CN109073508B - 测试涡轮单元期间的故障诊断 - Google Patents
测试涡轮单元期间的故障诊断 Download PDFInfo
- Publication number
- CN109073508B CN109073508B CN201780026646.9A CN201780026646A CN109073508B CN 109073508 B CN109073508 B CN 109073508B CN 201780026646 A CN201780026646 A CN 201780026646A CN 109073508 B CN109073508 B CN 109073508B
- Authority
- CN
- China
- Prior art keywords
- fault
- turbine
- test
- faults
- sensors
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 95
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000004590 computer program Methods 0.000 claims description 6
- 239000007789 gas Substances 0.000 description 21
- 239000013598 vector Substances 0.000 description 18
- 230000008859 change Effects 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 14
- 230000036541 health Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000002485 combustion reaction Methods 0.000 description 7
- 230000007774 longterm Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 239000000243 solution Substances 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 230000002950 deficient Effects 0.000 description 6
- 239000000446 fuel Substances 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000010998 test method Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 239000000567 combustion gas Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001839 endoscopy Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G01M15/02—Details or accessories of testing apparatus
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing Of Engines (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
描述了一种在涡轮测试系统中测试涡轮单元期间的故障诊断方法,该涡轮单元包括多个涡轮部件和多个涡轮传感器,该涡轮测试系统包括多个测试传感器。所描述的方法包括:(a)从多个涡轮传感器和多个测试传感器获得测量数据;(b)基于测量数据来计算至少一个参数值;(c)通过将测量数据和至少一个参数值与预先确定的参考数据进行比较,确定测量数据和至少一个参数的偏差;以及(d)将所确定的偏差与多个预先确定的故障签名匹配以便检测故障,其中多个预先确定的故障签名包括第一故障签名集合和第二故障签名集合,该第一故障签名集合与多个涡轮传感器故障和/或多个测试传感器故障以及假定的多个无故障涡轮单元部件相对应,第二故障签名集合与多个涡轮单元部件故障以及假定的多个无故障涡轮传感器和多个无故障测试传感器相对应。
Description
技术领域
本发明涉及涡轮测试领域,具体涉及在涡轮单元测试系统中测试涡轮单元期间的故障诊断方法。此外,本发明涉及一种用于测试涡轮单元的相应的系统、以及相应的计算机程序和计算机程序产品。
背景技术
在制造涡轮单元(诸如燃气涡轮发动机)之后并且在运输之前,涡轮单元被仔细测试,以便确保不向客户交付有缺陷或故障的发动机。这样的测试在时间和燃料这两方面都花费较多。
有时,测试设备中的多个故障可能被误认为表示正在被测试的涡轮单元有缺陷。另外,一些测试设备故障和发动机故障可以由测试人员立即纠正,使得测试可以基于纠正而完成,而其他故障则需要专家进行更细致的检查。
在测试期间执行故障诊断的当前方案要么非常复杂,要么不能提供必要的性能。已经进行了各种尝试,以便在涡轮诊断的保护下使用正被使用(相对于针对飞机工业的高复杂度而言非常基础的)的方案、理论和方法。这些主要基于:运行标称发动机模型,在线并使其部件特点适应当前发动机,使用Newton-Raphson迭代过程,并且通常需要在每次迭代时更新Jacobian导数矩阵(因此耗时且昂贵)。另外,解决了数学逆运算的问题,因此需要明确的测量偏置才能成功得出解决方案并且量化其中的不确定性。这些方法在实际情形下应用时会遇到困难,这是因为以下一项或多项原因:1)仪器的不确定性,并且没有足以充分了解这些不确定性以对它们进行加权和平衡;2)对仪器和发动机部件故障进行单独诊断,因此一个类型的数据被另一类型的数据破坏;3)收敛问题(由于使用了具有不确定性的实际测量数据);4)测量数目不足以产生唯一解决方案;5)对于所提供的信息(具有仪器偏差等),方程有时成为奇异方程;以及6)涂抹效果,其给出主故障的假残差故障。
因为仪器部件和发动机部件可能会破坏彼此的输入数据,所以它们的故障不应孤立处理。为了解决这个问题,进一步增加了使用相同数据处理仪器故障的复杂性。这些方法及公知主要是高度理论化的(具有一些验证尝试)。因此,当存在双故障(具有多个测量故障)时,不可能应用这些方法。
因而,需要一种在测试涡轮单元期间诊断故障的简单且有效的方式,特别是能够区分可能立即被纠正的故障和需要进一步检查或修理涡轮单元的故障。
发明内容
根据独立权利要求的方案可以满足这种需要。通过从属权利要求对本发明的有利实施例进行描述。
根据本发明的第一方面,提供了一种在涡轮测试系统中测试涡轮单元期间的故障诊断方法,该涡轮单元包括多个涡轮部件和多个涡轮传感器,该涡轮单元测试系统包括多个测试传感器。该方法包括:(a)从多个涡轮传感器和多个测试传感器获得测量数据;(b)基于测量数据来计算至少一个参数值;(c)通过将测量数据和至少一个参数值与预先确定的参考数据进行比较,确定测量数据和至少一个参数的偏差;以及(d)将所确定的偏差与多个预先确定的故障签名匹配以便检测故障,其中多个预先确定的故障签名包括第一故障签名集合和第二故障签名集合,第一故障签名集合与多个涡轮传感器故障和/或多个测试传感器故障以及假定的多个无故障涡轮单元部件相对应,第二故障签名集合与多个涡轮单元部件故障以及假定的多个无故障涡轮传感器和多个无故障测试传感器相对应。
