CN110609479B - 基于线性变参数模型的燃气轮机传感器容错控制方法 - Google Patents

基于线性变参数模型的燃气轮机传感器容错控制方法 Download PDF

Info

Publication number
CN110609479B
CN110609479B CN201911015893.6A CN201911015893A CN110609479B CN 110609479 B CN110609479 B CN 110609479B CN 201911015893 A CN201911015893 A CN 201911015893A CN 110609479 B CN110609479 B CN 110609479B
Authority
CN
China
Prior art keywords
fault
sensor
gas turbine
linear variable
variable parameter
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
CN201911015893.6A
Other languages
English (en)
Other versions
CN110609479A (zh
Inventor
田震
刘月
付经伦
刘智睿
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 CN201911015893.6A priority Critical patent/CN110609479B/zh
Publication of CN110609479A publication Critical patent/CN110609479A/zh
Application granted granted Critical
Publication of CN110609479B publication Critical patent/CN110609479B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01DNON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D21/00Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
    • F01D21/003Arrangements for testing or measuring
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Safety Devices In Control Systems (AREA)
  • Control Of Turbines (AREA)

Abstract

一种基于线性变参数模型的燃气轮机传感器容错控制方法,该方法包括建立燃气轮机的线性变参数模型,对燃气轮机运行状态进行实时仿真;根据测量值与线性变参数模型输出之间的偏差确定传感器的故障增益并判断传感器是否故障;对故障传感器进行隔离与重构。本发明当燃气轮机传感器出现故障或故障趋势时,通过线性变参数参考模型对故障传感器进行隔离与参数重构,保证燃机正常完成控制任务,不出现跳机等紧急处理措施而影响燃机正常运行和使用寿命,保证燃机控制系统的性能和可靠性,降低维修成本。

