CN110276115A - 基于燃机叶片型线参数的气路故障诊断方法 - Google Patents
基于燃机叶片型线参数的气路故障诊断方法 Download PDFInfo
- Publication number
- CN110276115A CN110276115A CN201910505692.8A CN201910505692A CN110276115A CN 110276115 A CN110276115 A CN 110276115A CN 201910505692 A CN201910505692 A CN 201910505692A CN 110276115 A CN110276115 A CN 110276115A
- Authority
- CN
- China
- Prior art keywords
- blade
- failure
- gas path
- fault
- vane
- 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.)
- Granted
Links
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
Abstract
一种基于燃机叶片型线参数的气路故障诊断方法,通过故障叶片几何特征建立故障叶片数值仿真模型,并制定气路故障的诊断判据,通过实时监测参数叶片几何特征反向判别得到气路故障的模式及程度。本发明通过叶片的几何型线参数(前缘厚度变量、尾缘厚度变量和粗糙度等),实现燃气轮机气路故障的精细化诊断,对特性线精度依赖性低且显著降低了诊断结果置信区间。
Description
技术领域
本发明涉及的是一种燃气轮机领域的技术,具体是一种基于燃机叶片型线参数的气路故障诊断方法。
背景技术
压气机和涡轮是利用空气做功的气路部件,其性能对燃气轮机的高效运行具有重要的影响。气路部件长期工作在高温、高转速、大应力的恶劣环境下,随着运行时间的增加,叶片表面会产生积垢、侵蚀、腐蚀等现象,部件性能将会逐渐偏离设计点,导致气路部件效率、流量易出现衰退故障,进而严重影响燃机的整体性能。
现有气路故障诊断方法从性能的角度出发,假设部件工作能力衰退后,其特性曲线的几何形状并不发生显著变化,通过故障判据查得当前故障状态对应的燃机部件特性的降级,通过健康燃机(新机组)的部件特性图,送入燃机模型进行性能参数匹配,从而实现对气路部件的状态诊断和故障识别。但该技术结果的准确性很大程度上取决于特性线的准确性,然而往往很难获取准确的特性线;监测参数波动性大判断结果准确率低。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于燃机叶片型线参数的气路故障诊断方法,通过叶片的几何型线参数(前缘厚度变量、尾缘厚度变量和粗糙度等),实现燃气轮机气路故障的精细化诊断,对特性线精度依赖性低且显著降低了诊断结果置信区间。
本发明是通过以下技术方案实现的:
本发明通过故障叶片几何特征建立故障叶片数值仿真模型,并制定气路故障的诊断判据,通过实时监测参数叶片几何特征反向判别得到气路故障的模式及程度。
所述的气路故障包括但不限于:结垢、侵蚀、腐蚀和外来物击伤,当发生燃机气路故障时,叶片几何形状的变化和叶片表面粗糙度会发生改变,采用叶型参数表征气路故障的模式、利用叶型参数变化的百分比表征气路故障的程度更为直观,且对维修更具有实际的指导意义。
所述的故障叶片几何特征包括:叶片前缘厚度增量、叶片尾缘厚度增量、叶片表面粗糙度和/或攻角以表征不同的故障,实现故障特征的提取。
所述的仿真模型,通过实际需要开展气路故障诊断的燃气轮机叶片的设计参数和故障叶片3D扫描结果,按气路故障和其相应叶片几何特征建立故障叶片数值仿真模型,包括原始叶片几何模型、故障叶片3D重构以及故障叶片数值仿真模型,具体包括:
i)利用计算流体动力学(Computational Fluid Dynamics,CFD)软件,根据叶片设计文件画出叶片的几何模型,该模型中的叶片被定义为原始叶片。
ii)扫描某修理厂维检中拆卸下的典型故障叶片,利用三维激光扫描仪以及三维数字化仪等3D设备采集数据,通过三维图形处理技术进行模型重构,得到与实际故障叶片几何形状一致的仿真叶片图像。
iii)根据实际燃气轮机气路故障叶片中四个几何变量,即叶片前缘厚度增量、叶片尾缘厚度增量、叶片表面粗糙度和攻角的变化情况,按比率修改原始叶型的几何特征,得到相应类型的故障叶片。
iv)建立故障叶片数值仿真模型,设置边界条件,对原始叶片、各类故障叶片进行仿真,得到不同叶片的气流通道内温度场、应力场、速度场的分布。
所述的气路故障的诊断判据,即通过建立叶型参数、故障模式、场异常分布、监测参数的映射关系,获取不同几何特征的故障叶片对应的特性图。
所述的特性图,根据前缘厚度、尾缘厚度、粗糙度、攻角不同的组合形式及其对应类型的故障,利用相应的数值仿真模型在转速、入口压力、入口温度条件下进行仿真,得到对应的进出口截面温度、压力和流量,从而建立出不同类型的气路故障的特性图库。
所述的仿真,采用但不限于CFX、Fluent等软件实现。