本发明的这一方面基于如下思想:一方面,假设具有多个无故障涡轮部件的涡轮单元被用于确定无故障涡轮单元中的多个涡轮传感器和/或多个测试传感器的故障;而另一方面,假设多个无故障涡轮传感器和多个无故障测试传感器被用于确定涡轮部件的故障。换句话说,通过使用第一故障签名集合和第二故障签名集合,该方法能够确定相对于预先确定的数据的测量数据和至少一个参数值的特定偏差是否由传感器故障或涡轮故障引起。从而,该方法能够区分可以由测试人员容易补救的故障(诸如更换有缺陷的传感器)和需要进一步检查涡轮单元的故障。在第一种情况下,可以在故障得到补救之后恢复或继续测试程序。在第二种情况下,直到检查和纠正涡轮单元之后,才能继续测试程序。
在本文中,术语“测量数据”可以具体地表示由传感器中的每个传感器所输出的测量值序列。
在本文中,术语“参数值”可以具体地表示通过对测量数据中的至少一部分测量数据应用热力学关系而获得的量。
在本文中,术语“参考数据”可以具体地表示在类似测试系统中测试类似涡轮单元期间获得的历史数据(测量数据以及参数值)。
在本文中,术语“故障签名”可以具体地表示某些测量数据和参数值与对应于特定故障的预先确定的参考数据之间的偏差值集合。
根据本发明的实施例,将所确定的偏差与多个预先确定的故障签名匹配的步骤包括:依据所确定的偏差与每个相应故障签名之间的匹配程度,来生成有序故障列表。
换句话说,确定偏差和每个故障签名的匹配程度,并且生成故障列表,其中按照对应的匹配程度对各种故障进行排序。
根据本发明的另一实施例,将所确定的偏差与多个预先确定的故障签名匹配的步骤包括单故障匹配阶段,该单故障匹配阶段基于的是预先确定的参考数据的平均值。
在该实施例中,应用单故障阶段,其确定所确定的偏差(相对于参考数据的平均值)与每个单个故障签名之间的匹配程度。换句话说,在该实施例中,确定偏差是否(或可以假设)由诸如单个有缺陷的传感器之类的单个故障引起。
根据本发明的另一实施例,将所确定的偏差与多个预先确定的故障签名匹配的步骤包括双故障匹配阶段,该双故障匹配阶段基于的是预先确定的参考数据的平均值和加权的故障签名对。
在该实施例中,应用双故障阶段,该双故障阶段确定所确定的偏差(相对于参考数据的平均值)与加权的故障签名对之间的匹配程度。换句话说,在该实施例中,确立偏差是否(或可以假设)由两个故障(即,双故障,诸如两个有缺陷的传感器)引起。
根据本发明的另一实施例,该方法还包括:确定多个候选故障的发生概率,以及按照所确定的多个概率生成一个候选故障列表。
换句话说,根据该实施例,按照相应的发生概率对列表中的若干个候选故障(即,鉴于匹配的可能故障)进行排序。
根据本发明的另一实施例,该方法还包括:基于候选故障列表,选择多个候选故障中的至少一个候选故障作为正在发生的故障。
在该实施例中,多个候选故障(包括双故障在内)中的一个候选故障(例如,概率最高的候选故障)被选择为故障。
根据本发明的另一实施例,该方法还包括:输出标识故障和/或对应故障源的信息。
通过输出关于故障和/或对应源(例如,有缺陷的部件)的信息,测试人员可以容易且立即地决定如何处理。
根据本发明的另一实施例,该方法还包括:(a)停止涡轮单元的测试;以及(b)基于所确定的故障,确定该故障是否能够通过更换一个或多个测试传感器而被纠正。
在该实施例中,测试人员可以接收关于如何处理的信息,例如,更换一个或多个测试传感器并立即恢复测试程序,或者中断测试程序并将涡轮单元送至由专家做进一步检查和/或维修。
根据本发明的第二方面,提供了一种用于测试涡轮单元的系统。所描述的系统包括(a)测试台,用于接收待测试的涡轮单元;(b)多个系统传感器,用于在测试期间感测与涡轮单元的操作有关的多个物理量;以及(c)控制器,适于控制涡轮单元的测试操作,其中控制器还适于通过使用根据第一方面或上文所描述的实施例中的任一实施例在测试操作期间执行故障诊断。
本发明的这个方面是一种用于测试涡轮单元的系统,该系统包含控制器,该控制器能够执行根据第一方面的方法。因此,根据该方面的系统允许对涡轮单元的有效测试。
根据本发明的第三方面,提供了一种计算机程序,包括多个计算机可执行指令,当由计算机的处理器执行时,这些计算机可执行指令适于使得计算机执行根据第一方面和/或上述实施例中的任一实施例的方法。
根据本发明的第四方面,提供了一种计算机程序产品,包括计算机可读数据载体,该计算机可读数据载体装载有根据第三方面的计算机程序。
通过上述各方面和实施例例示的本发明允许早期检测到仪器(传感器)和发动机部件的故障(在测试涡轮单元期间,例如,仅在性能测试运行几分钟后),使得可以防止由于未成功完成4到5小时的测试或执行错误测试而导致的燃料和劳动力浪费。通过本发明,在测试期间(即,在线地)执行故障诊断,使得无需对测试数据进行后续离线分析,即可做出关于如何进行的决定。故障诊断与在线监测全部和部分负载性能以及燃烧器温度分布相结合将极大地改善测试工程师对情形的评估,并且为做出决定提供坚实的基础,尤其是当没有备份支持时。在这方面,这里所提及的诊断和监测主要是指热力学参数。
在一些情况下,仪器故障(如果已知)可以立即由测试人员(白天或夜晚)纠正,于是他们可以继续成功完成测试。因此,可以消除测试人员的等待时间,直到可以进行离线调查(由专家进行)并且可以标识故障为止。
根据本发明的方法使用最少的资源来快速且准确地匹配多个数据点。良好的定性精度足以用于对初始触发点进行在线诊断,以便协助测试工程师和非专家分析。
最后,该方法还可以通过提供故障源的适当标识,来协助内窥镜检查和发动机恢复过程迅速回到健康状态,从而大大改善和加快纠正过程,并且使得发动机能够在其第一次重新测试中停止发动机。长期发动机部件更换和仪表操作问题可以被标识,以支持和协助设计改变和纠正中的未来决定。另外,可以提供补充信息和数据,以协助使发动机模型(例如,用于发动机群体变化)适应当前发动机群体(在对故障/偏差进行测量并且与当前群体匹配时)。当发动机停止时,可以提供从调试点开始的现场监测的数据。
总之,本发明至少提供以下优点:
1)能够同时诊断发动机和仪器故障。
2)与现有的仪器不确定性很好地平衡。
3)如果需要,则能够妥善处理比发动机健康状态变量的数目更少的测量值。
4)稳健可靠,例如,没有收敛问题。
5)在没有低于或高于规格的情况下,对目标有效,因此经济且高效。
6)通过生产发动机测试过程调好;即,利用其提供的尽可能多的信息(以适应操作测试条件)。
7)最佳的可行工程解决方案。
8)灵活辅助并补充其他诊断方法。
应当指出,已经参考不同主题对本发明的实施例进行了描述。具体地,已经参考方法类型权利要求对一些实施例进行了描述,而已经参考装置类型权利要求对其他实施例进行了描述。然而,除非另有说明,否则除了属于一种类型主题的特征的任何组合,本领域技术人员还将从以上和以下描述中收集与不同主题有关的特征的任何组合,具体地,与方法类型权利要求的特征和装置类型权利要求的特征的组合,是本文档的公开内容的一部分。
从下文要描述的实施例的示例,本发明的上述方面和其他方面是显而易见的,并且参考实施例的示例进行解释。下文将参考实施例的示例对本发明进行更详细地描述。然而,应当明确指出,本发明不限于所描述的示例性实施例。
附图说明
图1以剖视图示出了涡轮发动机的一部分。
图2示出了在根据本发明实施例的方法中使用的矩阵方程。
图3示出了在根据本发明实施例的方法中使用的矩阵方程。
图4示出了按照本发明实施例的散点图与日期。
图5示出了图4的曲线图的另一表示,其指示发生概率。
图6示出了按照本发明实施例的故障对于纠正所需时间的显著性。
图7示出了按照本发明实施例的滚动累加和的说明。