Description

基于线性变参数模型的燃气轮机传感器容错控制方法
技术领域
本发明属于燃气轮机传感器控制领域,具体涉及一种基于线性变参数模型的燃气轮机传感器容错控制方法。
背景技术
传感器测量值作为燃气轮机控制系统输入参数,是控制系统做出加减燃料量、可调静子叶片动作、各类阀组动作的重要依据,是燃机控制系统实现控制功能必不可少的元件。当传感器发生故障时,燃机控制系统可能会根据故障的传感器指令做出错误的判断,很容易造成灾难性的后果,因此燃机上数量众多的传感器的状态判断和故障时信号重构技术显得尤为重要。燃气轮机传感器故障的实时诊断和隔离重构技术也是提高燃机的数字控制系统可靠性的关键。
燃气轮机传感器故障监测与隔离模块在保证控制系统的性能和可靠性,降低维修成本方面起到越来越重要的作用。为了解决传感器的故障问题,保证燃气轮机的正常运行,现有技术一般是采用硬件冗余的方法。硬件冗余是指利用多个传感器同时测量同一个物理量,当其中的一个传感器发生故障时,用剩余的传感器替换有故障的传感器。这种方法行之有效但会导致系统重量和成本增加,系统复杂性和维护工作量增加,有时由于结构限制也会导致硬件冗余无法实现。
发明内容
有鉴于此,本发明的主要目的之一在于提出一种基于线性变参数模型的燃气轮机传感器容错控制方法,以期至少部分地解决上述技术问题中的至少之一。
为了实现上述目的,本发明提供了一种基于线性变参数模型的燃气轮机传感器容错控制方法,包括:
建立燃气轮机的线性变参数模型,对燃气轮机运行状态进行实时仿真;
根据测量值与线性变参数模型输出之间的偏差确定传感器的故障增益并判断传感器是否故障;
对故障传感器进行隔离与重构。
基于上述技术方案可知,本发明的基于线性变参数模型的燃气轮机传感器容错控制方法相对于现有技术至少具有以下优势之一:
1、采用线性变参数模型作为参考模型并采用转子转速的欧式范数作为调度参数,简化了运算过程同时可获得理想的模型精度;
2、保证传感器良好时正常参与控制系统工作,当传感器出现故障趋势时,传感器测量值的权重逐渐降低直至传感器完全故障时故障传感器参数完全被参考模型相应参数取代;
3、通过故障增益对传感器故障状况进行隔离与重构,有别于现有的技术,可以保证传感器反馈值的准确性,避免控制系统的紧急命令对燃机运行及使用寿命的影响;
4、本发明当燃气轮机传感器出现故障或故障趋势时,通过线性变参数参考模型对故障传感器进行隔离与参数重构,保证燃机正常完成控制任务,不出现跳机等紧急处理措施而影响燃机正常运行和使用寿命,保证燃机控制系统的性能和可靠性,降低维修成本。
附图说明
图1为本发明实施例的基于线性变参数模型的燃气轮机传感器容错控制方法的流程图;
图2为本发明实施例中线性变参数模型与燃机非线性模型各参数相对误差随时间变化的对比图;
图3为本发明实施例中故障增益变化曲线图;
图4为本发明实施例中传感器故障判断与隔离重构变化曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
本发明的基于燃气轮机线性变参数模型的传感器容错控制方法,该方法不需改变硬件结构,以经过精度验证的燃气轮机线性变参数模型相应参数的计算值作为传感器参数的参考,当二者偏差过大时则可判断传感器故障或有故障趋势的发生,此时采用参考模型输出对故障传感器进行隔离与重构,保证燃机完成控制任务,防止危险状况的发生。
本发明公开了一种燃气轮机传感器容错控制方法,包括:
建立燃气轮机的线性变参数模型,对燃气轮机运行状态进行实时仿真;
根据测量值与线性变参数模型输出之间的偏差确定传感器的故障增益并判断传感器是否故障;
对故障传感器进行隔离与重构。
其中,所述线性变参数模型以燃气轮机双转子转速的欧式范数作为调度参数。
其中,所述线性变参数模型建立的方法包括采用雅可比方法。
其中,对所述燃机运行状态进行实时仿真是通过对燃气轮机和与其对应的线性变参数模型给定相同的环境条件及燃料输入实现的。
其中,所述线性变参数模型的状态方程为:
Figure BDA0002244447700000031
y(t)=C(ρ(t))x(t)+D(ρ(t))u(t);
其中,A、B、C、D均为状态空间矩阵,t为时间,x为燃气轮机的状态参数,y为燃气轮机的输出参数,u为燃料流量,ρ为线性变参数模型的调度参数,ρ=E(n1,n2),E为欧几里得范数,n1为燃气发生器低压转子转速,n2为燃气发生器高压转子转速。
其中,所述故障增益p为:
Figure BDA0002244447700000032
其中,ye为传感器测量值与参考模型输出之间的偏差,Fi为报警阈值,Fd为故障阈值。