所述的反向判别是指:将实际监测参数作为输入条件放入带有特性图库的模型中,得到多组不同的流量和效率的输出结果,利用参数约束、守恒约束等方式判断出最有可能输出结果,并根据气路故障判据得到此时叶片的几何特征,即相关的故障模式和故障程度。
本发明涉及一种实现上述方法的系统,包括:特征采集模块、故障特性图模块以及反向判别模块,其中:特征采集模块与故障特性图模块相连并传输故障叶片几何特征信息,故障特性图模块与反向判别模块相连并传输气路故障特性图库信息,反向判别模块根据特性图反向判别得到故障模式和故障程度信息并生成诊断结果信息。
技术效果
与现有技术相比,针对传统气路故障诊断方法对特性线精度依赖性高、诊断结果置信区间大、未揭示故障本质特征的问题,本发明提出利用叶片型线参数开展燃机气路故障诊断,基于叶片几何变化制定气路故障的诊断判据,从故障机理角度保证故障诊断的可解释性,提高气路故障诊断的准确性。
附图说明
图1为本发明基于叶片型线参数的燃气轮机气路故障诊断框图;
图2为本发明气路故障诊断判据的映射关系;
图3为本发明压气机特性图;
图中:(a)为压气机折合流量和压比的特性图,(b)为压气机压比和效率的特性图;
图4为本发明高压涡轮叶片发生故障的特性图库;
图中:(a)为高压涡轮故障叶片折合流量和压比的特性图库,(b)为高压涡轮故障叶片压比和效率的特性图库;
图5为本发明基于叶片型线参数的燃机气路故障诊断流程。
具体实施方式
如图1所示,本实施例涉及一种基于燃机叶片型线参数的气路故障诊断方法,包括以下步骤:
步骤S1,所提取的故障叶片几何特征包括叶片前缘厚度增量、叶片尾缘厚度增量、叶片表面粗糙度和攻角,利用这些叶片型线参数对四种典型故障的几何化定性表征如表1所示。
表1故障几何化表征
其中:↑指该几何参数的值会增加,↓则是相反的,—代表可能会不变。此外,↑或者↓的个数表示其增加或减少程度,个数越多,变化程度越大。
所述的位置是指:某种故障在叶片上最容易、最多发生的地方。
从表1可以看出,结垢主要对前缘影响最大,会导致前缘厚度增大、粗糙度增加。侵蚀和腐蚀主要发生在前缘、都会减少叶片厚度,增加粗糙度。不同的是,侵蚀主要会钝化前缘,削尖尾缘,易发生在压力面,而腐蚀发生位置多样,易发生在吸力面。两者虽然在机理上有所区别,前者是物理反应,后者是化学反应,但是几何表征上相似,视为同一类故障。一般来说,发生侵蚀、腐蚀的叶片比发生结垢的叶片粗糙度更大。外物击伤是一种比较严重的故障,发生位置并不确定,多发生在第一级前缘。一旦造成掉角或缺口,它将会对叶片厚度造成最大的影响。攻角是气流角和叶片几何进口角之间的夹角,上述四种故障都会对攻角造成影响。但因为部件不同、叶片位置不同,当故障发生时,攻角的变化趋势会有差异,可能变大、可能变小,需要具体情况具体分析。
步骤S2,采用需要进行气路故障诊断的某型号燃机叶片的设计资料和实际故障叶片,建立故障叶片数值仿真模型,具体步骤包括:
2.1)根据资料叶片的外轮廓数据点,将点按照前缘半径,尾缘半径等参数要求进行二维模型的建立,然后沿叶高顺次叠加生成三维模型;
2.2)扫描某修理厂维检中拆卸下的典型故障叶片,利用三维激光扫描仪以及三维数字化仪等3D设备采集数据,通过三维图形处理技术进行模型重构,得到与实际故障叶片几何形状一致的仿真叶片图像;
2.3)根据实际燃气轮机气路故障叶片中四个几何变量,即叶片前缘厚度增量、叶片尾缘厚度增量、叶片表面粗糙度和攻角的变化情况,按比率修改原始叶型的几何特征。
以结垢时前缘厚度增量为例,说明叶片几何模型的修改过程。当发生结垢时,扫描的实际故障叶片的前缘厚度增量约等于弦长的0.5%。已知原始叶片弦长为38mm,则在叶片结垢仿真模型中,前缘厚度增加0.16mm。
2.4)设置多组边界条件(转速为标准工况的100%、90%和80%,入口压力为标准工况的100%、90%、80%、70%、60%和50%),对原始叶片、各类故障叶片进行仿真,得到不同故障类型叶片的气流通道内温度场、应力场、速度场的分布。
如图2所示,利用步骤S1和步骤S2中可建立故障模式和叶型参数之间的映射关系,并获取不同故障模式下故障叶片物理场的分布情况和所有监测参数的变化情况。物理场的分布情况和监测参数的相应数值两者在某种程度上是等价的,而叶片几何特征和典型故障模式在某种程度上又是等价的,据此建立新的气路故障诊断判据:某种程度的典型故障对应一种叶片几何特征,对应特定的物理场变化(几何特征不变的情况下由边界条件变化导致的),对应其中某些测量参数的特定变化,对应某一类特性图。