图8示出了根据本发明实施例的方法的流程图。
图9示出了按照本发明实施例的压气机故障分类单元矢量轮的图形表示。
图10示出了按照本发明实施例的涡轮故障分类单元矢量轮的图形表示。
图11示出了按照本发明实施例的故障匹配示例。
具体实施方式
附图中的图示是示意图。应当指出,在不同的附图中,相似或相同的元件设有相同的附图标记或仅在第一附图内不同的附图标记。
图1以剖视图示出了燃气涡轮发动机10的示例。燃气涡轮发动机10按流动序列包括入口12、压气机区段14、燃烧器区段16和涡轮区段18,它们通常按流动序列布置并且通常围绕纵向轴线或旋转轴线20的方向并且沿其布置。燃气涡轮发动机10还包括轴22,其可绕旋转轴线20旋转并且纵向延伸穿过燃气涡轮发动机10。轴22将涡轮区段18驱动地连接到压气机区段14。
在燃气涡轮发动机10的操作中,通过空气入口12吸入的空气24被压气机区段14压缩并输送到燃烧区段或喷烧器区段16。喷烧器区段16包括喷烧器气室26、一个或多个燃烧室28和固定到每个燃烧室28的至少一个喷烧器30。燃烧室28和喷烧器30位于喷烧器气室26内部。通过压气机14的压缩空气进入扩散器32,并且从扩散器32中排出而进入喷烧器气室26,空气的一部分从该喷烧器气室26进入喷烧器30并与气态燃料或液态燃料混合。然后,空气/燃料混合物被喷烧,并且来自燃烧的燃烧气体34或工作气体经由过渡导管17引导通过燃烧室28到达涡轮区段18。
该示例性燃气涡轮发动机10具有管状燃烧器区段布置16,其由环形燃烧器罐阵列19构成,每个燃烧器罐19具有喷烧器30和燃烧室28,过渡导管17具有与燃烧器室28接口的大致圆形入口和环形分段形式的出口。环形过渡管道出口阵列形成环形空间,其用于将燃烧气体引导至涡轮单元18。
涡轮区段18包括若干个动叶承载盘36,其附接到轴22。在本示例中,两个盘36各自承载环形涡轮动叶阵列38。然而,动叶承载盘的数目可能不同,即,仅一个盘或两个以上的盘。另外,固定到燃气涡轮发动机10的定子42上的导向静叶40设置在环形涡轮动叶阵列38的各级之间。在燃烧室28的出口和前导涡轮动叶38之间提供入口导向静叶44,并且将工作气体流转动到涡轮动叶38上。
来自燃烧室28的燃烧气体进入涡轮区段18并驱动涡轮动叶38,该涡轮动叶38又使轴22旋转。导向静叶40、44用来优化涡轮动叶38上的燃烧或工作气体的角度。
涡轮区段18驱动压气机区段14。压气机区段14包括轴向系列的静叶级46和转子动叶级48。转子动叶级48包括支撑环形动叶阵列的转子盘。压气机区段14还包括壳体50,其围绕转子级并支撑静叶级48。导向静叶级包括安装到壳体50的径向延伸静叶的环形阵列。提供静叶以在给定发动机操作点处以用于动叶的最佳角度呈现气流。导向静叶级中的一些导向静叶级具有可变静叶,其中静叶围绕其自身纵向轴线的角度可以根据可以在不同发动机操作条件下发生的空气流动特点来调整。
壳体50限定压气机14的通道56的径向外表面52。通道56的径向内表面54至少部分地由转子的转子鼓53限定,该转子鼓53部分地由环形动叶阵列48限定。
参考上述示例性涡轮发动机对本发明进行描述,该涡轮发动机具有连接单个多级压气机和单个一级或多级涡轮单元的单轴或线轴。然而,应当领会,本发明同样适用于两个或三个轴发动机,并且可以用于工业、航空或船舶应用。
除非另有说明,否则术语上游和下游是指气流和/或工作气体流通过发动机的流动方向。术语向前和向后是指通过发动机的一般气体流。术语轴向、径向和周向参考发动机的旋转轴线20做出。
如下面更详细描述的,本发明提供了在测试涡轮发动机(诸如图1所示和上文所描述的燃气涡轮发动机10)和类似的燃气涡轮发动机期间(和之后)的故障诊断方法。
本发明的方法已经被成功地测试,并且可以协助和简化日常发动机停止过程。该方法已经被证明是稳健的并且风险较小(对于生产发动机测试)并且在计算上也不如其他方法那么苛刻。
诊断过程通常划分为两个阶段,并且按照那些阶段的所需目标进行设计。两阶段过程借助注入历史测试数据统计而使用实用/灵活的基于GPA(气路分析)的方法,来同时诊断发动机部件和仪器故障。
该方法有效地使用如下文的三个观测器及其相对偏差来监测发动机部件健康/偏差和测量的完整性。
i)发动机模型的预测(在定义的负载下),其定义对部件故障的测量灵敏度;
ii)在用于计算发动机部件参数的气路中,能量/热平衡的热力学关系,其定义对测量故障的发动机灵敏度;
iii)当前发动机群体统计,其定义预期/数据。
这种两阶段在线和离线诊断技术为专家用户提供了在线诊断的规定,以及为非专业用户提供了以简单指令形式的规定,以适应白天时间和夜间测试班次。更具体地,该过程分两个阶段进行:
2a).在线诊断
2b).离线诊断
执行以下诊断类别(在线或离线):
a).检测:当存在故障并且可能触发下一阶段时,进行检测。尽管可以在线或离线完成,但是在线检测确立了显著性,因此允许操作员评估是否由于安全性或为了节省燃料而中断测试。
b).隔离:确立故障的位置。首先确定是否(在仪器和/或部件中)存在单个故障或多个故障,然后确定特定硬件的位置。
c).标识:这里确定了改变部件健康参数(例如,积垢、外物损伤(FOD)、侵蚀等)的故障原因或改变测量(例如,浸入深度、不正确的热电偶类型等)的仪器故障,并且可能通过加权故障的幅度等来估计故障的显著性。
还可以(根据情况)执行离线分析以确立故障是发动机特定的还是测试特定的或更长期的(例如,由于设计改变或制造改变或测试设备改变)。
在线诊断的方案:
这些仪器通常用作传感器(观测器)来监测发动机(在独立部件参数矢量空间中)的状态。这种成功取决于拥有无故障仪器或了解其不确定性/偏差,以便将其考虑在内。然而,在燃气涡轮应用中,仪器可能不如发动机本身可靠,并且它们通常可能有故障。
因此,该方案基于以下事实:假设部件无故障的发动机可以是用于监测仪器(在测量矢量空间中)的状态的传感器(观测器)。因此,在数学术语中,可以形成和组合无故障仪器和发动机部件的偏导数以适应发动机部件和仪器两者的故障情形。基于这个方案,GPA可用的方法/方程在数学上被操纵如下:
这里,δF表示由于仪器操作和发动机部件故障而导致的总改变,δC表示由于发动机部件故障(当仪表没有故障时)而导致的改变,以及δI表示由于仪表故障(当发动机部件没有故障时)而导致的改变。
发动机中的物理问题导致其部件健康参数的负偏差。这些改变经由测量而被感测,该测量可以用于计算这些改变。因此,发动机特点/状态由这些参数定义。因此,所测量的参数是这些部件参数的函数,诸如:
Z=f(X) (a)
这里,Z表示作为(部件矢量空间中的)仪器的传感器(观测器)。
在这种情况下,部件参数是方程的独立参数,并且仪器所完成的测量用于感测这些部件的健康。为此,假设仪器没有故障。
现在,在现实生活中,传感器(Z)(在假设无故障仪器的情况下)用于监测某些部件(X)的改变/状态。假设反过来也是如此。也就是说,如果硬件部件(在这种情况下,燃气涡轮部件)没有故障,则可以用作传感器来监测仪器的健康。
那么,上述方程可以被写为:
X=g(Z) (b)
这里,X表示作为(仪器矢量空间中的)发动机部件的传感器(观测器)。
上述方程(a)和(b)均可以使用泰勒级数展开线性化,如下所示:
dZ=H*dX (a1)
dX=G*dZ (b1)
在方程(a1)中,通过使用发动机模型形成(m,n)维度的矩阵H(部件系数矩阵),其中假设发动机由诸如压气机和涡轮图等之类的部件特性表示。
方程(b1)的矩阵G(仪器系数矩阵)通过将故障扰动应用于热力学方程获得,在测试中用于计算发动机部件参数等。这里,计算部件参数的热力学关系用于获得这些签名。这可能给予某种形式的分析冗余以增强诊断,因为模型和这些关系使用略微不同的关系。因此,参数偏差(例如,由于故障而导致的参数偏差)可能遵循不同的路线。