其中,当p=0时,传感器无故障,传感器输出参数有效,此时将传感器输出值反馈至燃机控制系统。
其中,当0<p<1时,传感器存在故障趋势,对传感器进行隔离,此时采用传感器测定值与线性变参数模型计算值的加权所得作为控制系统反馈输入;
其中,当p=1时,传感器发生故障,采用线性变参数模型计算值作为反馈值送回控制系统,同时发出传感器故障报警信号。
其中,当p=1时,对所述故障传感器重构;
所述故障传感器的重构值y为:
y=ym*p+yt*(1-p),
其中,ym为线性变参数参考模型输出值,yt为传感器测量值。
在一个示例性实施例中,本发明的基于线性变参数模型的燃气轮机传感器容错控制方法,提供了一种基于燃气轮机线性变参数模型与信号隔离重构技术的传感器容错控制策略。该方法包括:保证燃气轮机与相应的线性变参数模型在相同工况和相同控制器给定的燃料量条件下运行,通过燃机(即燃气轮机)传感器测定值与参考线性变参数模型输出值之间的偏差进行阈值判断确定燃机传感器运行状态;当传感器测定值与线性变参数模型的偏差超过阈值时启用传感器故障隔离重构逻辑同时向控制系统发出报警信号以保证传感器参数可用性,防止出现紧急停机等激进保护措施。
在另一个示例性实施例中,本发明的基于线性变参数模型与故障隔离重构的燃气轮机传感器容错控制方法,包括以下步骤:
以转速的欧式范数为调度参数建立燃气轮机线性变参数模型,对实际燃机运行状态进行实时仿真。
根据线性变参数参考模型对应参数输出对传感器进行故障阈值判断。
根据传感器运行状态对故障传感器进行隔离与重构。
其中,以燃气轮机双转子转速的欧式范数作为调度参数。
其中,采用雅可比方法建立燃机的线性变参数参考模型。
其中,将传感器测量值与燃机的线性变参数模型输出之间的偏差记为故障增益p,p的取值与故障阈值间的关系定义如下,其中ye为传感器测量值与参考模型输出之间的偏差,Fi为报警阈值,Fd为故障阈值,报警阈值与故障阈值根据传感器类型及具体测量信号确定;
Figure BDA0002244447700000051
其中,对燃气轮机和与其对应的线性变参数模型给定相同的环境条件及燃料输入,此时燃机线性变参数模型便可实时反映燃机的运行状态。
其中,根据传感器类型设定相应报警阈值与故障阈值。
其中,根据故障增益p确定传感器隔离重构后的输出参数y:
y=ym*p+yt*(1-p)
当燃机的传感器测定值yt与线性变参数模型对应参数的输出值ym之间的偏差ye小于报警阈值Fi时,传感器输出参数有效,此时将传感器输出值反馈至燃机控制系统;
当ye处于报警阈值Fi与故障阈值Fd之间时,则传感器测定值可能出现故障或存在故障趋势,此时采用传感器测定值与模型计算值的加权所得作为控制系统反馈输入;
当ye大于故障阈值Fd时,此时传感器出现故障,为保证燃机正常运行,此时采用模型计算值作为反馈值送回控制系统,同时发出传感器故障报警信号。
在又一个示例性实施例中,本发明的基于线性变参数模型的燃气轮机传感器容错控制方法,包括以下步骤:
1)建立燃气轮机线性变参数模型,对燃机运行状态进行实时仿真。
采用雅可比方法建立燃机线性变参数模型,选取双转子转速的欧式范数作为调度参数,建立燃气轮机的实时仿真模型。
2)根据线性变参数模型对传感器进行故障阈值判断。
对燃机和与其对应的线性变参数模型给定相同的环境条件及燃料输入,此时燃机线性变参数模型便可实时反映燃机的运行状态,根据传感器类型设定相应报警阈值与故障阈值。
3)对故障传感器进行隔离与重构。
当燃机的传感器测定值yt与线性变参数模型对应参数的输出值ym之间的偏差ye小于报警阈值Fi时,传感器输出参数有效,此时将传感器输出值反馈至燃机控制系统;
当ye处于报警阈值Fi与故障阈值Fd之间时,则传感器测定值可能出现故障或存在故障趋势,此时采用传感器测定值与模型计算值的加权所得作为控制系统反馈输入;
当ye大于故障阈值Fd时,此时传感器出现故障,为保证燃机正常运行,此时采用模型计算值作为反馈值送回控制系统,同时发出传感器故障报警信号。
该方法具体的包括以下步骤:
a)以转子转速的欧式范数作为调度参数,采用雅可比方法建立燃机的实时仿真模型,线性变参数模型的状态方程如下,其中:状态参数x选取燃气轮机转子转速n1(燃气发生器低压转子转速)和n2(燃气发生器高压转子转速),输入参数u为燃料流量,输出参数y为燃机各主要截面的温度、压力,ρ为线性变参数模型的调度参数。
Figure BDA0002244447700000061
y(t)=C(ρ(t))x(t)+D(ρ(t))u(t),
其中,ρ=E(n1,n2),E表示欧几里得范数。
b)将传感器测量值与燃机模型输出之间的差异记为故障增益p,p的取值与故障与之间的关系定义如下:
