轴式燃气轮机实时仿真建模方法
技术领域
本发明涉及燃气轮机领域，更具体地，涉及一种变几何分轴式燃气轮机实时仿真的建模方法。
背景技术
在进行燃气轮机半物理仿真实验以及燃气轮机控制规律研究过程中，对燃气轮机仿真模型的实时性要求较高。特别是对于变几何的分轴式燃气轮机，该类燃气轮机包括带可调导叶压气机的燃气发生器以及动力涡轮，由于变量较多，基于燃气轮机工作机理建立的非线性模型实时性较差。线性化建模方法虽然有较好的实时性，但对于偏离稳态工况较远的情况仿真精度难以保证。基于神经网络的系统辨识法虽然能达到较高的精度和实时性，但对于变几何的分轴式燃气轮机，由于动态工况繁多，所需样本规模庞大，难以直接建立仿真模型。
发明内容
本发明为解决以上现有技术的缺陷和不足，提供了一种基于RBF神经网络与部件法的复合建模方法。基于燃气轮机工作机理建立起来的部件法具有高精度的优点，但实时性较差，而利用RBF神经网络建立的燃气轮机仿真模型虽然具有优异的实时性，但对于变几何分轴式燃气轮机面临着变量多、样本规模庞大的问题，本发明的变几何分轴式燃气轮机实时仿真建模方法，结合现有RBF神经网络法与部件法二者的优势，利用动力涡轮相对转速NPT对燃气发生器影响很小的特点，用于训练RBF神经网络的样本点中仅选取了两个不同的动力涡轮相对转速NPT值，大大减小了样本规模，在此基础上， 通过部件法单独建立的动力涡轮计算模块模拟动力涡轮工况，保证了样本规模减小的同时模型的计算精度与实时性。
为实现以上发明目的，本发明采用的技术方案是：
一种变几何分轴式燃气轮机实时仿真建模方法，所述变几何分轴式燃气轮机包括可调导叶压气机、燃气发生器和动力涡轮，其特征在于，所述实时仿真建模方法包括以下步骤：
SS1.样本点选取。
对于变几何分轴式燃气轮机，可调导叶压气机的导叶角度VGV、燃油流量Wf，燃气发生器相对转速NH以及动力涡轮相对转速NPT四个变量可以唯一确定燃气轮机某一动态工况。为确定各部件工作状况，可调导叶压气机需要确定转速、流量、压比中的任意两个参数以及进口导叶角度共计三个参数，燃气涡轮与动力涡轮均需确定转速、膨胀比、流量三个参数中任意两个变量，燃烧室部件则需确定燃油流量的大小才可唯一确定各部件工作状态，综上，如果确定压气机流量WaC、导叶角度VGV、燃气发生器相对转速NH、燃油流量Wf、燃气涡轮膨胀比πPT、动力涡轮相对转速NPT、动力涡轮膨胀比πPT7个变量，即可确定燃气轮机的工作状态。燃气轮机工作时，各部件并不是相互孤立的，有机械和气动间的联系，有如下三条约束关系：
WaC＝WaGT-Wf (1)
WaC＝WaPT-Wf (2)
πC＝πGT×πPT (3)
上面三个约束关系消除了三个变量，最终剩余导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH、动力涡轮相对转速NPT四个变量唯一确定燃机的工作状况。
在燃气轮机工作时，对于导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH三个参数，在其各自变化范围内，分别均匀地选取a个、b个、c个值(a、b、c均为大于等于1的整数)。由于动力涡轮相对转速NPT对动力涡轮流通能力影响较小，故对燃气发生器工况的影响很小。需要注意的是，由于气动关系，动力涡轮相对转速NPT对动力涡轮本身的效率以及输出功率还是有较大影响的。对于影响燃气发生器工况较小的参数，稀疏的取值即可满足神经网络精确地模拟燃气发生器动态工况，而过多的取值只会增加样本规模、加大工作量，因此为减小样本规模，动力涡轮相对转速NPT仅取一大一小两个值，具体取值视具体仿真情况而定。如，仅需模拟动力涡轮转速在NPT1到NPT2间的变化时，为防止燃机工况超出样本规模，NPT取NPT1和NPT2两个值即可，综上，共选取样本点a×b×c×2组。
SS2.样本点获取。
每一组样本点由输入参数和输出参数组成。导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH以及动力涡轮相对转速NPT四个参数构成输入参数，其余燃气发生器工作参数为输出参数，具体的，输出参数包括：压气机压比、压气机效率、进气流量、燃气涡轮膨胀比、燃气涡轮效率、动力涡轮效率、动力涡轮膨胀比、压气机出口总压、压气机出口总温、燃烧室出口总温、燃烧室出口总压、燃气涡轮出口总压、燃气涡轮出口总温、动力涡轮出口总温、动力涡轮出口总压、动力涡轮输出功率、燃气发生器角加速度，通过将输入参数输入到基于燃气轮机工作机理的燃气轮机总体计算商业软件或已有的通过求解非线性方程组的方式建立起来的燃气轮机总体计算仿真模型中，分别计算出每组样本点的输出参数，从而获取完整的训练样本。