由于停止保证通常被设置为满载点,因此被测涡轮发动机首先被加速到满载点以获得其第一数据点。因此,上述签名为满载和ISO条件而创建。这些签名用于在生产发动机测试期间检测和隔离故障。
如下所示,方程(a1)和(b1)可以以矩阵形式被写为:
[dZ]=[H]·[dX]
[dX]=[G]·[dZ]
这里,Z的维度是m,而X的维度是n。
将上述两个方程组合得到图2所示的矩阵方程。
使用热力学关系从测量值计算的数据首先经过ISO校正,然后额定为功率设置(例如,固定功率或固定涡轮入口温度等)。该过程在图2的矩阵的左下角导致改变(因为小的偏差被内插到固定额定值),使得该矩阵既不再是酉矩阵也不再是对角矩阵。所得矩阵如图3所示。
然后,图3的矩阵的导数可以用于分离测量(Z)的故障签名和发动机部件(X)的故障签名。
1.在线诊断(第1阶段)
当被测发动机达到满载范围并且稳定时,触发故障诊断过程。
1.1单故障匹配
第一次迭代:基于当前发动机群体平均值(参考数据)的数据来计算每个参数的偏差。然后,通过使用双向优化过程将偏差与每个单独的故障签名向量(方向和幅度)进行匹配。然后,按残差的顺序(例如,从最小残差到最大残差)排列所匹配的故障。
第二次迭代:然后对前几次匹配进行进一步优化,如下所示。如果发动机在操作发动机统计内,但远离其群体平均值(由于发动机对发动机的可变性)正在运行,则这不会构成故障。因此,当计算参数的偏差(增量)并为其分配故障时,应当考虑并适应这一点。将预期操作点总体约束为+/-2标准偏差的因子f。以步长为0.1逐步增加该因子f(或将f设置为固定值),其从0开始(参见图4),操作点远离平均值。在每个步骤中,(使用优化算法)优化/最小化残差以使其进一步向下,尽可能达到预先确定的值。需要通过其他平均值(例如,经验数据和历史数据)获得该预先确定的值以及在“无故障”发生之前可以将因子f增加多大(保持f<1)。
使其对应的无故障操作点更接近平均值(即,因子f的较小值)的故障的发生概率较高。因此,该因子可以与特定故障的发生概率有关并且用于按概率的降序呈现故障场景。此时,可以捆绑其他诊断元件,例如,电车轨道、涡轮出口温度分布等,以进一步调整概率。
还可以通过预测的故障场景(例如,参见图11)针对对应的发动机历史群体数据呈现(所测量的和所计算的)实际参数值(例如,参见图4)。图4的图形表示还可以通过视觉逻辑向故障的可能性和接受度提供另一导向水平。图5示出了图4中数据的另一表示,其指示发生概率(阴影区域)。
如果发现故障,则进行显著性和严重性检查,如图6所示,以避免燃料浪费、延误等。图6所示的类别如下:
A:故障主要是仪器类型问题,并且可以由测试工程师纠正。
B:需要100%负载测试才更清晰。继续进行75%负载测试并使用多操作点分析(可以轻松添加类似于100%分析的特征)以提高清晰度。
C:寻求专家的建议(第2阶段的协助,离线诊断,如下文所描述的)。
D:按照专家建议完成测试。
E:因数据无用而中止测试。
F:立即中止-操作不安全。
例如,通常认为仪器故障严重到足以中止夜间班次期间执行的测试。在大多数情况下,所标识的故障得到校正,然后继续进行测试。对于任何其他故障场景,应当关掉发动机,并且对于出现大改变的任何故障,可能应当中止测试。这些可能需要由专家明确进行离线调查。最终,这可能导致发动机从测试台中取出并剥离以便纠正。
1.2双故障匹配
根据定义,双故障是仪器和/或发动机部件故障的组合。压气机和涡轮的实际发动机故障、积垢、侵蚀、FOD(外物损坏)表现为基本部件健康参数(例如,效率、容量等)的改变的组合。经验表明,在生产发动机试运行期间,仪器故障也很可能发生,因为可能是从属仪器或合同仪器,该从属仪器或合同仪器不是永久固定或完全专用于测试台。
假设存在若干个n个故障签名/向量(F(i))。因此,存在Σ(n-1)个可能的双故障组合。故障还可以以不同的比例组合在一起,从而产生大量可能的组合。包含两个故障签名的所有双故障组合以特定比例加在一起:
F(total)=p*F(i)+r*F(j)
首先,通过该组合形成的矢量与来自群体平均值的实际发动机数据偏差匹配。考虑到位于群体(例如,X(ave)+/-2*f*Std_Dev)内的所有无故障发动机是可接受的。通过执行类似于上文所描述的第二次迭代的过程,进一步减少残差。
1.3故障标识
发动机部件中的诸如结垢、侵蚀、热变形、FOD等之类的真实故障本身呈现为部件健康参数的改变的(不同比例的)组合。例如,压气机结垢可以在压气机效率和容量(坐标/矢量)空间的特定域中以不同程度存在。因此,图形2D单元矢量故障分类轮(参见图9)由历史经验和发动机部件的发布信息形成,以便为故障原因提供进一步的定义,如下所述。
假设发动机部件的效率和容量的单位矢量分别是e和c,并且由于故障而导致的这些健康参数的相应改变幅度是ME和MC。因此,表示该故障(F)的向量可以被写为:
F=ME*e+MC*c
该故障(Fu)的单位向量如下:
一旦故障与部件隔离,分类轮和向量Fu就用于提供故障的可能原因/标识。
2.离线诊断(第2阶段)
在发动机剥离为了避免不必要的劳动力浪费等之前,可以执行进一步的诊断以消除任何疑虑。这与台、发动机外部检查和(在上文的第一阶段中呈现的)任何测量故障验证一起完成。还执行进一步的检查以确立故障是否是长期的,诸如设计改变。这一阶段通常由专家执行,并且包括以下各项:
1)重新访问测试数据并通过专家的眼睛离线重做第1阶段分析(例如,以确认第1阶段的在线发现)。
2)滚动累加和计算可能确认第一阶段中标识的故障是否是长期步长改变/故障。
3)进一步评估和询问发动机群体数据。还可以考虑执行生产发动机测试的多手柄/操作点诊断/分析(例如,75%负载,针对不同参数固定/评定数据)。
2.1滚动累加和计算(递归自动计算的计算版本)
参数X的第k个累加和如下:
其中μ被设置为预先确定的固定值,诸如设计的平均值等,而k(例如,发动机数目的时间线表示)从预先确定的点或自上次改变开始计数。
另外,S'(k)=G*k+A+V(k) (2)
这是线性化的累加和图,当没有(从自上次改变以来的前几个发动机获得的)阶跃改变时,其中S'(k)是来自线性化趋势的S(k)的预期值。
这里,G和A是S'(k)对k曲线图的梯度和截距,V(k)是与随机可变性(例如,发动机部件参数X(k))相关联的白噪声。
从自上次改变以来的最后几个点(例如,4个点)来计算G和A。
注意:方程1中的参数μ可以被选择作为自上次改变以来的平均最后几个发动机(例如,4个点)。在这种情况下,G=0且A=0。
S'(k+1)=G*(k+1)+A+V(k+1) (3)
因此,S'(k+1)-G*(k+1)-A=V(k+1) (4)
然而,如果在(k+1)处存在改变[C(k+1)],这可能被示为方程2所给出的预期/预测S'(k+1)和实际S(k+1)之间的偏差。然后,上述方程3可以改写为:
S(k+1)-G*(k+1)-A=V(k+1)+C(k+1) (5)
在上述方程5中,使用上文方程1从实际数据计算S(k+1),即,实际累加和(图7示出了这种累加和计算的示例)。
因此,如果改变C不显著,则S(k+1)-G*(k+1)-A等于与V部件相关联的随机变化,因此近似于零的平均值。基于随机变化部件的加法和95%置信度,这些部件的最大幅度可以取为2*StdDev(X),因此改变C(k+1)为显著C*(k+1)>2f*σ。值/因子f是介于0和1之间的变量,其基于置信水平和为零假设设置的准则。然而,如果改变C较小,则在第一次发生故障时的随机变化之间可能会丢失。然而,由于改变的幅度是相加的,因此在(k+2)之后,(k+3)发生时,会变得越来越突出(直到梯度G和A递归地被更新为止)。一旦确认改变之后,对与该最新改变之后的前几个点相对应的梯度进行更新。