步骤S3,依据叶型参数、故障模式、场异常分布、监测参数的映射关系,获取不同几何特征的故障叶片对应的特性图,制定气路故障的诊断判据。图3是发生某故障时某型号燃气轮机压气机特性示意图,对压气机来说(入口压力P1,入口温度T1,压气机转速n1,出口压力P2已知),可借助实际监测参数点出口温度T2real分析所有特性图输出T2和T2real的误差,同时利用特性图库获得多组压气机效率和流量的变化,得到最有可能的故障模式及故障程度。除参数约束外,当热力系统是整个机组而不是单个部件,还可以利用某些约束条件来实现故障模式的判别,如能量守恒、质量守恒等。同理,还可以得到其他部件叶片发生故障时的特性图库。图4是某型号燃气轮机高压涡轮的特性图库,不同图片是指叶片发生不同程度变化(即不同程度故障)时特性发生变化。通过CFX建立高压涡轮叶片数值仿真模型,将几何参数加以简化为叶片厚度增量和粗糙度。叶片厚度的增量有4种,分别是0%,02.5%,5%和10%;粗糙度共有两种,分别是0mm与0.05mm。此外,改变高压涡轮的入口压力和转速,形成不同边界条件的数值仿真模型,压力在计算中分别使用设计点的100%,90%,80%,70%,60%,50%,共6种,转速分别使用设计点的100%,90%,80%,共3种。在正常叶片的基础上通过增加叶片的厚度和粗糙度实现物理模型的改变,并通过修正边界条件完成计算工作。共获取4*2*6*3=144个数值仿真结果,并据此建立2*4*2=16张特性图,如图4。
步骤S4,如图5以结垢为例,将实际发生结垢故障时的监测参数作为输入条件放入带有特性图库的模型中,得到多组不同的流量和效率的输出结果,利用参数约束、守恒约束等方式判断出最有可能的输出结果,并根据气路故障判据得到此时叶片的几何特征(即故障程度)和相关的故障模式。
经过具体实际实验,在系统版本windows 10、CPU配置coreTMCPU i5-8250UCPU@1.60GHz、内存配置4GB的服务器配置下,安装带有CoolProp和Numpy包的python3.6的软件环境。以步长130,转速偏差0.0001,残差0.0005的参数设置下运行上述方法,能够得到的实验数据是:燃气轮机的高压涡轮叶片粗糙度为0.05mm,叶片厚度总增量为10%,据此判断发生高压涡轮结垢,且结垢程度为100%。
与现有技术相比,本方法在原来传统气路故障诊断的基础上,将传统判据(效率降级和流量降级)替换为新判据——叶片的几何型线参数(叶片厚度变量和粗糙度等),实现燃气轮机气路故障的精细化诊断。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (7)
1.一种基于燃机叶片型线参数的气路故障诊断方法,其特征在于,通过故障叶片几何特征建立故障叶片数值仿真模型,并制定气路故障的诊断判据,通过实时监测参数叶片几何特征反向判别得到气路故障的模式及程度;
所述的故障叶片几何特征包括:叶片前缘厚度增量、叶片尾缘厚度增量、叶片表面粗糙度和攻角以表征不同的故障,实现故障特征的提取;
所述的仿真模型,通过实际需要开展气路故障诊断的燃气轮机叶片的设计参数和故障叶片3D扫描结果,按气路故障和其相应叶片几何特征建立故障叶片数值仿真模型,包括原始叶片几何模型、故障叶片3D重构以及故障叶片数值仿真模型。
2.根据权利要求1所述的基于燃机叶片型线参数的气路故障诊断方法,其特征是,所述的仿真模型,通过以下方式实现:
i)利用计算流体动力学软件,根据叶片设计文件画出叶片的几何模型,该模型中的叶片被定义为原始叶片;
ii)扫描某修理厂维检中拆卸下的典型故障叶片,利用三维激光扫描仪以及三维数字化仪等3D设备采集数据,通过三维图形处理技术进行模型重构,得到与实际故障叶片几何形状一致的仿真叶片图像;
iii)根据实际燃气轮机气路故障叶片中叶片前缘厚度增量、叶片尾缘厚度增量、叶片表面粗糙度和攻角的变化情况,按比率修改原始叶型的几何特征,得到相应类型的故障叶片;
iv)建立故障叶片数值仿真模型,设置边界条件,对原始叶片、各类故障叶片进行仿真,得到不同叶片的气流通道内温度场、应力场、速度场的分布。
3.根据权利要求1所述的基于燃机叶片型线参数的气路故障诊断方法,其特征是,所述的气路故障的诊断判据,即通过建立叶型参数、故障模式、场异常分布、监测参数的映射关系,获取不同几何特征的故障叶片对应的特性图。
4.根据权利要求3所述的基于燃机叶片型线参数的气路故障诊断方法,其特征是,所述的特性图,根据前缘厚度、尾缘厚度、粗糙度、攻角不同的组合形式及其对应类型的故障,利用相应的数值仿真模型在转速、入口压力、入口温度条件下进行仿真,得到对应的进出口截面温度、压力和流量,从而建立出不同类型的气路故障的特性图库。
5.根据权利要求1所述的基于燃机叶片型线参数的气路故障诊断方法,其特征是,所述的气路故障的诊断判据,包括:
其中:↑指该几何参数的值会增加,↓则是相反的,—代表可能会不变,此外,↑或者↓的个数表示其增加或减少程度,个数越多,变化程度越大。
6.根据权利要求1所述的基于燃机叶片型线参数的气路故障诊断方法,其特征是,所述的反向判别是指:将实际监测参数作为输入条件放入带有特性图库的模型中,得到多组不同的流量和效率的输出结果,利用参数约束、守恒约束等方式判断出最有可能输出结果,并根据气路故障判据得到此时叶片的几何特征,即故障程度和相关的故障模式。