Figure BDA0002244447700000062
即当p=0时传感器无故障;当0<p<1时传感器存在故障趋势;当p=1时传感器发生故障。
c)根据p的值构造故障传感器测量输出的重构值y,保证传感器良好时正常参与控制系统工作,当传感器出现故障趋势时,传感器测量值的权重逐渐降低直至传感器完全故障时故障传感器参数完全被参考模型相应参数取代:
y=ym*p+yt*(1-p),
其中,ym为线性变参数参考模型计算值,yt为传感器测量值。
以下通过具体实施例结合附图对本发明的技术方案做进一步阐述说明。需要注意的是,下述的具体实施例仅是作为举例说明,本发明的保护范围并不限于此。
本实施例的基于线性变参数模型的燃气轮机传感器容错控制方法,包括以下步骤:
参照某型燃气轮机仿真模型,其具体实施方法如图1所示,包括以下步骤:
a)首先采用雅可比方法,以高低压转子转速的欧式范数作为调度参数,建立燃气轮机的线性变参数模型,作为燃机参考模型,参考模型的输出参数记为ym,参考模型与燃机的各主要参数相对误差<1%。本实施例中以高精度非线性模型代表实际燃机运行状态,线性变参数参考模型与高精度非线性模型的主要参数相对误差如图2所示,其中,曲线T3是高压压气机出口温度的相对误差随时间变化的曲线图,P3是高压压气机出口压力的相对误差随时间变化的曲线图,T4是燃烧室出口温度的相对误差随时间变化的曲线图,T5是低压涡轮出口温度的相对误差随时间变化的曲线图,P5是低压涡轮出口压力的相对误差随时间变化的曲线图,N1是低压转子转速,N2是高压转子转速。线性变参数模型的描述形式如下式:
Figure BDA0002244447700000071
y(t)=C(ρ(t))x(t)+D(ρ(t))u(t);
其中,状态空间矩阵给定为:
Figure BDA0002244447700000081
Figure BDA0002244447700000082
Figure BDA0002244447700000083
Figure BDA0002244447700000084
其中,A0、Ai,B0、Bi,C0、Ci,D0、Di为系数矩阵。
b)以线性变参数模型为参考模型,考虑低压转子转速传感器发生恒速漂移故障情形下,仿真分析容错控制策略的控制效果。传感器发生恒速漂移故障是指传感器按一定的速率偏离未发生故障时的真实值,通过以下公式进行模拟,其中y指无故障情况下传感器测量值,yt指故障注入后的传感器输出值,t0为故障开始时间;k为漂移故障斜率;
Figure BDA0002244447700000085
在实施例中,对低压转子转速传感器在t0=50s开始施加k=20r/s的恒速漂移故障。则传感器测定值与参考模型之间的偏差ye=|yt-ym|。
c)取传感器报警阈值Fi=200r/min,故障阈值Fd=500r/min。下一步根据燃气轮机传感器输出参数与线性变参数模型输出的偏差与报警阈值及故障阈值对比,获得故障增益系数p。实施例中故障增益变化曲线如图3所示。
Figure BDA0002244447700000086
d)根据p的值构造故障传感器测量输出的重构值y:
y=ym*p+yt*(1-p)
e)通过图4的仿真结果可以看出当低压转子转速传感器发生如图4传感器输出曲线所示恒速漂移故障的情况下所设计的传感器容错控制策略实现了低压转子转速传感器故障的隔离与重构,保证了燃机工作状态的平稳。
在t=50s时低压转子转速传感器的测量值逐渐以一个恒定的斜率偏离正常值,在传感器发生故障的初始时间内,传感器测量值仍是决定控制器输出的主要因素,因此传感器测量值偏大导致控制器错误发出减少供油量以降低燃机转速的指令,燃机与参考模型输入燃料量均减小,线性变参数模型输出参考值也相应减小。当故障继续发展,测量值与参考值的偏差将超过报警阈值Fi,但还未达到故障阈值Fd,表明故障不足以影响系统的正常运行但相应传感器需要进行故障隔离,所以50s到60s之间,传感器的重构值暂时跟随故障传感器的测量值;随着时间的推移,故障会逐渐增加并最终超过故障阈值,因此在60s到75s之间传感器重构值逐渐向线性变参数参考模型输出值过渡并在75s之后完全由线性变参数参考模型输出值取代燃机故障传感器输出值。
由图4可以看出从第50s传感器发生故障到故障完全被隔离的过程中由于传感器故障导致控制器发出误判指令,低压转子转速的波动范围为±4rpm,可见容错控制系统很好地隔离了故障传感器并对故障传感器输出参数进行重构,保证了燃机控制系统的平稳运行。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (9)