SS3.训练RBF神经网络。
利用现有的RBF神经网络算法，例如MATLAB/SIMULINK内置的RBF 神经网络工具箱，以输出参数作为目标值，用a×b×c×2组样本点训练神经网络，神经网络在这里起到了一种多维拟合的作用，利用它建立起输入参数与输出参数间的对应关系，例如输出功率与输入参数的对应关系可表示为：PWSD＝f(NH,NPT,Wf,VGV)。
SS4.建立实时仿真模型。
通过RBF神经网络算法模拟燃气发生器，部件法建立的动力涡轮仿真模块模拟动力涡轮，燃气轮机的实时仿真模型得以建立。RBF神经网络输入量为VGV、Wf、NH以及NPT，其中VGV、Wf以及NPT为模型的给定输入量，NH则是通过模型计算得到。为减小输入数据的分布范围，加快神经网络的收敛速度，减小训练时间，将输入参数归一化到[-1,1]的区间范围内。将归一化后的参数输入到训练好的RBF神经网络中，计算出燃气发生器各工作参数后经逆归一化过程，将参数映射回归一化前的状态。RBF神经网络计算的燃气发生器工作参数包括当前时刻燃气发生器的转速加速度
Figure BDA0001213158760000041
通过对时间积分即可求出每一时刻的NH值，离散化后的计算公式：
Figure BDA0001213158760000042
其中，Δt为设置的时间步长，时间步长越小，计算越精确，运算量越大。RBF神经网络算出的燃气发生器的出口参数，包括油气比、燃气发生器出口总压、总温与工质流量，将这些参数加上模型给定输入量NPT作为输入参数输入到基于部件法建立起来的动力涡轮计算模块中去，从而完成动力涡轮部分的仿真计算。
采用两种方法分别计算燃气发生器与动力涡轮，其目的是：上述训练好的RBF神经网络可以预测不同VGV、Wf、NH、NPT所对应的燃气轮机燃气发生器各工作参数。可以看出，由于样本点中仅取了两个NPT的值，对于受NPT影响极小的燃气发生器，神经网络能准确的模拟，但对于受NPT影 响较大的动力涡轮本身来说，较少的NPT取值会直接影响动力涡轮的计算精度，为此，NPT对工况的影响将通过部件法建立起来的动力涡轮计算模块单独实现。该动力涡轮计算模块利用燃气热力性质计算公式以及已有的部件特性完成动力涡轮部分的仿真。具体的，由输入量NPT和动力涡轮膨胀比对部件特性插值(可以是常用的线性插值)得到涡轮效率以及工质流量，计算出若工质可逆绝膨胀，动力涡轮的出口总温和焓降。进而由动力涡轮效率算出动力涡轮实际输出功率与出口总温。
需要注意，NH的初始值应为稳态工况下VGV、Wf以及NPT的初始值所对应的高压轴转速。可以通过传统的燃气轮机仿真模型计算出VGV、Wf以及NPT的初始值所对应的燃气轮机稳态工况下NH的取值。如此，给定VGV、Wf以及NPT即可运行仿真模型。
SS5.模型验证。具体的，通过给定一段VGV、Wf以及NPT的变化规律，对比已有的通过求解非线性方程组的方式建立起来的燃气轮机总体计算仿真模型与本专利建立起来的实时仿真模型各参数计算结果，即可验证模型的准确性。
基于燃气轮机工作机理建立起来的部件法具有高精度的优点，但实时性较差。利用RBF神经网络建立的燃气轮机仿真模型具有优异的实时性，但对于变几何分轴式燃气轮机面临着变量多、样本规模庞大的问题。本发明提供的变几何分轴式燃气轮机实时仿真模型的建模方法，结合了两种建模方法的优点，通过部件法与神经网络分别计算燃气发生器部分与动力涡轮部分得到了如下效果：
1、由于NPT对燃气发生器影响较小，但对动力涡轮本身影响较大。两种方法分别计算，使得燃气发生器部分由原来的VGV、Wf、NH、NPT四变量问题简化为主要与VGV、Wf、NH相关的准三变量问题，如此，用于训练RBF神经网络的样本规模便大大减小了，简化了模型的建立。
2、通过部件法单独计算动力涡轮模块，考虑了NPT对动力涡轮工况的影响，保证了模型的仿真精度。
3、神经网络计算了燃气发生器部分，避免了部件法中非线性方程组的求解以及绝大部分的工质热力计算，大大提高了模型的运算速度与实时性。
与现有技术相比，本发明的有益效果是：
本发明提供了变几何分轴式燃气轮机实时仿真模型的建模方法，该方法考虑了压气机进口导叶角度变化的情况，合理地简化了模型，结合RBF神经网络与部件法二者的优点，在保证模型高实时性和高精度的同时，大大缩小样本规模，减小了工作量。
附图说明
图1为本发明提供的方法的流程图。
图2为本发明建立的仿真模型结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明，以使本发明的优点和特征能更易于被本领域技术人员理解。需要说明的是，以下所述仅为本发明的较佳实施例，并不因此而限定本发明的保护范围。实际上，在未背离本发明的范围或精神的情况下，可以在本发明中进行各种修改和变化，这对本领域技术人员来说将是显而易见的。例如，作为一个实施例的一部分示出或描述的特征可以与另一个实施例一起使用来产生又一个实施例。因此，意图是本发明将这样的修改和变化包括在所附的权利要求书和它们的等同物的范围内。