7.一种实现上述任一权利要求所述方法的系统,其特征在于,包括:特征采集模块、故障特性图模块以及反向判别模块,其中:特征采集模块与故障特性图模块相连并传输故障叶片几何特征信息,故障特性图模块与反向判别模块相连并传输气路故障特性图库信息,反向判别模块根据特性图反向判别得到故障模式和故障程度信息并生成诊断结果信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910505692.8A CN110276115B (zh) | 2019-06-12 | 2019-06-12 | 基于燃机叶片型线参数的气路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910505692.8A CN110276115B (zh) | 2019-06-12 | 2019-06-12 | 基于燃机叶片型线参数的气路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276115A true CN110276115A (zh) | 2019-09-24 |
CN110276115B CN110276115B (zh) | 2023-02-10 |
Family
ID=67962120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910505692.8A Active CN110276115B (zh) | 2019-06-12 | 2019-06-12 | 基于燃机叶片型线参数的气路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276115B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800554A (zh) * | 2021-01-14 | 2021-05-14 | 中国人民解放军空军工程大学 | 一种叶片表面粗糙度变化影响压气机稳定性的仿真方法 |
CN116227086A (zh) * | 2023-03-23 | 2023-06-06 | 中国航空发动机研究院 | 一种航空发动机气路故障模拟方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855349A (zh) * | 2012-08-06 | 2013-01-02 | 南京航空航天大学 | 航空发动机气路故障诊断的快速原型设计方法及平台 |
CN108344579A (zh) * | 2017-12-27 | 2018-07-31 | 南京航空航天大学 | 航空发动机气路部件故障诊断的半物理验证方法及系统 |
CN109115501A (zh) * | 2018-07-12 | 2019-01-01 | 哈尔滨工业大学(威海) | 一种基于cnn与svm的民航发动机气路故障诊断方法 |
CN109543279A (zh) * | 2018-11-16 | 2019-03-29 | 上海交通大学 | 一种基于动态模型的燃气轮机气路故障诊断方法 |
-
2019
- 2019-06-12 CN CN201910505692.8A patent/CN110276115B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855349A (zh) * | 2012-08-06 | 2013-01-02 | 南京航空航天大学 | 航空发动机气路故障诊断的快速原型设计方法及平台 |
CN108344579A (zh) * | 2017-12-27 | 2018-07-31 | 南京航空航天大学 | 航空发动机气路部件故障诊断的半物理验证方法及系统 |
CN109115501A (zh) * | 2018-07-12 | 2019-01-01 | 哈尔滨工业大学(威海) | 一种基于cnn与svm的民航发动机气路故障诊断方法 |
CN109543279A (zh) * | 2018-11-16 | 2019-03-29 | 上海交通大学 | 一种基于动态模型的燃气轮机气路故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
DENGJI ZHOU 等: "A Whole Operation Life Cycle Model of Gas Turbine Blades Under Multi-Physics Based on Variation of Blade Profile Parameters", 《ASME 2018 INTERNATIONAL MECHANICAL ENGINEERING CONGRESS AND EXPOSITION》 * |
卓鹏程 等: "Real-Time Fault Diagnosis for Gas Turbine Blade Based on Output-Hidden Feedback Elman Neural Network", 《JOURNAL OF SHANGHAI JIAOTONG UNIVERSITY(SCIENCE)》 * |
张兵: "基于卡尔曼滤波器的燃气轮机故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
理查德·布洛克利: "《推进与动力》", 30 June 2016 * |