在长期故障的情况下,相关信息(诸如启动日期、故障细节)存储在数据库中。因此,如果在下一在线诊断中用于描述性统计的样本包含该日期,则进行准备/校正以将其考虑在内。以这种方式校正使用中的样本会改善对任何其他新故障的检测并避免多故障场景(包括已知故障在内),该多故障场景更难以预测。
图8示出了如上文概念性地描述的根据本发明的方法800的流程图。更具体地,在步骤810中,从测试系统(系统传感器)内的或与其连接的传感器和待测涡轮发动机的传感器(涡轮传感器)获得参数的环境值和操作值。在步骤812中,基于来自步骤810的参数值和已知的热力学关系来计算一个或多个部件参数值。在步骤814中,(例如,从数据库)获得与测试单元相对应的历史发动机部件和测量数据群体描述性统计。然后,在步骤816中,通过与对应的群体平均值进行比较来确定所测量和计算的数据(测量值和参数值)的实际偏差。在步骤818中,在假设发动机部件无故障的情况下生成用于仪器(例如,传感器)的第一故障签名集合。在步骤820中,在假设仪器无故障的情况下生成第二故障签名集合。在步骤822中,第一故障签名集合和第二故障签名集合用于产生仪器和发动机部件故障库或数据库。该库由每个发动机额定值的预先计算的故障签名集合组成,并且可以在诊断过程期间每当需要时被访问。在步骤824中,执行故障签名与实际偏差之间的初始匹配,其包括步骤826中的第一阶段(单故障)匹配和步骤828中的双故障匹配。匹配故障按上升残差的顺序排列。然后,在步骤830中,使用对应的群体统计来微调前几个匹配故障(参见步骤814)。这涉及第二阶段匹配,以便调谐到预期的群体分布。在步骤832,测试一系列对应假设(例如,故障或无故障),并且结果按概率的降序排列。在步骤834中,应用各种检查,诸如强度、显著性、严重性和异常检查。在步骤836中,基于模型和/或图表来做出决定。然后,依据决定和所标识的故障,在步骤838中触发离线分析,其还可以包括通过在步骤840中应用滚动递归累加和分析来验证长期改变。
图9示出了在执行根据本发明实施例的方法期间生成用于显示给用户(例如,测试工程师)的压气机故障分类单元矢量轮900。轮区域902,904,906,908和910分别与由压气机容量、FOD、齿顶间隙、侵蚀和结垢的改变导致或与之有关的故障(也如图例912所指示的)相对应。
类似地,图10示出了在执行根据本发明实施例的方法期间生成的用于显示给用户(例如,测试工程师)的涡轮故障分类单元矢量轮1000。这里,轮区域1002、1004、1006、1008、1010、1012和1014分别与由例如热变形、侵蚀、污垢和FOD/DOD导致或与之有关的故障(也如图例1016所指示的)相对应。
图11示出了按照本发明实施例检测到的双故障匹配的示例。针对当前发动机群体统计来估计实际偏差。由倾斜方块1102表示的该偏差与由条1104表示的具有签名的(双)故障匹配。条1106表示对应的残差。在图11所示的示例中,签名1104与由相应幅度分别为-0.65%和1.33%的编号为3的仪器的故障和编号为6的发动机部件参数组成的双故障相对应。
与已知方法相比,上文所描述的方法在计算上要求更低并且更容易实现。混杂水平/准确水平与所定义的阶段的目标以及仪器的能力(不确定性等)非常吻合。混杂水平/准确水平包含完全自动化的在线选项,以更好更快地促使某种情形,尤其是当没有专业知识的情况下(例如,在夜间班次期间)做出决定时。
总之,根据本发明的实施例的方法包括以下各项:
1).发动机部件和仪器的同时分析基于以下方案:发动机部件无故障的发动机可以是用于仪表故障的传感器(观测器),而无故障仪器是用于检测发动机部件故障的传感器(观测器)。
2).部件和仪器故障的这种同时分析和诊断还防止一种故障类型(例如,部件故障)破坏用于另一种类型的输入数据(例如,仪器故障),反之亦然,其可能导致不正确的诊断。
3).基于所测量的数据,发动机部件的故障签名使用性能平台模型获得。基于发动机部件参数,仪器的故障签名使用在测试期间使用的气体路径中的能量平衡热力学关系获得。这些关系与模型略有不同,尽管它们应当给出相同或对应的最终答案/解决方案。由于这些差异而形成的分析冗余有利于诊断。当存在故障时,这会在故障签名之间提供额外的可变/唯一因素,从而提高诊断质量和故障隔离。
4).通过将“无故障”发动机约束到+/-f*2的范围来获得实际的发动机偏差。当前对应群体内的StdDev,其中因子f逐渐增加(但是<1,以避免少于5%发生),直到残差R已经减少到某个给定值。当已经达到该点时,对应因子f是该故障的相关发生概率。例如,f=约1=>5%发生,或f=0.5=>30%或f=0.25=>70%发生。这些发生概率仅在定性上统计上是准确的,但它们是衡量发生概率的良好指标。
5).针对第一阶段(在线诊断)所呈现的诊断方法在数学上不再是逆问题。因此,提高了鲁棒性(即,不易于收敛问题)。更进一步地,即使测量值的数目小于估计发动机健康参数,也可以管理并且仍然可以提供有用的信息。
6).问题被分解为逐阶段模块分析,一次定位于一个过程阶段的目标。a).在测试期间:动态评估数据和发动机以及校正的质量。b).后测试:对上文进行确认并进一步评估“异常”的严重性,以协助内窥镜检查和发动机剥离和校正。与过程阶段的目标相对应的该逐步模块分析途径(类似于迭代步骤)提高了收敛的稳健性、有效性和稳定性。
7).滚动递归型累加和方法用于检测长期改变。当标识这些长期改变时,对在未来诊断中使用的发动机样本和描述性统计进行相应调整。
8).由仪器部件和/或发动机部件中的故障组成的双故障是生产发动机测试运行中的很有可能的场景。由于故障矢量是相加的,因此根据本发明的方法容易适应这些场景。故障分类轮可能协助标识。这些分类通过经验、专家知识和发布的信息开发。因此,当有更多信息可用时,由车轮分类的故障标识会随着时间演变和增长。
应当指出,术语“包括”不排除其他元件或步骤,并且冠词“一”或“一个”的使用不排除多个。还可以组合结合不同实施例描述的元件。还应当指出,权利要求中的附图标记不应解释为限制权利要求的范围。
Claims (10)
1.一种在涡轮测试系统中测试涡轮单元期间的故障诊断方法,所述涡轮单元包括多个涡轮部件和多个涡轮传感器,所述涡轮测试系统包括多个测试传感器,所述方法包括:
从所述多个涡轮传感器和所述多个测试传感器获得测量数据,
基于所述测量数据来计算至少一个参数值,
通过将所述测量数据和所述至少一个参数值与预先确定的参考数据进行比较,来确定所述测量数据和所述至少一个参数值的偏差,以及
将所确定的偏差与多个预先确定的故障签名匹配,以便检测故障,
其中所述多个预先确定的故障签名包括第一故障签名集合和第二故障签名集合,所述第一故障签名集合与多个涡轮传感器故障和/或多个测试传感器故障以及假定的多个无故障涡轮部件相对应,所述第二故障签名集合与多个涡轮部件故障以及假定的多个无故障涡轮传感器和多个无故障测试传感器相对应。
2.根据权利要求1所述的方法,其中将所确定的偏差与多个预先确定的故障签名匹配包括:依据所确定的偏差与每个相应故障签名之间的匹配程度,生成一个有序故障列表。
3.根据权利要求1或2所述的方法,其中将所确定的偏差与多个预先确定的故障签名匹配包括:基于所述预先确定的参考数据的平均值的单故障匹配阶段。
4.根据权利要求1或2所述的方法,其中将所确定的偏差与多个预先确定的故障签名匹配包括:基于所述预先确定的参考数据的平均值和加权的故障签名对的双故障匹配阶段。
