CN107816386A - 涡轮系统、计算机实现的监测方法以及计算机可读介质 - Google Patents

涡轮系统、计算机实现的监测方法以及计算机可读介质 Download PDF

Info

Publication number
CN107816386A
CN107816386A CN201710818103.2A CN201710818103A CN107816386A CN 107816386 A CN107816386 A CN 107816386A CN 201710818103 A CN201710818103 A CN 201710818103A CN 107816386 A CN107816386 A CN 107816386A
Authority
CN
China
Prior art keywords
filter
data
turbine system
prediction
degradation
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
CN201710818103.2A
Other languages
English (en)
Inventor
张华�
B.基佩尔
D.特雷汉
I.胡
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 CN107816386A publication Critical patent/CN107816386A/zh
Pending legal-status Critical Current

Links

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
    • F02C7/00—Features, components parts, details or accessories, not provided for in, or of interest apart form groups F02C1/00 - F02C6/00; Air intakes for jet-propulsion plants
    • F02C7/04—Air intakes for gas-turbine plants or jet-propulsion plants
    • F02C7/05—Air intakes for gas-turbine plants or jet-propulsion plants having provisions for obviating the penetration of damaging objects or particles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
    • B01D46/0084—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours provided with safety means
    • B01D46/0086—Filter condition indicators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
    • B01D46/42—Auxiliary equipment or operation thereof
    • B01D46/44—Auxiliary equipment or operation thereof controlling filtration
    • B01D46/442—Auxiliary equipment or operation thereof controlling filtration by measuring the concentration of particles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
    • B01D46/42—Auxiliary equipment or operation thereof
    • B01D46/44—Auxiliary equipment or operation thereof controlling filtration
    • B01D46/446—Auxiliary equipment or operation thereof controlling filtration by pressure measuring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
    • B01D46/42—Auxiliary equipment or operation thereof
    • B01D46/44—Auxiliary equipment or operation thereof controlling filtration
    • B01D46/448—Auxiliary equipment or operation thereof controlling filtration by temperature measuring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
    • B01D46/66—Regeneration of the filtering material or filter elements inside the filter
    • B01D46/70—Regeneration of the filtering material or filter elements inside the filter by acting counter-currently on the filtering surface, e.g. by flushing on the non-cake side of the filter
    • B01D46/71—Regeneration of the filtering material or filter elements inside the filter by acting counter-currently on the filtering surface, e.g. by flushing on the non-cake side of the filter with pressurised gas, e.g. pulsed air
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
    • B01D46/88—Replacing filter elements
    • 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
    • F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
    • F01D21/003—Arrangements for testing or measuring
    • 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
    • F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
    • F01D25/002—Cleaning of turbomachines
    • 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
    • F02C7/00—Features, components parts, details or accessories, not provided for in, or of interest apart form groups F02C1/00 - F02C6/00; Air intakes for jet-propulsion plants
    • F02C7/04—Air intakes for gas-turbine plants or jet-propulsion plants
    • F02C7/05—Air intakes for gas-turbine plants or jet-propulsion plants having provisions for obviating the penetration of damaging objects or particles
    • F02C7/055—Air intakes for gas-turbine plants or jet-propulsion plants having provisions for obviating the penetration of damaging objects or particles with intake grids, screens or guards
    • 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
    • F02C7/00—Features, components parts, details or accessories, not provided for in, or of interest apart form groups F02C1/00 - F02C6/00; Air intakes for jet-propulsion plants
    • F02C7/04—Air intakes for gas-turbine plants or jet-propulsion plants
    • F02C7/057—Control or regulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • 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
    • F05D2230/00—Manufacture
    • F05D2230/72—Maintenance
    • 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
    • F05D2260/60—Fluid transfer
    • F05D2260/607—Preventing clogging or obstruction of flow paths by dirt, dust, or foreign particles
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/81—Modelling or simulation
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种涡轮系统、计算机实现的监测方法以及计算机可读介质。在一个实施例中，涡轮系统包括进气部段，进气部段包括过滤器室，过滤器室包括至少一个过滤级，所述至少一个过滤级中的每一级包括过滤器。所述涡轮系统也包括一个或多个传感器和处理器，所述传感器设置在进气部段中，所述处理器被构造成：接收与进气部段的测试条件有关的性能数据、来自所述一个或多个传感器的传感器数据、局部条件数据、或它们的一些组合；使用过滤器劣化预测模型为过滤器预测过滤器劣化速率，该模型基于性能数据、传感器数据、局部条件数据或它们的一些组合来提供过滤器的性能的函数；以及基于过滤器劣化速率预测来执行一个或多个预防性动作。

Description

涡轮系统、计算机实现的监测方法以及计算机可读介质
技术领域
本说明书所公开的主题涉及涡轮机械，并且更具体地涉及使用基于条件的监测预测涡轮机械的部件的劣化速率。
发明背景
涡轮机械(turbomachine)系统(例如，涡轮系统)可包括参与过程的多种部件和子系统。例如，涡轮机械可包括负载、轴、过滤器室(filter house)、燃料管线、燃烧器、涡轮、排气系统等。所述部件和子系统可以通过使驱动负载(例如，发电机)的轴旋转而联合操作以产生功输出。随时间推移(over time)，所述部件和子系统可能因使用、积聚物质等而劣化。例如，在涡轮系统的过滤器室中的过滤器可能通过积聚灰尘而劣化，从而造成入口管道结构中不期望的压降。又如，涡轮系统的压缩机也可能通过积聚灰尘而劣化，从而影响涡轮系统的输出。常常，部件和子系统的维护可以被静态地排程。然而，通过在部件实际上达到影响涡轮系统的性能的劣化状态之前更换部件，遵循静态计划表可能导致低效率的资源使用。同样，在部件已经达到劣化状态之后遵循更换部件的静态计划表可能导致涡轮系统中的操作效率低下和其它压缩机操作问题，例如振动和喘振裕度(surge margin)减小。
发明内容
在范围方面与初始要求保护的主题相一致的某些实施例总结如下。这些实施例不意图限制要求保护的主题的范围，相反，这些实施例意图仅提供本主题的可能形式的简短总结。实际上，本主题可包括可类似于或不同于下文所述实施例的各种形式。
在一个实施例中，涡轮系统包括进气部段(intake section)，进气部段包括过滤器室(filter house)，过滤器室包括至少一个过滤级(filtration stage)，所述至少一个过滤级中的每一级包括过滤器。涡轮系统也包括：一个或多个传感器，其设置在进气部段中；和处理器，其被构造成：接收与进气部段的测试条件(testing conditions)有关的性能数据(performance data)、来自所述一个或多个传感器的传感器数据、局部条件(localconditions)数据、或它们的一些组合；使用过滤器劣化预测模型(filter degradationprediction model)为过滤器预测过滤器劣化速率(degradation rate)，该模型基于性能数据、传感器数据、局部条件数据或它们的一些组合来提供过滤器的性能的函数；以及基于过滤器劣化速率预测来执行一个或多个预防性动作(preventative actions)。
其中，所述处理器被构造成使用所述性能数据初始化所述过滤器劣化预测模型，并且所述性能数据由过滤器加载速率测试实验模型(filter loading rate testing labmodel)得出。
其中，所述一个或多个传感器包括至少一个灰尘传感器(dustsensor)和至少一个压力传感器，所述至少一个灰尘传感器位于所述过滤器室上游并且被构造成测量灰尘颗粒大小(dust particle size)、灰尘颗粒类型、灰尘颗粒浓度(concentration)、或它们的一些组合，并且所述至少一个压力传感器位于所述过滤器室下游并且被构造成测量压力。
其中，所述一个或多个传感器包括至少一个温湿度传感器(temperature andhumidity sensor)，所述至少一个温湿度传感器位于所述过滤器室上游并且被构造成获得所述过滤器室上游的温度和相对湿度(relative humidity)。
其中，所述局部条件数据包括所述涡轮系统的地理位置(geographicallocation)和与所述地理位置相关联的天气预报(weather forecasting)数据中的一者或多者，所述天气预报数据包括环境温度、环境压力、相对湿度水平、沙尘暴水平(sand stormlevel)、降水几率或暴风雨几率(precipitation or storm chance)、或它们的一些组合。
其中，所述处理器被构造成在被包括在计算装置或控制器中的显示器上显示所述过滤器劣化速率预测，其中，所述计算装置包括智能手机、膝上型计算机、平板计算机或个人计算机。
其中，所述一个或多个预防性动作包括基于针对所述至少一个过滤级中的每一级的所述过滤器的所述过滤器劣化速率预测来驱动所述进气部段的自清洁系统(self-cleaning system)。
其中，所述一个或多个预防性动作包括对所述至少一个过滤级中的每一级的所述过滤器的维护或更换进行排程，使得在所述至少一个过滤级的最后(final)过滤级中的最后过滤器的寿命延长。
其中，当所述涡轮系统操作时，所述过滤器劣化预测模型通过随时间推移包括新的性能数据、新的传感器数据、新的局部条件数据或它们的一些组合而为自适应的。
其中，所述处理器被构造成基于所述相应的过滤器劣化速率预测而确定所述至少一个过滤级中的每一级的所述过滤器的剩余使用寿命(remaining useful life)。
其中，所述处理器被构造成在显示器上的相应的虚拟晴雨表(virtualbarometers)中显示所述至少一个过滤级中的每一级的所述过滤器的所述剩余使用寿命。
在一个实施例中，一种计算机实现的监测方法包括接收与被包括在涡轮系统中的过滤器室的至少一个过滤级中的过滤器有关的第一输入、与涡轮系统所处的环境的局部条件有关的第二输入、或两者。该方法也包括：使用过滤器劣化预测模型为过滤器预测过滤器劣化速率，该过滤器劣化预测模型基于第一输入、第二输入或两者来提供过滤器的性能的函数；以及基于过滤器劣化速率预测来执行一个或多个预防性动作。
其中，所述第一输入包括从过滤器加载速率测试实验模型得出的性能数据、来自设置在所述过滤器室上游的一个或多个灰尘传感器的灰尘颗粒传感器数据、来自设置在所述过滤器室下游的一个或多个压力传感器的压力数据、来自设置在所述过滤器室上游的一个或多个温湿度传感器的温度和湿度数据、或它们的一些组合。
其中，所述一个或多个预防性动作包括基于针对所述至少一个过滤级中的每一级的所述过滤器的所述过滤器劣化速率预测来驱动自清洁系统。
其中，所述第二输入包括所述涡轮系统的地理位置和与所述地理位置相关联的天气预报数据中的一者或多者，所述天气预报数据包括环境温度、环境压力、相对湿度水平、沙尘暴水平、降水几率或暴风雨几率、或它们的一些组合。
其中，所述一个或多个预防性动作包括使用所述相应的过滤器劣化速率预测来优化所述至少一个过滤级中的每一级的所述过滤器的更换，以提高所述至少一个过滤级的最后过滤级中的最后过滤器的寿命。
在一个实施例中，一种或多种有形的非暂时性计算机可读介质，其上存储有计算机指令，该指令在由一个或多个处理器执行时导致所述一个或多个处理器进行以下：接收与涡轮系统的进气部段中的过滤器室的测试条件有关的性能数据、来自设置在进气部段中的一个或多个传感器的传感器数据、与涡轮系统所处的环境有关的局部条件数据、或它们的一些组合；使用过滤器劣化预测模型为过滤器室的至少一个过滤级的过滤器预测过滤器劣化速率，该模型基于性能数据、传感器数据、局部条件数据或它们的一些组合来提供过滤器的性能的函数；以及基于过滤器劣化速率预测来执行一个或多个预防性动作。
其中，所述计算机指令在由所述一个或多个处理器执行时导致所述一个或多个处理器基于后续的传感器数据来在以后的时间(at a later time)验证所述过滤器劣化速率预测。
其中，所述一个或多个预防性动作包括基于针对所述至少一个过滤级中的每一级的所述过滤器的所述过滤器劣化速率预测，来按照所述过滤器室的区域或区驱动自清洁系统。
其中，所述一个或多个预防性动作包括通过对所述至少一个过滤级中的每一级的所述过滤器的更换进行排程使得在所述至少一个过滤级的最后过滤级中的最后过滤器的寿命延长，来减少所述涡轮系统的停机(downtime)。
附图说明
当参考附图阅读下面的具体实施方式时，本主题的这些和其它特征、方面和优点将变得更好理解，在所有图中类似的标记表示类似的部件，在附图中：
图1是根据一个实施例的涡轮系统的框图，该系统能够实现涡轮系统的一个或多个部件的基于条件的监测；
图2是根据一个实施例的图1的涡轮系统的框图，其包括接收各种输入的过滤器劣化预测逻辑；
图3是适合使用过滤器劣化预测模型来预测过滤器劣化速率的过程的流程图；
图4是根据一个实施例的图1的涡轮系统的框图，其包括接收各种输入的压缩机劣化预测逻辑和过滤器劣化预测逻辑；以及
图5是根据一个实施例的适合预测压缩机劣化速率的过程的流程图。
具体实施方式
下文将描述本主题的一个或多个具体实施例。为了提供这些实施例的简要说明，可能无法在本说明书中描述实际实施方案的所有特征。应当理解，任意工程或设计项目中的任何这种实际实施方案的开发、大量的针对实施方案的决定都必须实现开发者的具体目标，例如遵守可能在各个实施方案中变化的与系统有关和与商业有关的约束。此外，应当理解，这样的改进可能是复杂且耗时的，但对于受益于本公开的有益效果的本领域普通技术人员来说，这些都是设计、制造和生产中的常规任务。
在介绍本主题的各种实施例的元素时，冠词“一个”、“一种”、“该”和“所述”意图表示这些元素中的一个或多个。术语“包含”、“包括”和“具有”旨在包括端值并且意味着可能有除了所列元素之外的额外的元素。
如此前所讨论的，涡轮系统的性能和正常操作可能受到其部件的劣化的影响。例如，当一个或多个入口过滤器加载过量的颗粒时，入口管道的压力可能下降至不期望的水平，并且过滤效率可能降低。低效率的过滤器将导致更多颗粒流过其中并且到达压缩机，从而造成压缩机叶片和静叶的积垢(fouling)。然而，过滤器负载(filter loading)在不同地点(from site to site)大不相同。例如，位于具有更多降水的环境中的某些地点可能导致入口过滤器更潮湿且更粘，从而比在较干燥的气候中的入口过滤器更快地加载(loading)颗粒。同样，当空气被吸入涡轮系统时，由于空气中的盐聚积在过滤器上，位于咸水体附近的环境中的入口过滤器可能更快地加载颗粒。此外，穿过过滤器并进入入口管道的颗粒可能最终落在涡轮系统的压缩机的一个或多个叶片上，从而影响涡轮系统的性能。常常，压缩机和/或入口过滤器基于预设的静态计划表(static schedule)维护或更换。然而，这样的基于静态计划表的监测(monitoring)可能至少由于上文讨论的原因而是低效率的。
因此，本公开的一些实施例涉及使用劣化预测逻辑的涡轮系统的部件的基于条件的监测。劣化预测逻辑(degradation prediction logic)可以生成一个或多个模型，例如，过滤器劣化预测模型和压缩机劣化预测模型。应当理解，所述模型可以随时间推移基于测量数据而提高其预测的保真度(fidelity)。
如上文所指出的，过滤器劣化可能导致不期望的压降，该压降导致涡轮系统的低效率操作和过滤效率的降低。因此，过滤器劣化预测模型可以预测过滤器的劣化速率以执行一个或多个预防性动作。过滤器劣化预测模型可以接收与当某些条件存在时过滤器室的多个过滤级中的一个或多个入口过滤器的寿命有关的性能数据(例如，测试数据)、来自传感器的部件的实际条件、和/或所监测的涡轮系统所处的环境的局部条件的输入。过滤器劣化预测模型可以输出可用来确定过滤器的剩余使用寿命的每个过滤级中的每个过滤器的劣化速率的预测。该预测可用来执行一个或多个预防性动作，例如，关闭涡轮系统、对过滤器中的一个或多个的维护或更换进行排程、驱动进气口中的过滤器的自清洁系统和/或类似动作。这样的预防性动作可以降低涡轮系统的突发性停机的可能性和/或可以通过减小入口管道中不期望的压降而改善涡轮系统的性能。
另外，如上文所指出的，压缩机劣化可以导致涡轮系统的低效率操作、喘振裕度的减小和过量振动。因此，压缩机劣化预测模型可以预测压缩机的劣化速率以执行一个或多个预防性动作。压缩机劣化预测模型可以接收与当某些条件存在时压缩机的健康有关的性能数据(例如，测试数据)、来自传感器的部件的实际条件、所监测的涡轮系统所处的环境的局部条件、和/或来自过滤器劣化预测模型的一个或多个过滤器劣化速率预测的输入。压缩机劣化预测模型可以预测压缩机劣化速率。压缩机劣化速率预测可以用来执行一个或多个预防性动作，例如，对用于清除压缩机的颗粒的联机(online)和/或脱机(offline)水洗进行排程、执行已排程的水洗、关闭涡轮系统、修理压缩机、更换压缩机叶片和/或静叶、和/或类似动作。这样的预防性动作可以降低当压缩机被颗粒污染时损失功率输出的可能性等。应当理解，本说明书所公开的预防性动作本质上比利用反应动作的基于仅仅静态的计划表的监测更具有动态性，因为预防性动作基于涡轮系统的部件的实际条件、与当某些条件存在时部件的使用寿命有关的历史性能数据、和/或环境的局部条件等。
现在转到附图，图1是根据一个实施例的涡轮系统10的框图，该系统能够实现涡轮系统10的一个或多个部件的基于条件的监测。涡轮系统10包括涡轮12和后处理系统14。在某些实施例中，涡轮系统10可以是发电系统(power generation system)。涡轮系统10可以使用诸如天然气和/或富氢合成气体的液体或气体燃料来运转涡轮系统10。如图所示，涡轮系统10包括空气进气部段16、压缩机18、燃烧系统20和涡轮12。涡轮12可以经由轴传动地联接到压缩机18。在操作中，空气通过空气进气部段16进入涡轮系统10(由箭头17所指示)并且在压缩机18中加压。
空气进气部段16可包括过滤器室，过滤器室包括入口过滤器的多个过滤级。在每一级处的入口过滤器以不同的节奏或速率劣化(例如，载有颗粒)。例如，在预过滤级中的入口过滤器(例如，暴露于入流空气的第一入口过滤器)可能最快劣化，由此具有最短的寿命，因为在这些入口过滤器上加载相比在较后的过滤级中的后续入口过滤器更多的颗粒。为此，相比在之前的级中的入口过滤器，过滤器室中的最后过滤级的入口过滤器可能以最慢的速率加载颗粒，由此具有最长的寿命。另外，根据它们所处的环境，入口过滤器可能以不同的速率劣化。例如，相比在内陆的入口过滤器，位于海岸或咸水体附近的入口过滤器可能更快地加载颗粒并且更快地劣化。另外，在潮湿气候或降水普遍的气候中的入口过滤器可能更快地劣化，因为入口过滤器变得比更干燥的气候更加潮湿而具有粘性。随着入口过滤器变得载有颗粒，更少的空气穿过进气部段16，并且在入口管道结构中可能产生压降。压降可以导致涡轮系统10的性能降低。因此，本公开的一些实施例允许预测每个过滤级中的所述多个入口过滤器的劣化速率，以允许确定入口过滤器的使用寿命并执行一个或多个预防性动作(例如，驱动自清洁系统、对维护和/或更换进行排程等)。
压缩机18可包括联接到轴的多个压缩机叶片。轴的旋转导致压缩机叶片的旋转，从而将空气吸入压缩机18并在进入燃烧系统20之前压缩空气。压缩机叶片可以积聚穿过进气部段16的过滤器室的颗粒并且劣化(例如，变得积垢)。随着压缩机叶片劣化加重，由涡轮系统10产生的功输出的量可能受到负面影响。因此，本公开的一些实施例允许预测压缩机18的劣化速率并且相应地执行一个或多个预防性动作(例如，对压缩机18的联机和/或脱机水洗进行排程)。
随着压缩空气17离开压缩机18并进入燃烧系统20，压缩空气17可以与燃料19混合以在一个或多个燃烧管中燃烧。例如，燃烧管可包括一个或多个燃料喷嘴，燃料喷嘴可以将燃料空气混合物以合适的比率喷入燃烧管中，以实现最佳燃烧、排放、燃料消耗、功率输出等。空气17和燃料19的燃烧生成热的加压排气，该排气可以接着用来驱动涡轮12内的一个或多个涡轮叶片。在操作中，流入并流过涡轮12的燃烧气体对着涡轮叶片流动且在涡轮叶片之间流动，由此驱动涡轮叶片和因此轴旋转以驱动诸如发电装置中的发电机的负载21。如上文所讨论的，轴的旋转也导致压缩机18内的叶片吸入并加压由进气口16接纳的空气。
流过涡轮12的燃烧气体可以作为排气流离开涡轮12的下游端15。排气流可以在下游方向上朝后处理系统14继续流动。例如，下游端15可以流体联接到后处理系统14。由于燃烧过程，排气可包括某些副产物，例如，氮氧化物(NOx)、硫氧化物(SOx)、碳氧化物(COx)和未燃的烃。由于某些法规，后处理系统14可以用来在将排气流释放到大气环境中之前减少或基本上最小化此类副产物的浓度。
一个或多个传感器22可以包括在涡轮系统10的某些部件中。例如，在一些实施例中，一个或多个传感器22可以包括在进气部段16的部件中(例如，在过滤器室中、在过滤器室之前、在过滤器室中部、在过滤器室之后)、在过滤器室下游的入口管道中但在消音器之前、和/或在消音器下游。在一些实施例中，传感器22可包括任何类型的压力传感器、灰尘传感器(例如，光学的)、温湿度传感器、加速计、应变仪等。在一些实施例中，压力传感器可以被构造成感测在它们相应的位置中的任何所需振幅和频率的压力信号或波。传感器22可包括压电材料，该材料生成由压力产生的电信号。在一些实施例中，传感器22可包括微机电系统(MEMs)传感器、霍尔效应传感器、磁阻传感器、或设计成感测振动、压力等的任何其它传感器。在一些实施例中，传感器22可包括包括在进气部段16中的麦克风(microphone)或麦克风阵列。在一些实施例中，麦克风或麦克风阵列可以将指示过滤器室总体健康度(例如，过滤器室结构完整性)的检测到的声音发送至控制器24。
另外，灰尘传感器可包括光学传感器，其被构造成通过以光学方式测量灰尘浓度、类型和/或大小而提供环境中的空气质量的指示。传感器22可包括通信电路，该电路允许传感器22经由无线(例如，蓝牙低功耗、)或有线连接(例如，以太网)可通信地联接到控制器24和/或计算装置26。在一些实施例中，计算装置26可包括膝上型计算机、智能手机、平板计算机、个人计算机、人机接口等。
传感器22可以将指示压力(例如，静态(static)、动态(dynamic))、灰尘颗粒性质(例如，浓度、类型、大小)、温度、湿度等的信号发送至控制器24和/或计算装置26。控制器24和/或计算装置26可以接收基于所述信号的测量值以作为过滤器劣化预测逻辑28和/或压缩机劣化预测逻辑30中的参数。因此，控制器24和/或计算装置26可以各自包括存储计算机指令的一个或多个有形的非暂时性计算机可读介质(例如，存储器32和34)，计算机指令实现过滤器劣化预测逻辑28和/或压缩机劣化预测逻辑30。虽然过滤器劣化预测逻辑28和压缩机劣化预测逻辑30显示为存储在计算装置26的存储器34上，但应当理解，在一些实施例中，预测逻辑28和30中的任一者或两者也可以存储在控制器24的存储器32上，或者预测逻辑28和30中的任一者或两者可以仅存储在控制器24的存储器32上。此外，控制器24和/或计算装置26可包括诸如网络接口的通信电路，其被构造成接收信号并将信号发送至处理器36和38。
处理器36和38可以是能够执行计算机可执行代码的任何类型的计算机处理器或微处理器。此外，处理器36和38可包括多个处理器或微处理器、一个或多个“通用”处理器或微处理器、一个或多个专用处理器或微处理器、和/或一个或多个专用集成电路(ASICS)、或它们的一些组合。
存储器32和34可以是任何合适的制品，该制品可充当介质以存储处理器可执行指令、代码、数据等。这些制品可以表示计算机可读介质(例如，任何适当形式的存储器或存储)，其可以存储由相应的处理器36和38使用以执行本发明所公开的技术的处理器可执行代码或例程。例如，存储器32和34可包括易失性存储器(例如，随机存取存储器(RAM))、非易失性存储器(例如，只读存储器(ROM))、闪存、硬盘驱动器、或任何其它合适的光学、磁性或固态存储介质、或它们的组合。存储器32和34也可以用来存储任何数据(例如，性能数据、传感器数据、涡轮系统10所处的环境的局部条件、劣化速率预测、维护和/或修理的计划表)、数据的分析、过滤器劣化预测逻辑28、压缩机劣化预测逻辑30等。
一般来讲，处理器36和/或38可以执行过滤器劣化预测逻辑28和/或压缩机劣化预测逻辑30，过滤器劣化预测逻辑28和压缩机劣化预测逻辑30可以分别确定入口过滤器和压缩机18的劣化速率并执行一个或多个预防性动作。过滤器劣化预测逻辑28和压缩机劣化预测逻辑30均可以生成模型(例如，基于物理的、数学的)以预测相应的过滤器和压缩机18的劣化速率。为了确定劣化速率预测，模型可以考虑一个或多个参数。
在一些实施例中，参数可以被不同地加权，使得参数中的一些比其它参数具有对预测更显著的影响。例如，在一个实施例中，进入入口管道42的灰尘的颗粒大小和/或在过滤器室之前的湿度可以比环境温度权重更重。所述一个或多个参数可包括由在过滤器之前的传感器22获得的压力、过滤器中的压力、在消音器之前和之后的过滤器下游的压力、在过滤器之前的环境温度和相对湿度、在压缩机18的入口之前的温度和相对湿度、在过滤器之前和之后的灰尘颗粒分布(例如，颗粒大小、类型、数量)、过滤器劣化(例如，加载)速率测试实验模型(testing lab model)、局部条件(例如，涡轮系统10的位置、颗粒化学组成的典型类型、天气预报数据)、涡轮系统10操作模式、涡轮系统10的负载和效率、入口抽气加热开启/关闭、功率增大措施(例如，湿压缩、成雾、蒸发冷却、冷冻)、与颗粒加载(例如，大小、类型、数量)有关的压缩机叶片积垢速率、涡轮系统10的操作小时等。这些参数均可以影响过滤器劣化，并且一些参数当与其它参数一起存在时可具有复合效应。因此，模型可以单独地或整体地基于这些参数来确定可能的劣化。
在一些实施例中，在涡轮系统10操作的同时，模型可以实时操作。另外或备选地，模型可以在涡轮系统10脱机或停机的同时使用存储的传感器数据(例如，来自涡轮系统10操作的最后时间)来操作。模型可以是自适应的，因为它们基于新数据(例如，来自灰尘传感器22、压力传感器22、温湿度传感器22、涡轮系统功率输出和效率等)来更新模型的参数。例如，在涡轮系统10操作的同时，包括来自传感器22的测量值的信号可以循环通过计算装置26和/或控制器24以实现模型的自适应能力。信号可以定期、按需、在测量值变化时或在类似情况下发送。随着涡轮系统10的操作继续并且附加的传感器数据被积累和处理，模型可以继续以提高保真度。此外，在以后的时间的传感器数据可以用来验证模型预测。即，如果模型预测过滤器会在30个操作小时处劣化，那么压力传感器数据可能在30个小时处被读取以确定模型是否准确。如果不准确，模型可能被相应地调整。
由于每个涡轮系统10可以位于不同的物理地点，涡轮系统10的部件的劣化速率可能由于变化的局部条件而变化。例如，由于空气中的盐，在海岸附近的地点中的过滤器可能比在内陆地点中的过滤器更快地劣化。另外，由于在施工现场附近或沙漠中的空气中过多的灰尘颗粒，在施工现场或沙漠附近的地点中的过滤器也可能比在远离施工现场或沙漠的地点中的过滤器更快地劣化。另外，在存在大量湿气的地点中的过滤器可能更快地加载颗粒，从而比在非潮湿气候中的过滤器更快地劣化。因此，过滤器劣化预测逻辑28和压缩机劣化预测逻辑30可以基于每个相应的涡轮系统10的传感器数据和局部条件为每个涡轮系统10单独地定制。
然而，在一些实施例中，基于云的系统可以对由涡轮系统10共享的数据进行分析。例如，基于云的系统可以接收来自每个涡轮系统10的传感器数据和局部条件以及已基于该传感器数据和局部条件验证的劣化速率。基于云的系统可以通过发送与传感器数据和局部条件相关联的经验证的劣化速率而允许提高模型的保真度。即，由过滤器劣化预测逻辑28和压缩机劣化预测逻辑30预测的劣化速率可以基于来自具有类似的传感器数据和局部条件的其它涡轮系统10的其它经验证的劣化速率而使用基于云的系统来改善。这样，基于云的系统可以充当某些数据(例如，测试实验数据、传感器数据、局部条件数据、劣化速率)的中央储存库并充当中央处理系统，该中央处理系统与执行过滤器劣化预测逻辑28和/或压缩机劣化预测逻辑30的各种计算装置26和/或控制器24通信。
在一些实施例中，计算装置26和/或控制器24可包括显示器。显示器可以用来基于预测的过滤器劣化速率等显示各种图形元件，例如，过滤器剩余寿命的虚拟晴雨表(virtual barometer)。另外，显示器可以用来显示预测的过滤器劣化速率、预测的压缩机劣化速率、和/或所述一个或多个预防性动作(例如，基于预测的压缩机劣化速率的压缩机的水洗计划表、基于预测的过滤器劣化速率的过滤器的已排程的维护和/或更换等)的结果。
图2是根据一个实施例的图1的涡轮系统10的框图，其包括接收各种输入的过滤器劣化预测逻辑28。如所描绘的，涡轮系统10的进气部段16包括过滤器室40和入口管道42。入口管道42的结构可以设计成在涡轮系统10的性能变差之前承受一定水平的负压。当过滤器室40被加载在过滤器室40中的一个或多个过滤级中的一个或多个过滤器上的颗粒劣化时，入口管道42中的压力可能下降。因此，通过使用过滤器劣化预测模型基于各种输入来预测劣化速率，过滤器劣化预测逻辑28可以确定所述一个或多个过滤级中的每一级中的过滤器的使用寿命。
特别地，输入可包括使用过滤器加载速率测试实验模型得出的性能数据。性能数据和/或过滤器加载速率测试实验模型可以存储在计算装置26的存储器34上、从控制器24的存储器32检索、从基于云的系统检索、从外部服务器检索等。过滤器加载速率测试实验模型可以基于在涡轮系统10测试期间获得的某些测量的传感器数据(例如，灰尘、压力、温度、湿度)对随时间推移的过滤器的加载速率建模。在一些实施例中，过滤器劣化预测逻辑28可以使用性能数据来初始化过滤器劣化预测模型。
输入也可包括来自一个或多个灰尘传感器42,22的传感器数据和来自一个或多个压力传感器44,22的传感器数据。如所描绘的，灰尘传感器42,22可以位于过滤器室40前方(例如，上游)并且被构造成测量进入过滤器室40的空气中的灰尘颗粒(例如，大小、类型、浓度)。灰尘颗粒的浓度可以提供关于颗粒将更快地加载到过滤器上的标志。另外，较大的灰尘颗粒可能更有可能被过滤器过滤掉，但较小的灰尘颗粒可能导致加载速率更快地增加。此外，由于导致颗粒更粘、更湿等的性质，某些类型的灰尘颗粒更有可能加载到过滤器上。
此外，虽然压力传感器44,22描绘为位于过滤器室40下游，但在一些实施例中，压力传感器44,22或附加的压力传感器44,22可以位于过滤器室40前方、过滤器室40内部和/或过滤器室40下游消音器之后。应当指出，在某些实施例中可以使用多于一个灰尘传感器42,22和/或压力传感器44,22。
在一些实施例中，输入也可包括来自过滤器室40前方(例如，上游)的一个或多个温湿度传感器46,22的温度和湿度数据。可以理解，高湿度可以是过滤器可能更快地加载颗粒的标志，因为湿气可以导致过滤器变得潮湿而具有粘性。此外，高温可以改变颗粒表面性质，从而减少颗粒加载在过滤器上的机会。
灰尘传感器42,22、压力传感器44,22和/或温湿度传感器46,22可以可通信地联接到控制器24并且可以被构造成将指示测量的灰尘颗粒、压力、温度和湿度的信号发送至控制器24。在一些实施例中，执行过滤器劣化预测逻辑28的计算装置26的处理器28可以从控制器24接收灰尘传感器数据、压力传感器数据和/或温湿度传感器数据。在一些实施例中，灰尘传感器42,22、压力传感器44,22和/或温湿度传感器46,22可以直接与执行过滤器劣化预测逻辑28的计算装置26无线地联接。
此外，输入也可包括局部条件数据48。局部条件数据48可包括涡轮系统10所处的地点的位置。例如，位置可以指示该地点在海岸附近或为内陆。如上文所讨论的，由于来自附近的水的空气中的盐，在海岸(或具有高的盐浓度的其它区域)附近的地点中的过滤器可以以更快的速率加载。此外，位置可以指示该地点在施工现场附近，在那里，空气可包括由施工产生的灰尘、污垢、碎屑等，它们可以导致过滤器更快地加载。局部条件数据48也可包括在地点所处的环境中可见的典型类型的颗粒化学组成。局部条件数据48也可包括地点所处的区域的天气预报数据。因此，局部条件数据48可以从气象服务或外部服务器接收。天气预报数据可以指示环境温度、环境压力、相对湿度水平、沙尘暴水平、降水或暴风雨的几率等。此类天气指示可以允许过滤器劣化预测逻辑28定制过滤器劣化预测模型以考虑导致颗粒的加载增加或减少的某些天气条件。
当涡轮系统10操作时，过滤器劣化预测逻辑28可以用从涡轮系统的传感器22测量的传感器数据和/或变化的局部条件数据48来更新过滤器劣化预测模型。即，历史数据(例如，压力、湿度、温度、灰尘等)可以从传感器22发送至过滤器劣化预测逻辑28以确定过滤器劣化预测模型是否准确。因此，过滤器劣化预测逻辑28可以基于涡轮系统10的变化的条件和/或局部条件实时或几乎实时地更新过滤器劣化预测模型。此外，过滤器劣化预测逻辑28可以使用随后获得的传感器数据来确定过滤器劣化预测模型是否准确。结果，过滤器劣化预测模型可以基于随时间推移的测量的数据(例如，传感器和/或局部条件)提高其预测的保真度。过滤器劣化预测模型可以输出预测的劣化速率和/或基于劣化速率来执行预防性动作。
图3是适合使用过滤器劣化预测模型来预测一个或多个过滤器劣化速率的过程50的流程图。虽然过程50的以下说明参照计算装置26的处理器38来进行描述，但应当指出，过程50可以由设置在诸如控制器24、基于云的系统等的其它装置上的其它处理器执行。另外，虽然以下过程50描述了可以执行的多个操作，但应当指出，过程50可以以多种合适的顺序执行，并且可以不执行所有操作。应当理解，过程50可以完全由计算装置26执行，或者该执行可以分布在计算装置26和/或控制器24之间。
现在参看过程50，处理器(例如，图1的处理器38)可以接收(框52)性能数据、传感器数据和/或局部条件数据48。如此前所讨论的，性能数据可以基于在测试期间获得的传感器数据从过滤器加载速率测试实验模型得出。传感器数据可包括过滤器室40上游和下游的灰尘颗粒数据(例如，类型、大小、浓度)。传感器数据也可包括过滤器室40上游、在过滤器室40中、过滤器室40下游但在消音器之前以及消音器下游的压力数据。另外，传感器数据可包括过滤器室40上游的环境温度和相对湿度。
处理器38可以基于性能数据、传感器数据、和/或局部条件数据48而生成(框54)过滤器劣化预测模型。在一些实施例中，处理器38可以使用性能数据来初始化过滤器劣化预测模型。例如，可以确定针对各种参数(例如，在潮湿区域的高颗粒积聚等)的过滤器及其功能的历史数据。
此外，处理器38可以使用过滤器劣化预测模型生成(框56)在过滤器室40的每个过滤级中的每个过滤器的劣化速率的预测。即，可以确定过滤器室40的每个过滤级中的过滤器的劣化速率，并且监测到的数据(例如，压力、温度、湿度、灰尘颗粒、局部条件)可以随时间推移被跟踪并记录在存储器34中。在一些实施例中，处理器38可以使用劣化速率来预测在过滤器室40的每个过滤级中的每个过滤器的剩余使用寿命。涡轮系统10的操作小时也可以被跟踪并记录在存储器34中。例如，处理器38可以预测：在立即暴露于进入的空气的第一过滤级中的过滤器具有导致三十小时的剩余使用寿命的劣化速率；在中间过滤级中的过滤器具有导致三十五小时的剩余使用寿命的劣化速率；并且在最后过滤级中的过滤器具有导致四十八小时的剩余使用寿命的劣化速率。
由于测量的数据和操作小时被跟踪，预测的劣化速率可以由处理器38来验证。为了示出，处理器38可以使用过滤器劣化预测模型来预测某个过滤级的过滤器将以可能导致入口管道42中的压降低于三十小时的阈值量的速率(例如，劣化速率)加载颗粒。当达到三十小时时，压力传感器可以读取入口管道42中的压力以基于劣化速率确定模型是否准确地预测压降。这样，过滤器劣化预测模型的预测可以被验证。随时间推移，可以提高基于测量的传感器数据和/或局部条件的预测的保真度。
此外，处理器38可以输出(框58)过滤器劣化速率的预测和/或基于预测的过滤器劣化速率来执行一个或多个预防性动作。如此前所讨论的，过滤器寿命可以基于预测的劣化速率来确定。劣化速率和/或使用寿命可以显示为虚拟晴雨表或任何合适的图形元件。
另外，预防性动作可以相对于劣化速率变化。例如，如果劣化速率特别高并且过滤器的剩余使用寿命几乎终止，处理器38可以关闭涡轮系统10，从而可以尽可能快地执行劣化的过滤器的维护和/或更换。在一些实施例中，预防性动作可包括对正在劣化的过滤器的维护和/或更换进行排程。一些涡轮系统10可包括在进气部段16中的自清洁系统。自清洁系统可以在操作期间在与空气流入进气部段16的方向相对的方向上高速脉动空气，以试图将颗粒吹出过滤器室40中的过滤器。自清洁系统可以作为一种维护形式被排程以执行预防性动作。因此，自清洁系统可以基于传感器数据(例如，压力、灰尘)和/或局部条件(例如，湿度、温度)而不是仅通过压降测量来驱动。
此外，由于处理器38可以使用过滤器劣化预测模型来预测过滤器室40的每个过滤级中的每个过滤器的劣化速率，预防性动作可包括确定过滤级中的过滤器的维护操作和/或更换操作的计划表。例如，暴露于最高量的灰尘颗粒的级中的过滤器可具有基于预测的劣化速率的相对短的剩余寿命，并且可以将第一日期排程为执行维护和/或更换过滤器。暴露于最少量的灰尘颗粒的第二级(例如，最后级)中的过滤器可具有基于预测的劣化速率的相对长的剩余寿命，并且可以将晚于第一日期的第二日期排程为执行维护和/或更换过滤器。排程可以实现为使得通过优化过滤器室40中的各个其它过滤级的更换和/或维护而提高(例如，最大化)在最后过滤级中的最后过滤器的寿命。
在某些情况下，涡轮系统10可以停机以更换或维护过滤器室40的最后级中的过滤器。因此，通过优化各个其它过滤级的更换和/或维护而延长最后过滤级的寿命可以增加或延长涡轮系统10的正常运行时间。此外，处理器38可以按过滤器室40的级、区域或区而不是每次以相同的顺序驱动自清洁系统的执行。另外或备选地，自清洁系统可以以预设的顺序执行。
处理器38可以在涡轮系统10操作的同时继续接收性能数据、传感器数据和/或局部条件数据48，并且使用接收的数据来更新过滤器劣化预测模型。这样，过滤器劣化预测模型是对涡轮系统10的变化的条件和涡轮系统10周围的环境的局部条件自适应的。可以理解，所公开的技术可以实现在更精细的级别上(例如，按过滤级)更好的过滤器维护和/或更换排程。另外，所公开的技术可以允许预防性维护。此外，通过在入口管道42中出现不期望的压降之前维护和/或更换劣化的过滤器，所公开的技术可以提供更高的涡轮系统可靠性。
此外，压缩机劣化预测逻辑30可以与过滤器劣化预测逻辑28结合使用以预测压缩机18的劣化速率。相应地，图4是根据一个实施例的图1的涡轮系统10的框图，其包括接收各种输入的压缩机劣化预测逻辑30和过滤器劣化预测逻辑28。图4所示涡轮系统10包含与图1和图2中类似的许多部件，所述部件包括进气部段16(例如，过滤器室40、入口管道42)、压缩机18、燃烧系统20、涡轮12、控制器24、过滤器劣化预测逻辑28等。然而，图4还包括水洗部件60和压缩机劣化预测逻辑30。应当指出，在一些实施例中，过滤器劣化预测逻辑28和压缩机劣化预测逻辑30可以存储在存储器34上并由计算装置26的处理器38执行。另外或备选地，过滤器劣化预测逻辑28和压缩机劣化预测逻辑30中的任一者或两者可以存储在存储器32上并由控制器34的处理器36执行。
可以理解，当颗粒加载到压缩机18的叶片上并且叶片变得积垢时，压缩机18的性能可能劣化。水洗部件60用来洗掉颗粒并清洁压缩机18。存在两种不同的水洗：联机和脱机。联机水洗可以在存在相对轻的积垢或压缩机叶片的较前级积垢时执行。联机水洗可以在涡轮系统10正在操作时执行。脱机水洗可以在存在显著的或相对高的积垢或较后级压缩机叶片积垢时执行。脱机水洗可以在涡轮系统10停机时执行。
本发明的实施例中的一些允许监测各个压缩机级的实际积垢情况并使用压缩机劣化预测逻辑30来预测压缩机18的劣化速率。压缩机劣化预测逻辑可以生成压缩机劣化预测模型以预测压缩机劣化速率。压缩机劣化预测模型可以是模型(例如，基于物理的数学模型)，该模型提供包括一个或多个加权参数的压缩机函数，如上文所讨论那样。
压缩机劣化预测模型可以接收一个或多个输入，例如，来自过滤器劣化预测逻辑28的过滤器劣化预测模型的输出。即，压缩机劣化预测模型可以考虑在过滤器室40的过滤级中的所述一个或多个过滤器的预测的劣化速率。因此，由于过滤器劣化预测逻辑28在其对过滤器劣化速率的预测中包括局部条件数据48，压缩机劣化预测模型也在其对压缩机劣化速率的预测中考虑局部条件数据48。
压缩机劣化预测模型的附加输入可包括传感器数据，例如，来自灰尘传感器44,22、灰尘传感器62,22、压力传感器44,22、和/或温湿度传感器46,22的数据。如所描绘的，灰尘传感器44,22位于过滤器室40上游，并且灰尘传感器62,22位于入口管道62,22中的过滤器室下游。因此，处理器38可以跟踪与进入进气部段16的灰尘颗粒有关的数据，例如，穿过过滤器室40且进入入口管道42的颗粒的浓度、类型和/或大小。在一些实施例中，处理器38可以通过分析历史测量值来确定灰尘颗粒数据随时间推移的趋势。
此外，虽然压力传感器44,22描绘为位于过滤器室40下游，但在一些实施例中，压力传感器44,22或附加的压力传感器44,22可以位于过滤器室40前方、过滤器室40内部和/或过滤器室40下游消音器之后。应当指出，在某些实施例中可以使用附加的或更少的灰尘传感器和/或压力传感器，并且可以位于与图4中描绘的不同的位置。
在一些实施例中，输入也可包括来自压缩机18前方(例如，上游)的一个或多个温湿度传感器64,22的温度和湿度数据。温湿度传感器64,22可以获得在压缩机入口之前的温度和相对湿度。可以理解，高湿度可以是压缩机叶片可能更快地加载颗粒的标志，因为湿气可以导致叶片和/或颗粒变得潮湿且具有粘性。此外，高温可以改变颗粒表面性质，从而减少颗粒加载在叶片上的机会。此外，输入可包括涡轮操作模式、涡轮系统10的负载和效率(例如，质量流量)、入口抽气加热开启/关闭、诸如湿压缩、成雾、蒸发冷冻等的功率增大措施。
基于来自过滤器劣化预测模型的过滤器的预测的劣化速率、趋势性灰尘颗粒数据(例如，颗粒大小、量和/或类型)、湿度、温度和/或涡轮质量流量，压缩机劣化预测模型可以输出压缩机18的劣化速率。劣化速率可以类似于压缩机通过加载颗粒而变得积垢的速率。使用压缩机劣化速率，可以执行一个或多个预防性动作，如下文详细描述的。
图5是根据一个实施例的适合预测压缩机劣化速率的过程70的流程图。虽然过程70的以下说明是参照计算装置26的处理器38来进行描述的，但应当指出，过程70可以由诸如控制器24的处理器36的设置在其它装置上的其它处理器执行。另外，虽然以下过程70描述了可以执行的多个操作，但应当指出，过程70可以以多种合适的顺序执行，并且可以不执行所有操作。应当理解，过程70可以完全由计算装置26执行，或者该执行(execution)可以分布在计算装置26和/或控制器24之间。
现在参看过程70，框72、74和76类似于图3中的过程50的框52、54和56。即，处理器38可以：接收(框72)性能数据、传感器数据和/或局部条件数据48；基于性能数据、传感器数据和/或局部条件数据48生成(框74)过滤器劣化预测模型；并且使用过滤器劣化预测模型生成(框76)一个或多个过滤器劣化速率预测。此类步骤可以实现为被包括在过滤器劣化预测逻辑28中的计算机指令。
图5中的过程70也包括与预测压缩机劣化速率有关的附加步骤，所述步骤可以实现为被包括在压缩机劣化预测逻辑30中的计算机指令。例如，处理器38可以基于性能数据、传感器数据和/或过滤器劣化速率生成(框78)压缩机劣化速率模型。在一些实施例中，在初始化期间，处理器38可以使用在测试期间从传感器测量值获得的性能数据(例如，压力、灰尘颗粒、温度、湿度)来生成压缩机劣化预测逻辑30。另外，在一些实施例中，在涡轮系统10操作时获得的传感器数据可以用来生成压缩机劣化预测模型。例如，可以使用趋势性灰尘颗粒数据。趋势性灰尘颗粒数据可以显示穿过过滤器室40且进入入口管道42的灰尘颗粒的的浓度、类型和/或大小随时间推移的历史变化。另外，可以在压缩机劣化预测模型中考虑其它传感器数据，例如，在压缩机入口之前的温度和相对湿度和/或质量流量。在一些实施例中，可以在压缩机劣化预测模型中考虑局部条件数据48。
处理器38也可以使用压缩机劣化速率模型生成(框80)压缩机劣化速率的预测。处理器38可以输出(框82)预测的压缩机劣化速率和/或基于预测的压缩机劣化速率来执行一个或多个预防性动作。例如，处理器38可以基于预测的压缩机劣化速率来确定压缩机18的剩余使用寿命。处理器38可以使用一个或多个图形元件(例如，曲线图、量规和/或图表)来显示压缩机18的预测的劣化速率和/或剩余使用寿命。
所述一个或多个预防性动作可包括对联机和/或脱机水洗排程、执行联机和/或脱机水洗的计划表、关闭涡轮系统10、对压缩机叶片和静叶18的维护和修理/更换排程等。例如，处理器38可以基于过滤器劣化预测模型引发(initiate)水洗以优化压缩机劣化速率，过滤器劣化预测模型随着过滤器加载颗粒而改变输出。即，通过监测涡轮系统10内的条件(例如，趋势性灰尘颗粒数据)和/或基于过滤器劣化速率预测，可以对水洗动态地排程。水洗可以基于当涡轮系统10操作时瞬时(例如，实时)吸入进气部段16的颗粒的类型、浓度和/或大小。当较不显著的量的灰尘颗粒被加载到压缩机入口附近的各级压缩机叶片上时，处理器38可以更频繁地对联机水洗排程。当确定压缩机18中的较后级中的叶片需要更深度的清洁或者更显著的量的灰尘颗粒已加载到压缩机18的叶片上时，处理器38可以对脱机水洗排程。相应地，处理器38也可以计划关闭涡轮系统18的时间，从而可以执行脱机水洗。
本发明的技术效应包括实现过滤器室40中的过滤器和压缩机18的基于条件的监测。特别地，可以基于性能数据、传感器数据和/或局部条件数据使用过滤器劣化预测模型为过滤器室的过滤级中的过滤器预测一个或多个过滤器劣化速率。基于过滤器劣化速率预测，可以执行一个或多个预防性动作，例如，控制自清洁系统、对维护和/或更换进行排程、关闭涡轮系统10等。另外，可以基于性能数据、传感器数据和/或由过滤器劣化预测模型输出的预测的过滤器劣化速率使用压缩机劣化预测模型来预测压缩机劣化速率。基于压缩机劣化速率，可以执行一个或多个预防性动作，例如，以某种最佳方式对联机和/或脱机水洗进行排程以减少涡轮系统10停机时间的量、对压缩机18的维护和/或更换进行排程、和/或关闭涡轮系统10等。因此，所公开的实施例具有提高维护排程和涡轮系统效率、实现预防性维护和减少涡轮系统10停机时间(例如，更高的可靠性)等的效应。
本书面描述用示例来公开包括最佳模式的本主题，并且还使本领域技术人员能实施本主题，包括制造和使用任何装置或系统以及执行任何包括在内的方法。本主题的可专利范围由权利要求所限定，并且可包括本领域技术人员想到的其它示例。如果这种其它示例具有与权利要求的字面语言没有不同的结构元件，或者如果它们包括与权利要求的字面语言无实质差别的等同结构元件，则这种其它示例意图在权利要求的范围内。

Claims (10)

1.一种涡轮系统，包括：
进气部段，其包括过滤器室，所述过滤器室包括至少一个过滤级，所述至少一个过滤级中的每一级包括过滤器；
一个或多个传感器，其设置在所述进气部段中；
处理器，其被构造成：
接收与所述进气部段的测试条件有关的性能数据、来自所述一个或多个传感器的传感器数据、局部条件数据、或它们的一些组合；
使用过滤器劣化预测模型为所述过滤器预测过滤器劣化速率，所述过滤器劣化预测模型基于所述性能数据、所述传感器数据、所述局部条件数据或它们的一些组合而提供所述过滤器的性能的函数；并且
基于所述过滤器劣化速率预测而执行一个或多个预防性动作。
2.根据权利要求1所述的涡轮系统，其特征在于，所述处理器被构造成使用所述性能数据初始化所述过滤器劣化预测模型，并且所述性能数据由过滤器加载速率测试实验模型得出。
3.根据权利要求1所述的涡轮系统，其特征在于，所述一个或多个传感器包括至少一个灰尘传感器和至少一个压力传感器，所述至少一个灰尘传感器位于所述过滤器室上游并且被构造成测量灰尘颗粒大小、灰尘颗粒类型、灰尘颗粒浓度、或它们的一些组合，并且所述至少一个压力传感器位于所述过滤器室下游并且被构造成测量压力。
4.根据权利要求1所述的涡轮系统，其特征在于，所述一个或多个传感器包括至少一个温湿度传感器，所述至少一个温湿度传感器位于所述过滤器室上游并且被构造成获得所述过滤器室上游的温度和相对湿度。
5.根据权利要求1所述的涡轮系统，其特征在于，所述局部条件数据包括所述涡轮系统的地理位置和与所述地理位置相关联的天气预报数据中的一者或多者，所述天气预报数据包括环境温度、环境压力、相对湿度水平、沙尘暴水平、降水几率或暴风雨几率、或它们的一些组合。
6.根据权利要求1所述的涡轮系统，其特征在于，所述处理器被构造成在被包括在计算装置或控制器中的显示器上显示所述过滤器劣化速率预测，其中，所述计算装置包括智能手机、膝上型计算机、平板计算机或个人计算机。
7.根据权利要求1所述的涡轮系统，其特征在于，所述一个或多个预防性动作包括基于针对所述至少一个过滤级中的每一级的所述过滤器的所述过滤器劣化速率预测来驱动所述进气部段的自清洁系统。
8.根据权利要求1所述的涡轮系统，其特征在于，所述一个或多个预防性动作包括对所述至少一个过滤级中的每一级的所述过滤器的维护或更换进行排程，使得在所述至少一个过滤级的最后过滤级中的最后过滤器的寿命延长。
9.一种计算机实现的监测方法，包括：
接收与被包括在涡轮系统中的过滤器室的至少一个过滤级中的过滤器有关的第一输入、与所述涡轮系统所处的环境的局部条件有关的第二输入、或两者；
使用过滤器劣化预测模型为所述过滤器预测过滤器劣化速率，所述过滤器劣化预测模型基于所述第一输入、所述第二输入或两者来提供所述过滤器的性能的函数；以及
基于所述过滤器劣化速率预测而执行一个或多个预防性动作。
10.一种有形的非暂时性计算机可读介质，其上存储有计算机指令，所述计算机指令在由一个或多个处理器执行时导致所述一个或多个处理器进行以下步骤：
接收与涡轮系统的进气部段中的过滤器室的测试条件有关的性能数据、来自设置在所述进气部段中的一个或多个传感器的传感器数据、与所述涡轮系统所处的环境有关的局部条件数据、或它们的一些组合；
使用过滤器劣化预测模型为所述过滤器室的至少一个过滤级的过滤器预测过滤器劣化速率，所述过滤器劣化预测模型基于所述性能数据、所述传感器数据、所述局部条件数据或它们的一些组合而提供所述过滤器的性能的函数；并且
基于所述过滤器劣化速率预测而执行一个或多个预防性动作。
CN201710818103.2A 2016-09-12 2017-09-12 涡轮系统、计算机实现的监测方法以及计算机可读介质 Pending CN107816386A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/263019 2016-09-12
US15/263,019 US20180073386A1 (en) 2016-09-12 2016-09-12 System and method for condition-based monitoring of turbine filters

Publications (1)

Publication Number Publication Date
CN107816386A true CN107816386A (zh) 2018-03-20

Family

ID=59846402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710818103.2A Pending CN107816386A (zh) 2016-09-12 2017-09-12 涡轮系统、计算机实现的监测方法以及计算机可读介质

Country Status (4)

Country Link
US (1) US20180073386A1 (zh)
EP (1) EP3293367A1 (zh)
JP (1) JP2018076863A (zh)
CN (1) CN107816386A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929346A (zh) * 2018-08-30 2020-03-27 卡尔·弗罗伊登伯格公司 用于设计和/或控制用于涡轮机的过滤设备的方法和装置
CN111287851A (zh) * 2020-03-03 2020-06-16 华电通用轻型燃机设备有限公司 具有湿度控制的燃气轮机进气冷却方法及系统
CN112446128A (zh) * 2019-08-29 2021-03-05 卡尔·弗罗伊登伯格公司 用于预测过滤器的使用寿命的方法
CN113090394A (zh) * 2021-03-19 2021-07-09 清华大学 一种燃气轮机进气过滤效率异常监测方法
CN114813193A (zh) * 2022-05-20 2022-07-29 连云港观旭电力节能设备有限公司 一种基于消音测试装置进行消音器测试的方法及系统

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10724398B2 (en) 2016-09-12 2020-07-28 General Electric Company System and method for condition-based monitoring of a compressor
US20180348191A1 (en) * 2017-05-30 2018-12-06 General Electric Company System and method for improving fuel quality
SE541077C2 (en) * 2017-09-05 2019-03-26 Husqvarna Ab Separator, separator system and methods of their operation
US11713692B2 (en) * 2018-06-22 2023-08-01 Textron Innovations Inc. Real time engine inlet barrier filter condition monitor
US11125168B2 (en) * 2018-10-24 2021-09-21 Raytheon Technologies Corporation Dirt mitigation in a gas turbine engine
US11261800B2 (en) 2018-10-24 2022-03-01 Raytheon Technologies Corporation Adaptive bleed schedule in a gas turbine engine
US20220054965A1 (en) * 2018-12-18 2022-02-24 Donaldson Company, Inc. Filtration systems with proactive pulse cleaning
JP7045348B2 (ja) * 2019-05-21 2022-03-31 Ckd株式会社 フィルタ装置
WO2021001898A1 (ja) * 2019-07-01 2021-01-07 ホソカワミクロン株式会社 粉体処理システムの診断装置、診断方法、及びコンピュータプログラム
JP7507399B2 (ja) 2020-05-26 2024-06-28 パナソニックＩｐマネジメント株式会社 施設保守管理システム、施設保守管理方法、及びプログラム
EP3944885A1 (en) * 2020-07-30 2022-02-02 Siemens Energy Global GmbH & Co. KG Continuous flow engine filter management
CN112414911B (zh) * 2020-09-27 2021-08-24 清华大学 一种燃气轮机进气过滤系统运行状态实时监测方法
US20220097864A1 (en) * 2020-09-30 2022-03-31 Ge Avio S.R.L. Aircraft performance optimization based on engine performance monitoring
US11643942B2 (en) 2021-07-28 2023-05-09 General Electric Company Turbine system with particulate presence and accumulation model for particulate ingress detection
US20230033140A1 (en) * 2021-07-28 2023-02-02 General Electric Company Systems and methods for estimating integrity and efficiency of an inlet filtration system for turbine systems and for recommending mitigation actions
WO2024112585A1 (en) * 2022-11-22 2024-05-30 Ge Infrastructure Technology Llc Systems and methods for timely addressing particulates in a gas turbine with a wash system

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005090764A1 (de) * 2004-02-23 2005-09-29 Siemens Aktiengesellschaft Verfahren und vorrichtung zur diagnose einer turbinenanlage
US20150114221A1 (en) * 2013-10-24 2015-04-30 Bha Altair, Llc Gas Turbine Inlet Air Filter Cleaning Control
US9581086B2 (en) * 2013-12-20 2017-02-28 General Electric Company Turbine operational flexibility
AU2015357343B2 (en) * 2014-12-05 2020-05-21 Nuovo Pignone Tecnologie - S.R.L. Method and system for predicting residual useful life of an air filter
US9605559B2 (en) * 2015-02-02 2017-03-28 General Electric Company Wash timing based on turbine operating parameters

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929346A (zh) * 2018-08-30 2020-03-27 卡尔·弗罗伊登伯格公司 用于设计和/或控制用于涡轮机的过滤设备的方法和装置
CN110929346B (zh) * 2018-08-30 2023-11-10 卡尔·弗罗伊登伯格公司 用于设计和/或控制用于涡轮机的过滤设备的方法和装置
CN112446128A (zh) * 2019-08-29 2021-03-05 卡尔·弗罗伊登伯格公司 用于预测过滤器的使用寿命的方法
CN111287851A (zh) * 2020-03-03 2020-06-16 华电通用轻型燃机设备有限公司 具有湿度控制的燃气轮机进气冷却方法及系统
CN113090394A (zh) * 2021-03-19 2021-07-09 清华大学 一种燃气轮机进气过滤效率异常监测方法
CN113090394B (zh) * 2021-03-19 2022-02-15 清华大学 一种燃气轮机进气过滤效率异常监测方法
CN114813193A (zh) * 2022-05-20 2022-07-29 连云港观旭电力节能设备有限公司 一种基于消音测试装置进行消音器测试的方法及系统
CN114813193B (zh) * 2022-05-20 2023-04-11 连云港观旭电力节能设备有限公司 一种基于消音测试装置进行消音器测试的方法及系统

Also Published As

Publication number Publication date
US20180073386A1 (en) 2018-03-15
JP2018076863A (ja) 2018-05-17
EP3293367A1 (en) 2018-03-14

Similar Documents

Publication Publication Date Title
CN107816386A (zh) 涡轮系统、计算机实现的监测方法以及计算机可读介质
CN208057242U (zh) 用于压缩机的基于条件的监测的涡轮系统
US10976065B2 (en) System, method and computer program product for air filter management
CN107889469B (zh) 用于预测空气过滤器的剩余使用寿命的方法及系统
JP5449975B2 (ja) 圧縮機内の腐食堆積物を検出する方法及びシステム
JP7337485B2 (ja) フィルタの状態に基づく監視をするためのシステムおよび方法
FR3031800A1 (fr) Procede de determination du taux d'encrassement d'au moins un filtre d'un systeme de ventilation et systeme de ventilation associe
CN110168208B (zh) 涡轮机械过滤器更换预报器
JP7339343B2 (ja) 圧力下または真空下のガスネットワーク内の漏れを検出するための方法、およびガスネットワーク
JP2018204604A (ja) 圧縮機の着氷を検出するためのシステムおよび方法
WO2017077970A1 (ja) 真空ポンプの判断システム、および真空ポンプ
JP6803788B2 (ja) 情報処理装置、情報処理方法およびプログラム
US8342010B2 (en) Surge precursor protection systems and methods
US20210123850A1 (en) Prediction of state variables for air filters
US20150114221A1 (en) Gas Turbine Inlet Air Filter Cleaning Control
CN113790102A (zh) 一种燃气轮机进气过滤器的智能运维系统
Madsen et al. Gas Turbine Fouling Offshore: Air Intake Filtration Optimization
JP7546565B2 (ja) 加圧下または真空下のガス供給網内の障害を検出するための方法およびガス供給網
Brekke et al. Compressor fouling in gas turbines offshore: Composition and sources from site data
CN114396340B (zh) 一种燃气轮机进气系统的监控方法、装置及电子设备
WO2024112585A1 (en) Systems and methods for timely addressing particulates in a gas turbine with a wash system
Hao et al. An air filtration performance prediction method of gas turbine based on Dynamic Neural Network
CN115931049A (zh) 一种燃气轮机水洗预警方法
BR112018017295B1 (pt) Sistema e método para gerenciamento de filtro de ar, e, meio de armazenamento em memória
McKee et al. Detecting and Evaluating Deterioration in Compression Equipment by Monitoring Deviations From Expected Performance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180320