变几何分轴式燃气轮机的结构特点为压气机导叶可调且是分轴式结构，由燃气发生器与动力涡轮两部分组成。如图1所示，本发明提供的变几何分 轴式燃气轮机实时仿真建模方法包括以下步骤：
SS1.样本点选取。本例仅描述该燃气轮机慢车以上转速的建模过程。通过传统的燃气轮机仿真模型，获得不同燃气发生器转速下压气机进口导叶角度VGV的变化范围：f1(NH)≤VGV≤f2(NH)，其中VGV的上限f2(NH)为燃气发生器在该转速下，发动机刚好处于喘振边界处。VGV在其变化范围内取5个值，Wf可按等差数列在额定燃油流量范围内选取8个值。NH在0.75到1转速范围内按等差数列取8个值。NPT取0.4和1.1两个值。综上，样本点规模为5×8×8×2＝640组点。一组样本点包括输入参数和输出参数。输入参数为Wf、VGV、NH以及NPT共计四个参数，输出参数为燃气发生器各截面以及相关工作参数。
SS2.样本点获取。通过实验数据或商业软件获取燃气轮机工况样本点。基于传统的部件法，通过求解非线性方程组，建立传统的燃气轮机仿真模型。将选取好的640组样本点输入到建好的仿真模型中，算出640组燃气轮机动态工况参数，包括燃气发生器角加速度、压气机流量、压气机出口总温、燃烧室出口总温、燃气涡轮出口总温、燃气涡轮出口总压、压气机压比、压气机效率、燃气涡轮膨胀比、燃气涡轮效率共计10个参数。
SS3.利用获取的样本点训练RBF神经网络。本实例中，利用Matlab软件，以Wf、VGV、NH和NPT为输入参数，燃气发生器角加速度
Figure BDA0001213158760000071
压压气机流量WC、压气机出口总温T2、燃烧室出口总温T4、燃气涡轮出口总温T6、燃气涡轮出口总压p6、压气机压比πC、压气机效率ηC、燃气涡轮膨胀比πHT、燃气涡轮效率ηHT共计10个参数为目标量，通过matlab中的“premnmx”和“newrb”函数分别归一化样本数据和训练RBF神经网络。函数的详细用法参见matlab帮助文件。
SS4.如图2所示，建立实时仿真模型。神经网络输入参数为NPT、Wf、VGV和NH，先利用matlab中的“tramnmx”函数将输入参数归一化到[-1,1]区间内，将归一化后的数据作为输入量输入已训练好的RBF神经网络，从而算出燃气发生器各相关参数。之后利用函数“postmnmx”将神经网络算出的参数映射回归一化前的值。神经网络算出当前时刻燃气发生器的转速加速度
Figure RE-GDA0001283638920000081
通过公式
Figure RE-GDA0001283638920000082
可算出下一时刻的NH值，如此迭代循环，可算出各时刻的NH，完成燃气发生器的仿真。其中，Δt为设置的时间步长，时间步长越小，计算越精确，运算量越大，本例中Δt取为0.2s。动力涡轮部分的仿真由利用部件建模方法建立的动力涡轮计算模块单独完成。动力涡轮模块的输入参数为NPT以及由神经网络算出的燃气发生器出口总压P6、总温T6、比焓h6以及压气机进气流量WC，输出参数为动力涡轮效率ηPT、输出功率PWSD与排气温度T8。利用RBF神经网络算出的工质流量与给定的NPT通过已有的动力涡轮特性数据点插值获得动力涡轮效率ηPT，动力涡轮膨胀比通过公式
Figure RE-GDA0001283638920000083
求得，πPT、θ67、θ80、P0分别代表动力涡轮膨胀比、燃气涡轮与动力涡轮间过渡段总压恢复系数、排气道总压恢复系数与大气压力。之后，利用工质热力计算关系式可算出若工质可逆绝热膨胀，动力涡轮的排气总温T'8与比焓h'8。通过公式h8＝(h6-h'8)·ηPT+h6可求出动力涡轮出口实际比焓h8。根据燃气热力性质计算公式可由h8求出动力涡轮排气总温T8。则动力涡轮输出功率可由公式PWSD＝(h6-h8)·(WC+Wf)求得，如此完成动力涡轮部分的建模过程。综上，RBF神经网络模块负责输出燃气发生器相关参数，动力涡轮计算模块负责计算动力涡轮部分，燃气轮机实时仿真模型得以建立。
SS5.将实时仿真模型与之前已建好的传统的仿真模型进行对比验证。向 实时仿真模型和传统仿真模型输入一段相同的输入参数Wf、NPT、VGV，对比两个模型的计算结果，两个模型在各参数上均吻合良好，模型的可靠性得到验证。