5.根据权利要求1或2所述的方法,还包括:确定多个候选故障的发生概率,以及按照确定的所述概率生成一个候选故障列表。
6.根据权利要求5所述的方法,还包括:基于所述候选故障列表,选择所述多个候选故障中的至少一个候选故障作为正在发生的故障。
7.根据权利要求1或2所述的方法,还包括:输出标识一个故障和/或一个对应故障源的信息。
8.根据权利要求1或2所述的方法,还包括:
停止所述涡轮单元的所述测试;以及
基于确定的所述故障,确定所述故障是否能够通过更换一个或多个测试传感器而被纠正。
9.一种用于测试涡轮单元的系统,所述系统包括:
一个测试台,用于接收待测试的所述涡轮单元;
多个系统传感器,用于在测试期间感测与所述涡轮单元的操作有关的多个物理量;以及
一个控制器,适于控制所述涡轮单元的一个测试操作;
其中所述控制器还适于通过使用根据权利要求1至8中的任一项所述的方法在所述测试操作期间执行故障诊断。
10.一种计算机可读数据载体,所述计算机可读数据载体装载有计算机程序,所述计算机程序包括多个计算机可执行指令,当由计算机的处理器执行时,所述多个计算机可执行指令适于使得所述计算机执行根据权利要求1至8中的任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16167606.9 | 2016-04-29 | ||
EP16167606.9A EP3239684A1 (en) | 2016-04-29 | 2016-04-29 | Fault diagnosis during testing of turbine unit |
PCT/EP2017/059560 WO2017186597A1 (en) | 2016-04-29 | 2017-04-21 | Fault diagnosis during testing of turbine unit |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109073508A CN109073508A (zh) | 2018-12-21 |
CN109073508B true CN109073508B (zh) | 2020-07-03 |
Family
ID=55968904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780026646.9A Active CN109073508B (zh) | 2016-04-29 | 2017-04-21 | 测试涡轮单元期间的故障诊断 |
Country Status (8)
Country | Link |
---|---|
US (1) | US11187621B2 (zh) |
EP (2) | EP3239684A1 (zh) |
JP (1) | JP6636178B2 (zh) |
KR (1) | KR102120733B1 (zh) |
CN (1) | CN109073508B (zh) |
CA (1) | CA3019273C (zh) |
RU (1) | RU2694105C1 (zh) |
WO (1) | WO2017186597A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018209609A1 (de) * | 2018-06-14 | 2019-12-19 | MTU Aero Engines AG | Inspektionsverfahren und System |
US11486795B2 (en) * | 2019-05-16 | 2022-11-01 | Textron Innovations, Inc. | Engine testing system and process |
WO2020249461A1 (de) * | 2019-06-14 | 2020-12-17 | Basf Se | Verfahren zur erkennung von schäden an einem verdichter |
CN110702421A (zh) * | 2019-11-20 | 2020-01-17 | 四川航天中天动力装备有限责任公司 | 一种涡喷发动机压力测量诊断方法及装置 |
CN112903301B (zh) * | 2019-12-04 | 2023-09-15 | 西门子能源国际公司 | 识别燃气轮机运行状态的方法和装置 |
IT202000004573A1 (it) * | 2020-03-04 | 2021-09-04 | Nuovo Pignone Tecnologie Srl | Modello di rischio ibrido per l'ottimizzazione della manutenzione e sistema per l'esecuzione di tale metodo. |
CN111898644B (zh) * | 2020-07-02 | 2022-10-25 | 西安交通大学 | 一种无故障样本下航天液体发动机健康状态智能识别方法 |
US11914357B1 (en) * | 2020-12-29 | 2024-02-27 | Uchicago Argonne, Llc | Physics-constrained fault diagnosis framework for monitoring a standalone component of a thermal hydraulic system |
US20230349300A1 (en) * | 2022-04-29 | 2023-11-02 | Raytheon Technologies Corporation | Method and apparatus for fault detection in a gas turbine engine and an engine health monitoring system |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2469041A1 (en) * | 2010-12-22 | 2012-06-27 | Siemens Aktiengesellschaft | Method of detecting a predetermined condition in a gas turbine and failure detection system for a gas turbine |
EP2660575A2 (en) * | 2012-04-03 | 2013-11-06 | Rolls-Royce Engine Control Systems Ltd | Apparatus for fluid temperatue measurement |
CN104280243A (zh) * | 2013-07-08 | 2015-01-14 | Smc株式会社 | 用于致动器的故障检测系统 |
CN104512554A (zh) * | 2013-10-07 | 2015-04-15 | 通用电气航空系统有限公司 | 用于预测辅助动力单元故障的方法 |
CN104968920A (zh) * | 2012-11-07 | 2015-10-07 | Avl里斯脱有限公司 | 用于监控内燃发动机的方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09145553A (ja) * | 1995-11-29 | 1997-06-06 | Hitachi Ltd | プラント監視診断方法及び装置 |
JP3416396B2 (ja) * | 1996-05-30 | 2003-06-16 | 三菱重工業株式会社 | 航空機エンジンテスト運転用設備のモニタ制御装置 |
US7020595B1 (en) * | 1999-11-26 | 2006-03-28 | General Electric Company | Methods and apparatus for model based diagnostics |
GB2362481B (en) * | 2000-05-09 | 2004-12-01 | Rolls Royce Plc | Fault diagnosis |
US6687596B2 (en) * | 2001-08-31 | 2004-02-03 | General Electric Company | Diagnostic method and system for turbine engines |
US7233884B2 (en) * | 2002-10-31 | 2007-06-19 | United Technologies Corporation | Methodology for temporal fault event isolation and identification |
US7552005B2 (en) * | 2004-03-16 | 2009-06-23 | Honeywell International Inc. | Method for fault diagnosis of a turbine engine |
US7243048B2 (en) * | 2005-11-28 | 2007-07-10 | Honeywell International, Inc. | Fault detection system and method using multiway principal component analysis |
EP1953454A1 (en) * | 2007-01-30 | 2008-08-06 | Siemens Aktiengesellschaft | Method of detecting a partial flame failure in a gas turbine engine and a gas turbine engine |
GB0711256D0 (en) | 2007-06-12 | 2007-07-18 | Rolls Royce Plc | Engine health monitoring |
JP5136901B2 (ja) | 2008-10-09 | 2013-02-06 | 株式会社ネットコムセック | 温度検出装置 |
EP2375038B1 (en) * | 2010-04-08 | 2015-03-04 | Delphi International Operations Luxembourg S.à r.l. | Diagnosis device and method using an in-cylinder pressure sensor in an internal combustion engine |
JP5773620B2 (ja) * | 2010-11-19 | 2015-09-02 | 三菱重工業株式会社 | センサ異常判定装置及びセンサ異常判定方法 |
US9709463B2 (en) * | 2012-01-31 | 2017-07-18 | Siemens Energy, Inc. | Method and system for surface profile inspection of off-line industrial gas turbines and other power generation machinery |
ITCO20120008A1 (it) * | 2012-03-01 | 2013-09-02 | Nuovo Pignone Srl | Metodo e sistema per monitorare la condizione di un gruppo di impianti |
WO2014043672A1 (en) * | 2012-09-17 | 2014-03-20 | Siemens Corporation | Architecture for turbine system diagnosis based on sensor data |
EP2762852A1 (en) * | 2013-02-05 | 2014-08-06 | Siemens Aktiengesellschaft | Automatic Testing System for a Gas Turbine |
US9476798B2 (en) | 2014-02-21 | 2016-10-25 | General Electric Company | On-line monitoring of hot gas path components of a gas turbine |
JP5778305B2 (ja) | 2014-03-12 | 2015-09-16 | 株式会社日立製作所 | 異常検知方法及びそのシステム |
-
2016
- 2016-04-29 EP EP16167606.9A patent/EP3239684A1/en not_active Withdrawn
-
2017
- 2017-04-21 JP JP2018556374A patent/JP6636178B2/ja active Active
- 2017-04-21 RU RU2018137823A patent/RU2694105C1/ru active
- 2017-04-21 KR KR1020187034441A patent/KR102120733B1/ko active IP Right Grant
- 2017-04-21 US US16/091,882 patent/US11187621B2/en active Active
- 2017-04-21 CA CA3019273A patent/CA3019273C/en active Active
- 2017-04-21 CN CN201780026646.9A patent/CN109073508B/zh active Active
- 2017-04-21 WO PCT/EP2017/059560 patent/WO2017186597A1/en active Application Filing
- 2017-04-21 EP EP17720421.1A patent/EP3449232B1/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2469041A1 (en) * | 2010-12-22 | 2012-06-27 | Siemens Aktiengesellschaft | Method of detecting a predetermined condition in a gas turbine and failure detection system for a gas turbine |
EP2660575A2 (en) * | 2012-04-03 | 2013-11-06 | Rolls-Royce Engine Control Systems Ltd | Apparatus for fluid temperatue measurement |
CN104968920A (zh) * | 2012-11-07 | 2015-10-07 | Avl里斯脱有限公司 | 用于监控内燃发动机的方法 |
CN104280243A (zh) * | 2013-07-08 | 2015-01-14 | Smc株式会社 | 用于致动器的故障检测系统 |
CN104512554A (zh) * | 2013-10-07 | 2015-04-15 | 通用电气航空系统有限公司 | 用于预测辅助动力单元故障的方法 |
Non-Patent Citations (1)
Title |
---|
航天飞机主发动机高压燃料涡轮泵的故障模式;刘士杰等;《航空动力学报》;20150331;第30卷(第3期);第611-626页 * |
Also Published As
Publication number | Publication date |
---|---|
CA3019273C (en) | 2020-09-22 |
US11187621B2 (en) | 2021-11-30 |
EP3449232A1 (en) | 2019-03-06 |
KR20190002612A (ko) | 2019-01-08 |
KR102120733B1 (ko) | 2020-06-26 |
JP2019515278A (ja) | 2019-06-06 |
CN109073508A (zh) | 2018-12-21 |
RU2694105C1 (ru) | 2019-07-09 |
WO2017186597A1 (en) | 2017-11-02 |
EP3449232B1 (en) | 2020-01-08 |
US20190120720A1 (en) | 2019-04-25 |
JP6636178B2 (ja) | 2020-01-29 |
EP3239684A1 (en) | 2017-11-01 |
CA3019273A1 (en) | 2017-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109073508B (zh) | 测试涡轮单元期间的故障诊断 | |
US7062370B2 (en) | Model-based detection, diagnosis of turbine engine faults | |
US8417432B2 (en) | Method for calculating confidence on prediction in fault diagnosis systems | |
EP2495631B1 (en) | A system for analysis of turbo machinery | |
JP4149899B2 (ja) | システム上で診断を行うための方法 | |
JP6610987B2 (ja) | 異常診断方法及び異常診断システム | |
EP2239642B1 (en) | Analysis method | |
US10247032B2 (en) | Gas turbine engine and test cell real-time diagnostic fault detection and corrective action system and method | |
US9651457B2 (en) | Method for detecting deterioration in a turbomachine by monitoring the performance of said turbomachine | |
Panov | Model-based control and diagnostic techniques for operational improvements of gas turbine engines | |
Salamat | Gas path diagnostics for compressors | |
Zaccaria et al. | A model-based solution for gas turbine diagnostics: Simulations and experimental verification | |
Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters | |
Martinez et al. | Aeroengine prognosis through genetic distal learning applied to uncertain engine health monitoring data | |
Visser et al. | Experience with gsp as a gas path analysis tool | |
Jasmani et al. | Measurement Selections for Multi-Component Gas Path Diagnostics Using Analytical Approach and Measurement Subset Concept | |
Fentaye et al. | Sensor fault/failure correction and missing sensor replacement for enhanced real-time gas turbine diagnostics | |
Loboda | Trustworthiness problem of gas turbine parametric diagnosing | |
Palmé et al. | Similarity based modeling for turbine exit temperature spread monitoring on gas turbines | |
WO2006107295A1 (en) | Model-based detection, diagnosis of turbine engine faults | |
Della Gatta et al. | Fault detection and identification by gas path analysis approach in heavy duty gas turbine | |
TURBINE | FAULT DETECTION AND IDENTIFICATION BY GAS PATH ANALYSIS APPROACH | |
Loboda | Trustworthiness problem of gas turbine parametric diagnosing |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220902 Address after: Munich, Germany Patentee after: Siemens Energy International Address before: Munich, Germany Patentee before: SIEMENS AG |
|
TR01 | Transfer of patent right |