1.一种燃气轮机传感器容错控制方法,包括:
建立燃气轮机的线性变参数模型,对燃气轮机运行状态进行实时仿真;
根据测量值与线性变参数模型输出之间的偏差确定传感器的故障增益并判断传感器是否故障;
对故障传感器进行隔离与重构;
其中,所述故障增益为:
Figure FDA0003606034820000011
其中,p为所述故障增益,ye为传感器测量值与参考模型输出之间的偏差,Fi为报警阈值,Fd为故障阈值。
2.根据权利要求1所述的容错控制方法,其特征在于,
所述线性变参数模型以燃气轮机双转子转速的欧式范数作为调度参数。
3.根据权利要求1所述的容错控制方法,其特征在于,
所述线性变参数模型建立的方法包括采用雅可比方法。
4.根据权利要求1所述的容错控制方法,其特征在于,
对燃机运行状态进行实时仿真是通过对燃气轮机和与其对应的线性变参数模型给定相同的环境条件及燃料输入实现的。
5.根据权利要求1所述的容错控制方法,其特征在于,
所述线性变参数模型的状态方程为:
Figure FDA0003606034820000012
y(t)=C(ρ(t))x(t)+D(ρ(t))u(t);
其中,A、B、C、D均为状态空间矩阵,t为时间,x为燃气轮机的状态参数,y为燃气轮机的输出参数,u为燃料流量,ρ为线性变参数模型的调度参数,ρ=E(n1,n2),E为欧几里得范数,n1为燃气发生器低压转子转速,n2为燃气发生器高压转子转速。
6.根据权利要求5所述的容错控制方法,其特征在于,
当p=0时,传感器无故障,传感器输出参数有效,此时将传感器输出值反馈至燃机控制系统。
7.根据权利要求5所述的容错控制方法,其特征在于,
当0<p<1时,传感器存在故障趋势,对传感器进行隔离,此时采用传感器测定值与线性变参数模型计算值的加权所得作为控制系统反馈输入。
8.根据权利要求5所述的容错控制方法,其特征在于,
当p=1时,传感器发生故障,采用线性变参数模型计算值作为反馈值送回控制系统,同时发出传感器故障报警信号。
9.根据权利要求5所述的容错控制方法,其特征在于,
当p=1时,对所述故障传感器重构;
所述故障传感器的重构值y为:
y=ym*p+yt*(1-p),
其中,ym为线性变参数参考模型输出值,yt为传感器测量值。
CN201911015893.6A 2019-10-23 2019-10-23 基于线性变参数模型的燃气轮机传感器容错控制方法 Active CN110609479B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911015893.6A CN110609479B (zh) 2019-10-23 2019-10-23 基于线性变参数模型的燃气轮机传感器容错控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911015893.6A CN110609479B (zh) 2019-10-23 2019-10-23 基于线性变参数模型的燃气轮机传感器容错控制方法