韦婷婷: "燃气轮机燃料预热器的设计及经济性分析", 《燃气轮机技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800554A (zh) * | 2021-01-14 | 2021-05-14 | 中国人民解放军空军工程大学 | 一种叶片表面粗糙度变化影响压气机稳定性的仿真方法 |
CN112800554B (zh) * | 2021-01-14 | 2023-07-07 | 中国人民解放军空军工程大学 | 一种叶片表面粗糙度变化影响压气机稳定性的仿真方法 |
CN116227086A (zh) * | 2023-03-23 | 2023-06-06 | 中国航空发动机研究院 | 一种航空发动机气路故障模拟方法 |
CN116227086B (zh) * | 2023-03-23 | 2023-11-24 | 中国航空发动机研究院 | 一种航空发动机气路故障模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110276115B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
US6529849B2 (en) | Thermal efficiency diagnostic method and apparatus of a combined power generation plant | |
EP2400118B1 (en) | Turbomachine airfoil life management system and method | |
CN104035331B (zh) | 机组运行优化指导系统及其设备 | |
CN111289256B (zh) | 一种数据驱动的船舶柴油机故障检测方法 | |
JP2010144727A (ja) | ロータブレード健全性を監視するためのシステム及び方法 | |
CN110276115A (zh) | 基于燃机叶片型线参数的气路故障诊断方法 | |
Zhou et al. | A gas path fault diagnostic model of gas turbines based on changes of blade profiles | |
CN109443423A (zh) | 一种基于积差分析的燃气机组碳排放数据关联度检验方法 | |
CN113656906B (zh) | 一种面向燃气轮机的非平稳多变量因果关系分析方法 | |
Ju et al. | Robust design optimization method for centrifugal impellers under surface roughness uncertainties due to blade fouling | |
CN108869174A (zh) | 一种非线性建模的风力发电机叶片固有频率工况补偿方法 | |
CN107710089A (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
Loboda | Gas turbine condition monitoring and diagnostics | |
CN112541160A (zh) | 一种旋转机械振动故障诊断相关特征提取方法 | |
CN110532681B (zh) | 基于narx网络-箱线图和常模式提取的燃机异常检测方法 | |
Jain et al. | CFD modeling of a radiator axial fan for air flow distribution | |
Konig et al. | Aeroacoustic Phenomena In High Pressure Centrifugal Compressors-A Possible Root Cause For Impeller Failures. | |
CN112418306B (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
Salamat | Gas path diagnostics for compressors | |
CN109614722B (zh) | 基于模糊逻辑的涡轴发动机全状态参数的建模方法 | |
Calvert et al. | Design, test and analysis of a high-pressure-ratio transonic fan | |
CN115526238A (zh) | 一种基于全工况卷积特征记忆的引风机故障预警方法 | |
Chen et al. | Gas-path component fault diagnosis for gas turbine engine: a review | |
Eustace | A real-world application of fuzzy logic and influence coefficients for gas turbine performance diagnostics |
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 |