对于变几何的分轴式燃气轮机，只需确定燃油流量Wf、燃气发生器相对转速NH、动力涡轮相对转速NPT以及压气机进口导叶角度VGV四个参数即可唯一确定燃气轮机的某一动态工况。通过计算得到的燃气轮机动态工况样本点，利用RBF神经网络建立起这四个变量与燃气发生器其余各参数的对应关系，并据此建立燃气发生器部分的仿真模型。
NPT、VGV以及Wf是模型的输入量，由外部负载和控制系统决定，NH则需要经过计算得到。Δt为离散化后的时间步长，需注意Δt不宜取得过大，以免影响模型的仿真精度。本实例中取为0.2s。通过反复迭代可以模拟燃气发生器部分各时刻的动态工况。
显然，本发明的上述实例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种变几何分轴式燃气轮机实时仿真建模方法，所述变几何分轴式燃气轮机包括可调导叶压气机、燃气发生器和动力涡轮，其特征在于：所述实时仿真建模方法包括以下步骤：
SS1.样本点选取
选取可调导叶压气机的导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH、动力涡轮相对转速NPT四个变量确定燃机的工作状况；
在燃气轮机工作时，对于可调导叶压气机的导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH等三个参数，在其各自变化范围内，分别均匀地选取a个、b个、c个值，其中a、b、c均为大于等于1的整数；对于动力涡轮相对转速NPT，在其变化范围内，选取一大一小两个值；
综上，共选取样本点a×b×c×2组；
SS2.训练样本点获取
每一组训练样本点由输入参数和输出参数组成，其中导叶角度VGV、燃油流量Wf、燃气发生器相对转速NH以及动力涡轮相对转速NPT四个参数构成输入参数，其余燃气发生器工作参数为输出参数，
通过将输入参数输入到现有的通过求解非线性方程组的方式建立起来的燃气轮机总体计算仿真模型中，分别计算出每组样本点的输出参数，从而获取完整的训练样本；
SS3.利用获取的样本点训练RBF神经网络
利用现有的RBF神经网络算法，以输出参数作为目标值，用a×b×c×2组样本点训练RBF神经网络，利用RBF神经网络建立输入参数与输出参数间的对应关系；
SS4.建立实时仿真模型
利用部件建模方法建立动力涡轮计算模块模拟动力涡轮，并利用RBF神经网络模块模拟燃气发生器，将所述动力涡轮计算模块与RBF神经网络模块相连，RBF神经网络模块负责输出燃气发生器相关参数，动力涡轮计算模块负责输出功率相关参数，如此可得燃气轮机实时仿真模型。
2.根据权利要求1所述的变几何分轴式燃气轮机实时仿真建模方法，其特征在于：由于动力涡轮相对转速NPT只对动力涡轮本身有较大影响，对燃气发生器影响很小，动力涡轮相对转速NPT在其变化范围内，选取一大一小两个值；动力涡轮相对转速NPT对动力涡轮本身的影响通过动力涡轮计算模块单独实现。
3.根据权利要求1所述的变几何分轴式燃气轮机实时仿真建模方法，其特征在于：一组训练样本点的输入参数为供油量Wf、压气机进口导叶角度VGV、燃气发生器相对转速NH、以及动力涡轮相对转速NPT共计四个参数，输出参数为燃气发生器各截面参数以及各工作参数。
4.根据权利要求1所述的变几何分轴式燃气轮机实时仿真建模方法，其特征在于：训练样本点的输出参数包括：压气机压比、压气机效率、进气流量、燃气涡轮膨胀比、燃气涡轮效率、动力涡轮效率、动力涡轮膨胀比、压气机出口总压、压气机出口总温、燃烧室出口总温、燃烧室出口总压、燃气涡轮出口总压、燃气涡轮出口总温、动力涡轮出口总温、动力涡轮出口总压、动力涡轮输出功率、燃气发生器角加速度。
5.根据权利要求1所述的变几何分轴式燃气轮机实时仿真建模方法，其特征在于：所述实时仿真建模方法还包括模型验证步骤，通过给定一段VGV、Wf以及NPT的变化规律，对比已有的通过求解非线性方程组的方式建立起来的燃气轮机总体计算仿真模型与步骤SS4实时仿真模型各参数计算结果，即可验证模型的准确性。
CN201710036292.8A 2017-01-19 2017-01-19 一种变几何分轴式燃气轮机实时仿真建模方法 Active CN106874569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710036292.8A CN106874569B (zh) 2017-01-19 2017-01-19 一种变几何分轴式燃气轮机实时仿真建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710036292.8A CN106874569B (zh) 2017-01-19 2017-01-19 一种变几何分轴式燃气轮机实时仿真建模方法