Publications (2)

Publication Number Publication Date
CN110609479A CN110609479A (zh) 2019-12-24
CN110609479B true CN110609479B (zh) 2022-08-26

Family

ID=68895046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911015893.6A Active CN110609479B (zh) 2019-10-23 2019-10-23 基于线性变参数模型的燃气轮机传感器容错控制方法

Country Status (1)

Country Link
CN (1) CN110609479B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113719358B (zh) * 2021-09-06 2022-12-30 上海发电设备成套设计研究院有限责任公司 一种重型燃气轮机控制方法、装置、设备及存储介质
CN114253183B (zh) * 2021-11-25 2024-09-13 沈鼓集团股份有限公司 压缩机监控数据的处理方法以及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109976311A (zh) * 2019-04-03 2019-07-05 中国计量大学 一阶定值控制系统传感器故障诊断方法及诊断系统
CN110118128A (zh) * 2019-05-28 2019-08-13 南京航空航天大学 微型燃气轮机传感器故障诊断和容错控制方法
CN110187696A (zh) * 2019-05-16 2019-08-30 中国计量大学 基于动态趋势的一阶随动系统传感器故障诊断方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109976311A (zh) * 2019-04-03 2019-07-05 中国计量大学 一阶定值控制系统传感器故障诊断方法及诊断系统
CN110187696A (zh) * 2019-05-16 2019-08-30 中国计量大学 基于动态趋势的一阶随动系统传感器故障诊断方法及系统
CN110118128A (zh) * 2019-05-28 2019-08-13 南京航空航天大学 微型燃气轮机传感器故障诊断和容错控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
燃气轮机控制系统传感器故障诊断与信号重构方法研究;徐含灵;《中国优秀硕士论文全文数据库(电子期刊)工程科技II辑2019年》;20190815(第8期);第C039-77页 *

Also Published As

Publication number Publication date
CN110609479A (zh) 2019-12-24

Similar Documents

Publication Publication Date Title
CN110118128B (zh) 微型燃气轮机传感器故障诊断和容错控制方法
CN113036186B (zh) 一种燃料电池系统及其氢系统瓶阀故障检测方法、装置
US7062370B2 (en) Model-based detection, diagnosis of turbine engine faults
CA2354944C (en) Sensor fault detection, isolation and accomodation
CN106055770A (zh) 一种基于滑模理论的航空发动机气路故障诊断方法
CN110609479B (zh) 基于线性变参数模型的燃气轮机传感器容错控制方法
EP1418481A1 (en) Method for performing gas turbine performance diagnostics
CN107103167B (zh) 针对甩负荷工况的deh调速功能诊断方法及系统
EP3458697A1 (en) Controlling a gas turbine considering a sensor failure
CN105867360B (zh) 一种机电控制系统的初值预估迭代学习故障诊断算法
Yang et al. Multiple model-based detection and estimation scheme for gas turbine sensor and gas path fault simultaneous diagnosis
Loboda Gas turbine condition monitoring and diagnostics
CN114282570A (zh) 一种航空发动机传感器故障容错方法及其容错系统
CN114335619B (zh) 燃料电池进气流量传感器故障监测处理方法及系统、车辆
Xiao et al. Adaptive observer based fault tolerant control for aircraft engine with sensors and actuators faults
CN104698833B (zh) 冗余控制方法和系统
Pinelli et al. Gas turbine health state determination: methodology approach and field application
Addel-Geliel et al. Application of model based fault detection for an industrial boiler
CN111060324A (zh) 燃气轮机故障诊断方法及装置
Loboda et al. Diagnostic analysis of maintenance data of a gas turbine for driving an electric generator
Yang et al. An IMM‐GLR Approach for Marine Gas Turbine Gas Path Fault Diagnosis
Zarate et al. Computation and monitoring of the deviations of gas turbine unmeasured parameters
JP4019299B2 (ja) ガスタービンの異常診断方法
Spina Reliability in the determination of gas turbine operating state
Xue et al. Application of Kalman filters for the fault diagnoses of aircraft engine

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