Publications (2)

Publication Number Publication Date
CN106874569A CN106874569A (zh) 2017-06-20
CN106874569B true CN106874569B (zh) 2020-04-21

Family

ID=59158372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710036292.8A Active CN106874569B (zh) 2017-01-19 2017-01-19 一种变几何分轴式燃气轮机实时仿真建模方法

Country Status (1)

Country Link
CN (1) CN106874569B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108528B (zh) * 2017-12-01 2021-05-25 中国科学院工程热物理研究所 一种分轴式航改燃机动力涡轮一维匹配设计方法
CN108223140B (zh) * 2017-12-06 2019-07-12 中国科学院工程热物理研究所 一种三轴式燃气轮机动力涡轮进口导叶控制规律优化方法
CN110555217B (zh) * 2018-05-31 2022-12-13 中国人民解放军陆军军事交通学院 离心压气机变海拔全工况通流设计优化方法
CN109002579B (zh) * 2018-06-12 2023-07-11 南京航空航天大学 一种基于试车数据的航空发动机实时简化模型优化建模方法
CN109083748B (zh) * 2018-07-24 2020-04-07 中国科学院工程热物理研究所 变几何三轴式燃气轮机大功率控制方法
CN109783882B (zh) * 2018-12-21 2022-09-09 哈尔滨工程大学 一种联合matlab与flowmaster的燃气轮机燃油系统建模仿真方法
CN109684750A (zh) * 2018-12-27 2019-04-26 中国船舶重工集团公司第七0三研究所 一种用于氦气轮机的压气机模型建模方法
CN110147573B (zh) * 2019-04-16 2023-04-07 新奥能源动力科技（上海）有限公司 一种燃气轮机的仿真方法、装置以及存储介质
CN110109034A (zh) * 2019-04-17 2019-08-09 中国船舶重工集团公司第七O三研究所无锡分部 一种燃气轮机磁电式转速传感器实时失磁状态监测方法
CN114424128A (zh) * 2019-09-30 2022-04-29 西门子股份公司 非线性模型的建模方法、装置及存储介质
CN111523276B (zh) * 2020-03-31 2022-12-06 西安交通大学 基于网络模型的燃气涡轮发动机燃油流量校正方法
CN113051835A (zh) * 2021-04-14 2021-06-29 中国科学院工程热物理研究所 一种基于机器学习的叶轮机械非稳态流场高效预测方法
CN113343390B (zh) * 2021-06-30 2024-02-20 中国科学院工程热物理研究所 基于神经网络非线性模型的发动机线性化建模方法
CN113807024B (zh) * 2021-10-08 2024-03-22 大连理工大学 一种基于代理模型的燃气轮机最优动态工作点选择方法
CN115685752B (zh) * 2022-10-21 2024-03-29 南京航空航天大学 一种基于模块化仿真平台的间冷燃气轮机模型建模方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103838920A (zh) * 2014-02-13 2014-06-04 南京航空航天大学 一种涡轴发动机动态实时模型建模方法及系统
CN105512429A (zh) * 2015-12-31 2016-04-20 中国航空工业集团公司沈阳发动机设计研究所 一种三轴燃气轮机的总体方案计算方法
CN105740559A (zh) * 2016-02-03 2016-07-06 珠海市钰海电力有限公司 一种燃气轮机实时能效寻优方法
CN106021757A (zh) * 2016-05-26 2016-10-12 哈尔滨工程大学 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
CN106250709A (zh) * 2016-08-18 2016-12-21 中国船舶重工集团公司第七�三研究所 基于传感器关联网络的燃气轮机异常检测与故障诊断算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090171626A1 (en) * 2007-12-27 2009-07-02 Dweik Zaineddin S Integrated Engineering Analysis System

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103838920A (zh) * 2014-02-13 2014-06-04 南京航空航天大学 一种涡轴发动机动态实时模型建模方法及系统
CN105512429A (zh) * 2015-12-31 2016-04-20 中国航空工业集团公司沈阳发动机设计研究所 一种三轴燃气轮机的总体方案计算方法
CN105740559A (zh) * 2016-02-03 2016-07-06 珠海市钰海电力有限公司 一种燃气轮机实时能效寻优方法
CN106021757A (zh) * 2016-05-26 2016-10-12 哈尔滨工程大学 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
CN106250709A (zh) * 2016-08-18 2016-12-21 中国船舶重工集团公司第七�三研究所 基于传感器关联网络的燃气轮机异常检测与故障诊断算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Modelling and simulation of gas turbines;Hamid Asgari 等;《Modelling, Identification and Control》;20131231;第1-15页 *

Also Published As

Publication number Publication date
CN106874569A (zh) 2017-06-20

Similar Documents

Publication Publication Date Title
CN106874569B (zh) 一种变几何分轴式燃气轮机实时仿真建模方法
CN102012956B (zh) 一种考虑风电场输入风速和风向随机波动的风电场等值方法
CN108223140B (zh) 一种三轴式燃气轮机动力涡轮进口导叶控制规律优化方法
CN108829928B (zh) 一种涡轴发动机自适应部件级仿真模型构建方法
CN108108528B (zh) 一种分轴式航改燃机动力涡轮一维匹配设计方法
CN111859746B (zh) 一种基于流场重构的透平机械变工况性能预测方法
Tsoutsanis et al. Dynamic performance simulation of an aeroderivative gas turbine using the matlab simulink environment
Kelly et al. Implementation and verification of a wave-to-wire model of an oscillating water column with impulse turbine
CN106682376A (zh) 参数随工况变化实际特性的全过程汽轮机建模及辨识方法
CN105512429A (zh) 一种三轴燃气轮机的总体方案计算方法
CN112287580A (zh) 一种基于全三维数值模拟的轴流压气机喘振边界计算方法
CN106126902A (zh) 基于粒子群优化算法辨识的燃气轮机部件特性线修正方法
CN107301268A (zh) 一种船舶燃气轮机可调静叶压气机偏转角度优化方法
CN106840685B (zh) 一种燃气轮机动态工况数据库样本点选取方法
CN106055792A (zh) 一种超临界二氧化碳压气机与涡轮匹配动态仿真方法
CN109143893B (zh) 一种基于真机实测的水轮机特性获取方法
CN102967465A (zh) 燃料室虚拟试验方法及系统
Guan et al. Multidimensional analysis and performance prediction of heavy-duty gas turbine based on actual operational data
Gaitanis et al. Towards real time transient mGT performance assessment: Effective prediction using accurate component modelling techniques
CN112668162A (zh) 一种基于惯性滑模的航空发动机建模方法
Johnson One-dimensional, stage-by-stage, axial compressor performance model
CN113503750A (zh) 一种直接空冷机组最佳背压确定方法
CN106200416B (zh) 大气温度对联合循环机组功率影响的调控系统及方法
CN117422017A (zh) 燃气轮机的热平衡分析方法、装置、设备和介质
Gonzalez-Gonzalez Modelling Axial Turbomachinery for Compressed Air Energy Storage

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant