CN112861425A - 结合机理与神经网络的双轴燃气轮机性能状态检测方法 - Google Patents
结合机理与神经网络的双轴燃气轮机性能状态检测方法 Download PDFInfo
- Publication number
- CN112861425A CN112861425A CN202110041569.2A CN202110041569A CN112861425A CN 112861425 A CN112861425 A CN 112861425A CN 202110041569 A CN202110041569 A CN 202110041569A CN 112861425 A CN112861425 A CN 112861425A
- Authority
- CN
- China
- Prior art keywords
- gas turbine
- model
- turbine
- neural network
- simulation
- 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
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 91
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004088 simulation Methods 0.000 claims abstract description 55
- 238000002485 combustion reaction Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 230000036541 health Effects 0.000 claims abstract description 8
- 239000000446 fuel Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 94
- 230000015556 catabolic process Effects 0.000 description 20
- 238000006731 degradation reaction Methods 0.000 description 20
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 14
- 238000005406 washing Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 239000003345 natural gas Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G01M15/04—Testing internal-combustion engines
- G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Combustion & Propulsion (AREA)
- Computational Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种结合机理与神经网络的双轴燃气轮机性能状态检测方法,构建包含压气机、燃烧室、透平模块的压力、温度、流量、效率热力学机理方程的燃气轮机总体性能仿真的机理模型,然后根据现场实际运行数据,通过神经网络对机理模型的关键截面参数进行修正,获得燃气轮机的总体性能仿真混合模型,并以此作为燃气轮机的健康基准模型,结合燃气轮机的实际测量数据,根据燃气轮机基于模型的气路故障诊断方法计算压气机、透平部件的流量G与效率η特征参数变化状态,实现燃气轮机总体性能的状态检测。本发明通过结合反映燃机内部特征与结构本质的机理模型和采用神经网络算法修正机理模型关键截面参数的误差的数据驱动模型,通过误差补偿或修正以及机理与神经网络模型的相互协作,最终构建更为精确的燃气轮机总体性能混合模型,实现对于燃气轮机总体性能更为精确的检测。
Description
技术领域
本发明涉及的是一种双轴燃气轮机控制领域的技术,具体是一种结合机理与神经网络的双轴燃气轮机性能状态检测方法。
背景技术
燃气轮机(Gas Turbine)是以不断流动的工质带动叶轮进行高速的旋转,将燃料的能量转化为输出功的内燃式的动力机械,主要部件是由压气机、燃烧室和透平及各辅助系统等组成。双轴燃气轮机由于负载与压气机的不共轴,降低负载变化对核心机部分的影响程度,适用于系统负载变化范围较大的场景,如天然气长输管网工业上用于机械驱动的燃气轮机。而由于双轴燃气轮机复杂的结构、多变的运行过程以及恶劣的工作环境,很容易引起故障发生,所以需要建立其模型并进行相关仿真来对故障进行诊断。
现如今一般建立的燃机模型是机理模型,该方法利用燃机准确的特性曲线,所以理论上误差范围会很小,但事实上将其运用于机组的热力学参数仿真,由于燃机实际工作特性与建模根据的工作特性不符,所以在相同工况下,模型仿真与实际值也会有明显误差。随着计算机技术和数据驱动理论的快速发展,数据驱动建模方法也开始占据燃机建模的一席之地,它以历史运行数据直接模拟燃机输入与输出的关系,但其趋势不易控制,且会存在过拟合的现象。
所以结合互补的机理模型与数据驱动模型的混合模型,在燃气轮机建模中也逐渐被应用,但大多以数据驱动模型为主体,忽略或弱化机理模型的作用。且数据驱动模型受数据质量的影响很大,必须要机理模型对参数有限制才能保障精度。
发明内容
本发明针对现有技术单纯机理建模的过程繁琐,且准确度依赖部件特性的不足,又解决单纯数据驱动模型缺乏机理表征以及以此为主体的模型外推性差、过拟合等问题,提出一种结合机理与神经网络的双轴燃气轮机性能状态检测方法,通过结合反映燃机内部特征与结构本质的机理模型和采用神经网络算法修正机理模型关键截面参数的误差的数据驱动模型,通过误差补偿或修正以及机理与神经网络模型的相互协作,最终构建更为精确的燃气轮机总体性能混合模型,实现对于燃气轮机总体性能更为精确的检测。
本发明是通过以下技术方案实现的:
本发明涉及一种结合机理与神经网络的双轴燃气轮机性能状态检测方法,构建包含压气机、燃烧室、透平模块的压力、温度、流量、效率热力学机理方程的燃气轮机总体性能仿真的机理模型,然后根据现场实际运行数据,通过神经网络对机理模型的关键截面参数进行修正,获得燃气轮机的总体性能仿真混合模型,并以此作为燃气轮机的健康基准模型,结合燃气轮机的实际测量数据,根据燃气轮机基于模型的气路故障诊断方法计算压气机、透平部件的流量G与效率η特征参数变化状态,实现燃气轮机总体性能的状态检测。
所述的燃气轮机总体性能仿真的机理模型包括:
②压气机与透平轴功平衡以及燃烧过程工质能量平衡关系式为:Pturbine,n=Pcompressor,n,HinGin+GfHf=HoutGout,其中:Pturbine,n为某一轴(n)上的透平功率,Pcompressor,n为同一轴上的压气机消耗功,Hin、Gin为燃烧室空气入口焓和流量,Gf为燃料量,Hf为燃料热值,Hout、Gout为燃烧室燃气出口焓和流量。
以天然气长输管道驱动用双轴燃气轮机为例,所述的关键截面参数Y=(P2,T2,P34,T34,Power,T4),其中:P2、T2为压气机出口压力和温度,P34、T34为高压透平出口压力和温度,Power为动力透平输出功,T4为排气温度。
所述的神经网络,采用但不限于BP神经网络。
所述的通过神经网络对机理模型的关键截面参数进行修正是指:确定神经网络的输入输出接口,计算关键截面参数的实际运行值与机理模型仿真值之间的偏差,构建神经网络模型训练数据集以训练神经网络纠正偏差,具体为:BP神经网络的输入层的七个输入接口分别对应机理模型的七个输入,即u=(n1,n2,P1,T1,Gf,P4,IGV),其中:n1,n2为燃机的转速,P1、T1为压气机进口压力和温度,Gf为燃料量,P4为动力透平排气压力,IGV为压气机进口可转导叶开度;六个输出接口分别对应所述机理模型六个输出参数Ym=(P2,T2,P34,T34,Power,T4)与Y0的偏差值dY,即:dY=Ym-Y0,其中:Y0为所述实际燃机的输出参数值,Ym为所述机理模型的仿真输出值。
所述的训练,令所述神经网络对混合模型输出参数Y的补偿逼近满足:Y=(Ym-dY)→Y0,即通过误差E=Y0-(Ym-dY)调整所述神经网络补偿的方向,当误差E趋近于0时则完成神经网络的训练,由此得到对机理模型的关键截面参数修正的BP神经网络模型。
所述的燃气轮机的总体性能仿真混合模型包括:机理模型的输出和训练后的神经网络的输出的叠加。
所述的燃气轮机的性能状态检测是指:输入实际燃机机组运行过程的转速n1,n2、入口压力温度P1,T1、燃料流量Gf、排气压力P4、进口可转导叶开度IGV等实际测点数据至燃气轮机的总体性能仿真混合模型,得到关键截面参数压气机出口压力温度P2,T2、高压透平出口压力温度P34,T34、动力透平出功与出口温度Power,T4的仿真结果,比较当前工况下混合模型的仿真结果与实际测量的热力学参数偏差,通过气路故障诊断算法获得燃气轮机压气机、透平等关键部件流量G与效率η的故障特征参数状态,从而实现燃气轮机在运行过程中的性能变化的观测,可直接检测燃机在运行过程中的性能变化,判断是否有故障发生,以此指导燃机的维护与检修等。
本发明涉及一种实现上述方法的双轴燃气轮机性能检测系统,包括:双轴燃气轮机实际数据测量单元、混合模型仿真单元、部件特征计算单元以及机组性能状态检测单元,其中:双轴燃气轮机实际数据测量单元实时传递真实双轴燃机的传感器测量数据,输出仿真参数至混合模型仿真单元进行仿真计算、输出燃机关键截面测量参数并与混合模型仿真单元输出的关键截面参数仿真值共同传输到部件特征计算单元,通过气路故障诊断算法计算压气机、透平部件流量和效率的特征参数状态,最后将该状态值传输到机组性能状态检测单元,实现燃气轮机的总体性能状态检测,指导人员对燃机进行适时的维护和检修。
所述的仿真参数包括运行过程转速、入口温度压力、燃料流量、排气压力、进口可转导叶开度。
所述的燃机关键截面测量参数包括:压气机出口温度压力、高压透平出口温度压力、功率、排气温度。
技术效果
本发明整体解决现有技术通常仅以燃机机理模型作为燃机健康基准模型的缺陷与不足。由于燃机的运行特性难以获得,且机理模型适当存在假设与简化,导致在一些运行工况下机理模型的关键截面热力学参数的仿真结果与该燃机的实际健康基准值存在明显误差,严重影响了燃机的总体性能的状态检测结果,其存在着很大的局限性。
与现有技术相比,本发明采用双轴燃气轮机总体性能仿真混合模型作为燃机的健康基准模型,其结合了机理模型与数据驱动模型,利用前者反映燃机内部特征和结构本质,确保模型可信度,利用后者通过神经网络的方式修正机理模型关键截面参数与实际值的偏差,最终构建更为精确的燃气轮机总体性能混合模型。该总体性能仿真混合模型用于状态评估、状态检测以及故障诊断等方面相比纯机理模型的精度更高,有效性会更好,可有效的应用于天然气长输管网工业上的燃气轮机总体性能状态检测。
附图说明
图1为本发明流程图;
图2为燃气轮机机理模型结构图;
图3为BP神经网络示意图;
图4为燃机整体并联补偿混合模型原理图;
图5为机理模型与混合模型截面参数平均相对误差对比图;
图6为燃机性能状态检测系统原理框图;
图7为利用机理模型计算压气机水洗前后压气机流量降级参数结果图;
图8为利用混合模型计算压气机水洗前后压气机流量降级参数结果图。
具体实施方式
如图1所示,为本实施例涉及一种结合机理与神经网络模型的双轴燃气轮机总体性能状态检测方法,包括以下步骤:
步骤S1:基于模块化建模思想,构建燃气轮机总体性能机理仿真模型。
步骤S2:构建燃气轮机混合模型框架,选取机理模型待修正的关键截面参数,具体为:以建立的机理模型为基础,利用神经网络算法直接补偿整机机理模型关键截面参数与实际值的偏差,实现燃气轮机机理模型与神经网络模型的并联。以天然气长输管道驱动用双轴燃气轮机为例,如图2所示,该燃机由压气机、燃烧室、高压透平以及动力透平、负载等主要部件组成,压气机和高压透平通过第一根轴相连,动力透平与负载通过第二根轴相连。根据该燃机的结构以及气路的前进方向可划分为5个截面,分别为压气机入口截面1、燃烧室入口截面,即压气机出口截面2、高压透平入口截面,即燃烧室出口截面3、动力透平入口截面,即高压透平出口截面34以及动力透平出口截面4。
据此,双轴燃气轮机的机理模型计算的边界条件为压气机的进气参数、燃料量、转速、出口压力、进口可转导叶开度,即u=(n1,n2,P1,T1,Gf,P4,IGV),其中n1,n2为燃机的转速,P1、T1为压气机进口压力和温度,Gf为燃料量,P4为动力透平排气压力,IGV为压气机进口可转导叶开度;选择燃机其他关键截面传感器测量参数的修正值作为输出量,这里选择的关键截面参数为Y=(P2,T2,P34,T34,Power,T4),其中P2、T2为压气机出口压力和温度,P34、T34为高压透平出口压力和温度,Power为动力透平输出功,T4为排气温度。上述六个参数均是燃机运行过程中需重点检测的性能参数,通过它们可反映出燃机关键部件的当前工作状态及性能情况。
步骤S3:确定神经网络修正模型输入输出接口,计算上述关键截面参数的实际运行值与机理模型仿真值之间的偏差,构建神经网络模型训练数据集,具体为:基于建立好的燃气轮机混合模型框架,选择非线性映射较好的BP神经网络作为数据驱动模型算法,其基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。
如图3所示,所述的BP神经网络,包括:输入层x、隐藏层h、输出层y,其中:输入输出关系为:其中:uj,i和wk,j分别为不同层之间的神经元权值;b1,j代表隐藏层神经元的阈值;b2,k代表输出层神经元的阈值。
由于在混合模型中,实际燃机、数据驱动模型和燃气轮机机理模型的输出值三者并联,如图4所示。因而所述神经网络模型的输入参数与所述机理模型的输入参数一致,输入层共包含七个接口,分别对应所述机理模型的七个输入,即u=(n1,n2,P1,T1,Gf,P4,IGV);输出层则包含六个接口,分别对应所述机理模型六个输出参数Ym=(P2,T2,P34,T34,Power,T4)与Y0的偏差值dY,即:dY=Ym-Y0,其中:Y0为所述实际燃机的输出参数值,Ym为所述机理模型的仿真输出值。在此基础上,利用实际运行数据与所述机理模型仿真数据构建神经网络模型的训练数据集。
步骤S4:训练神经网络模型,建立关键截面参数的神经网络误差修正模型,具体为:以所述神经网络训练数据集为基础,在训练过程中,令所述神经网络对混合模型输出参数Y的补偿逼近满足:Y=(Ym-dY)→Y0,即通过误差E=Y0-(Ym-dY)调整所述神经网络补偿的方向。当误差E趋近于0时则完成神经网络的训练,由此得到对机理模型的关键截面参数修正的BP神经网络模型。
步骤S5:通过神经网络模型对机理模型关键截面参数进行修正,得到最终的燃气轮机总体性能仿真模型,具体为:以所述机理模型为主体,所述机理模型和所述神经网络模型的叠加为输出,通过结合所述数据驱动模型及所述机理模型,最终建立燃气轮机总体性能混合模型。
对于该双轴燃气轮机的混合模型的仿真精度进行验证,与纯机理模型进行对比,选取其中压气机出口压力P2、压气机出口温度T2、高压透平出口压力P34以及动力透平出口温度T4四个关键截面参数进行与实际燃机运行值的误差对比,如图5所示,从结果可看出,混合建模方法比纯机理建模效果更好,其四个参数的平均相对误差基本在2%以内,特别的两个温度参数的误差则能小于0.5%,而机理模型的误差基本在1%-3%,均大于混合模型的误差,由此可以看出混合模型的仿真结果明显优于纯机理模型。
步骤S6:该仿真模型可用于燃气轮机总体性能状态检测,具体为:以建立的混合模型为健康基准模型,根据燃气轮机基于模型的气路故障诊断方法计算压气机、透平等关键部件的流量G与效率η特征参数变化状态,实现燃气轮机总体性能的状态检测与状态评估,如图6所示。
由于其准确度高的特点,所述仿真模型可用于工业领域燃机性能检测,例如天然气长输管道驱动用燃气轮机等,将所述混合模型输入参数的实时或历史传感器数据导入到所述模型中进行仿真,输入参数包括燃机机组转速、入口温度压力、燃料流量、排气压力、进口可转导叶开度(n1,n2,P1,T1,Gf,P4,IGV)等,得到关键截面参数(P2,T2,P34,T34,Power,T4)的仿真值,比较所述关键截面参数实际运行与仿真结果之间的差异,通过气路故障诊断算法获得压气机、透平流量G和效率η的故障特征参数状态,可直接检测燃机在运行过程中的性能变化,判断是否有故障发生,以此指导燃机的维护与检修等。
以天然气长输管道驱动用双轴燃气轮机为实际应用测试对象,选取该机组运行过程的2个运行工况点,输出的功率分别为6366.9KW和7630.4KW,分别测试基于混合模型以及基于机理模型在这2个运行工况点的检测效果。首先以传统的机理模型为健康基准模型,将燃机实际数据测量单元中的(n1,n2,P1,T1,Gf,P4,IGV)七个参数传输到机理模型仿真单元中进行仿真计算,输出(P2,T2,P34,T34,Power,T4)等关键截面参数的仿真计算值,并与实际数据测量单元来的关键截面参数实际测量值一起传输到部件特征计算单元。然后,将模型仿真单元中的机理模型替换为混合模型,得到基于混合模型的部件流量降级特征参数计算结果。基于两种模型的监测结果如表1所示,表中DGC为压气机流量降级,DGT为高压透平流量降级,DGP为动力透平流量降级。
表1部件流量降级特征参数计算结果
计算结果表明基于燃气轮机纯机理模型的诊断方法得到的流量降级数值明显异常,流量降级最高达到17.7%,实际经过燃机的检查,并未发现明显的故障现象,仅为压气机进气道有积灰。而基于混合模型的诊断结果表明降级趋势更加平稳,且降级数值更加贴近于积灰造成的影响。若以混合模型为基础的性能检测方法来判断,燃机在这段时间内的运行状态变化比较小,可以一定程度认为燃机状况是比较正常的。因而相比起纯机理模型,混合模型对于燃气轮机性能状态检测的精度和有效性都要高。
此外,选取该天然气长输管道驱动用双轴燃气轮机的压气机水洗前后一段运行数据,同样分别对比基于纯机理模型和基于混合模型的总体性能状态检测方法,分析压气机的流量降级特征参数的变化状态。基于纯机理模型的监测结果如图7所示,基于混合模型的监测结果如图8所示。
如图7所示,水洗结束后,压气机的流量降级维持在2%-4%之间,且继续运行后发现降级又有明显的上升,流量降级增加到4%-6%之间,考虑到燃机水洗结束后的短时间内,并未出现故障,而基于纯机理模型的状态检测系统诊断出的压气机流量特征参数出现突增异常,因而机理模型的准确性和可靠性存在问题。
如图8所示,混合模型首先同样验证了水洗之后燃机性能会提高的情况。此外,水洗前压气机流量降级约为4.5%-5.4%,完成水洗后,降级约为1.5%-2.5%,且较为稳定,符合水洗之后流量降级较水洗前有明显的降低,且水洗后降级数值应当处于较低水平,短时间内不应存在较大变化趋势的实际情况。因而可验证混合模型对燃机性能检测效果要优于纯机理模型的检测效果。
综上,本方法使用的模型结合了机理模型与数据驱动模型。前者能够反映燃机内部特征与结构本质,确保整体可信性,后者采用神经网络算法修正机理模型关键截面参数的误差,通过误差补偿或修正,通过机理与神经网络模型的相互协作,最终构建更为精确的燃气轮机总体性能混合模型。既解决传统机理建模的过程繁琐,且在准确度依赖部件工作性质的不足,又解决单纯使用数据驱动模型缺乏机理来表征以及以此为主体的模型外推性差,存在过拟合等问题,在仿真精度方面,混合模型关键截面参数的输出值与实际值的误差更小,能控制在2%以内,部分参数的误差能在0.5%以下。在燃气轮机总体性能状态检测方面,基于混合模型的检测结果相比基于纯机理模型的检测结果更为精确可靠合理,基于混合模型的双轴燃气轮机更加适用于实际工业生产应用中的总体性能状态检测。
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)
1.一种结合机理与神经网络的双轴燃气轮机性能状态检测方法,其特征在于,构建包含压气机、燃烧室、透平模块的压力、温度、流量、效率热力学机理方程的燃气轮机总体性能仿真的机理模型,然后根据现场实际运行数据,通过神经网络对机理模型的关键截面参数进行修正,获得燃气轮机的总体性能仿真混合模型,并以此作为燃气轮机的健康基准模型,结合燃气轮机的实际测量数据,根据燃气轮机基于模型的气路故障诊断方法计算压气机、透平部件的流量G与效率η特征参数变化状态,实现燃气轮机总体性能的状态检测;
所述的燃气轮机总体性能仿真的机理模型包括:
②压气机与透平轴功平衡以及燃烧过程工质能量平衡关系式为:Pturbine,n=Pcompressor,n,HinGin+GfHf=HoutGout,其中:Pturbine,n为某一轴(n)上的透平功率,Pcompressor,n为同一轴上的压气机消耗功,Hin、Gin为燃烧室空气入口焓和流量,Gf为燃料量,Hf为燃料热值,Hout、Gout为燃烧室燃气出口焓和流量。
2.根据权利要求1所述的结合机理与神经网络的双轴燃气轮机性能状态检测方法,其特征是,所述的关键截面参数Y=(P2,T2,P34,T34,Power,T4),其中:P2、T2为压气机出口压力和温度,P34、T34为高压透平出口压力和温度,Power为动力透平输出功,T4为排气温度。
3.根据权利要求1所述的结合机理与神经网络的双轴燃气轮机性能状态检测方法,其特征是,所述的通过神经网络对机理模型的关键截面参数进行修正是指:确定神经网络的输入输出接口,计算关键截面参数的实际运行值与机理模型仿真值之间的偏差,构建神经网络模型训练数据集以训练神经网络纠正偏差,具体为:BP神经网络的输入层的七个输入接口分别对应机理模型的七个输入,即u=(n1,n2,P1,T1,Gf,P4,IGV),其中:n1,n2为燃机的转速,P1、T1为压气机进口压力和温度,Gf为燃料量,P4为动力透平排气压力,IGV为压气机进口可转导叶开度;六个输出接口分别对应所述机理模型六个输出参数Ym=(P2,T2,P34,T34,Power,T4)与Y0的偏差值dY,即:dY=Ym-Y0,其中:Y0为所述实际燃机的输出参数值,Ym为所述机理模型的仿真输出值。
4.根据权利要求1所述的结合机理与神经网络的双轴燃气轮机性能状态检测方法,其特征是,所述的训练,令所述神经网络对混合模型输出参数Y的补偿逼近满足:Y=(Ym-dY)→Y0,即通过误差E=Y0-(Ym-dY)调整所述神经网络补偿的方向,当误差E趋近于0时则完成神经网络的训练,由此得到对机理模型的关键截面参数修正的BP神经网络模型。
5.根据权利要求1所述的结合机理与神经网络的双轴燃气轮机性能状态检测方法,其特征是,所述的燃气轮机的总体性能仿真混合模型包括:机理模型的输出和训练后的神经网络的输出的叠加。
6.根据权利要求1所述的结合机理与神经网络的双轴燃气轮机性能状态检测方法,其特征是,所述的燃气轮机的性能状态检测是指:输入实际燃机机组运行过程的转速n1,n2、入口压力温度P1,T1、燃料流量Gf、排气压力P4、进口可转导叶开度IGV实际测点数据至燃气轮机的总体性能仿真混合模型,得到关键截面参数压气机出口压力温度P2,T2、高压透平出口压力温度P34,T34、动力透平出功与出口温度Power,T4的仿真结果,比较当前工况下混合模型的仿真结果与实际测量的热力学参数偏差,通过气路故障诊断算法获得燃气轮机压气机、透平关键部件流量G与效率η的故障特征参数状态,从而实现燃气轮机在运行过程中的性能变化的观测,可直接检测燃机在运行过程中的性能变化,判断是否有故障发生,以此指导燃机的维护与检修。
7.一种实现上述任一权利要求所述方法的双轴燃气轮机性能检测系统,其特征在于,包括:双轴燃气轮机实际数据测量单元、混合模型仿真单元、部件特征计算单元以及机组性能状态检测单元,其中:双轴燃气轮机实际数据测量单元实时传递真实双轴燃机的传感器测量数据,输出仿真参数至混合模型仿真单元进行仿真计算、输出燃机关键截面测量参数并与混合模型仿真单元输出的关键截面参数仿真值共同传输到部件特征计算单元,通过气路故障诊断算法计算压气机、透平部件流量和效率的特征参数状态,最后将该状态值传输到机组性能状态检测单元,实现燃气轮机的总体性能状态检测,指导人员对燃机进行适时的维护和检修;
所述的仿真参数包括运行过程转速、入口温度压力、燃料流量、排气压力、进口可转导叶开度;
所述的燃机关键截面测量参数包括:压气机出口温度压力、高压透平出口温度压力、功率、排气温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041569.2A CN112861425A (zh) | 2021-01-13 | 2021-01-13 | 结合机理与神经网络的双轴燃气轮机性能状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110041569.2A CN112861425A (zh) | 2021-01-13 | 2021-01-13 | 结合机理与神经网络的双轴燃气轮机性能状态检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112861425A true CN112861425A (zh) | 2021-05-28 |
Family
ID=76003333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110041569.2A Pending CN112861425A (zh) | 2021-01-13 | 2021-01-13 | 结合机理与神经网络的双轴燃气轮机性能状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861425A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255238A (zh) * | 2021-07-07 | 2021-08-13 | 南昌伐典热电科技有限责任公司 | 一种基于混合神经网络的燃气利用率预测方法和系统 |
CN113761803A (zh) * | 2021-09-13 | 2021-12-07 | 中国科学院工程热物理研究所 | 燃气轮机的补偿模型的训练方法及使用 |
CN114893305A (zh) * | 2022-05-20 | 2022-08-12 | 华电电力科学研究院有限公司 | 一种燃气机组的控制方法和系统 |
CN115291509A (zh) * | 2022-06-24 | 2022-11-04 | 东南大学溧阳研究院 | 基于混合深度学习模型的燃气轮机动态参数在线辨识方法 |
WO2023044907A1 (en) * | 2021-09-27 | 2023-03-30 | Siemens Aktiengesellschaft | Method and device for monitoring equipment health and computer readable storage medium |
CN116933693A (zh) * | 2023-09-12 | 2023-10-24 | 华能南京燃机发电有限公司 | 燃气轮机性能检测方法及装置 |
CN117740384A (zh) * | 2024-02-07 | 2024-03-22 | 中国航发四川燃气涡轮研究院 | 一种燃烧性能敏感性评估方法及装置 |
CN118013892A (zh) * | 2024-04-07 | 2024-05-10 | 杭州汽轮动力集团股份有限公司 | 一种基于多物理场的燃气轮机状态实时监控方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110247406A1 (en) * | 2008-03-28 | 2011-10-13 | Rolf Grosse-Laxzen | Method for determining the suction mass flow of a gas turbine |
CN105912878A (zh) * | 2016-05-26 | 2016-08-31 | 哈尔滨工程大学 | 基于热力模型与粒子群优化算法相结合的燃气轮机自适应气路部件性能诊断方法 |
CN106015951A (zh) * | 2016-07-07 | 2016-10-12 | 北京信息科技大学 | 一种适应多种状态变化的输气管道泄漏检测系统及方法 |
US20180024248A1 (en) * | 2016-07-20 | 2018-01-25 | Honeywell International Inc. | Systems and methods for nequick modeling using neural networks |
CN109800449A (zh) * | 2018-12-10 | 2019-05-24 | 南京航空航天大学 | 一种基于神经网络的航空发动机压缩部件特性修正方法 |
-
2021
- 2021-01-13 CN CN202110041569.2A patent/CN112861425A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110247406A1 (en) * | 2008-03-28 | 2011-10-13 | Rolf Grosse-Laxzen | Method for determining the suction mass flow of a gas turbine |
CN105912878A (zh) * | 2016-05-26 | 2016-08-31 | 哈尔滨工程大学 | 基于热力模型与粒子群优化算法相结合的燃气轮机自适应气路部件性能诊断方法 |
CN106015951A (zh) * | 2016-07-07 | 2016-10-12 | 北京信息科技大学 | 一种适应多种状态变化的输气管道泄漏检测系统及方法 |
US20180024248A1 (en) * | 2016-07-20 | 2018-01-25 | Honeywell International Inc. | Systems and methods for nequick modeling using neural networks |
CN109800449A (zh) * | 2018-12-10 | 2019-05-24 | 南京航空航天大学 | 一种基于神经网络的航空发动机压缩部件特性修正方法 |
Non-Patent Citations (2)
Title |
---|
卫琛喻: "湿空气透平循环性能仿真与试验研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
李景轩: "燃气轮机混合建模方法及在气路故障诊断中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255238A (zh) * | 2021-07-07 | 2021-08-13 | 南昌伐典热电科技有限责任公司 | 一种基于混合神经网络的燃气利用率预测方法和系统 |
CN113761803A (zh) * | 2021-09-13 | 2021-12-07 | 中国科学院工程热物理研究所 | 燃气轮机的补偿模型的训练方法及使用 |
WO2023044907A1 (en) * | 2021-09-27 | 2023-03-30 | Siemens Aktiengesellschaft | Method and device for monitoring equipment health and computer readable storage medium |
CN114893305A (zh) * | 2022-05-20 | 2022-08-12 | 华电电力科学研究院有限公司 | 一种燃气机组的控制方法和系统 |
CN114893305B (zh) * | 2022-05-20 | 2023-05-12 | 华电电力科学研究院有限公司 | 一种燃气机组的控制方法和系统 |
CN115291509A (zh) * | 2022-06-24 | 2022-11-04 | 东南大学溧阳研究院 | 基于混合深度学习模型的燃气轮机动态参数在线辨识方法 |
CN116933693A (zh) * | 2023-09-12 | 2023-10-24 | 华能南京燃机发电有限公司 | 燃气轮机性能检测方法及装置 |
CN116933693B (zh) * | 2023-09-12 | 2024-02-09 | 华能南京燃机发电有限公司 | 燃气轮机性能检测方法及装置 |
CN117740384A (zh) * | 2024-02-07 | 2024-03-22 | 中国航发四川燃气涡轮研究院 | 一种燃烧性能敏感性评估方法及装置 |
CN117740384B (zh) * | 2024-02-07 | 2024-04-16 | 中国航发四川燃气涡轮研究院 | 一种燃烧性能敏感性评估方法及装置 |
CN118013892A (zh) * | 2024-04-07 | 2024-05-10 | 杭州汽轮动力集团股份有限公司 | 一种基于多物理场的燃气轮机状态实时监控方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861425A (zh) | 结合机理与神经网络的双轴燃气轮机性能状态检测方法 | |
CN106874569B (zh) | 一种变几何分轴式燃气轮机实时仿真建模方法 | |
CN109779894A (zh) | 一种基于神经网络算法的往复式压缩机故障诊断系统及方法 | |
CN107103167B (zh) | 针对甩负荷工况的deh调速功能诊断方法及系统 | |
CN105911975A (zh) | 一种航空发动机气路故障融合诊断方法 | |
CN108062428B (zh) | 一种涡扇发动机在线部件故障诊断方法及系统 | |
Kim et al. | Diagnostics using a physics-based engine model in aero gas turbine engine verification tests | |
CN106021757A (zh) | 基于灰色关联理论与热力模型相结合的混合型燃气轮机气路部件自适应性能诊断方法 | |
CN109885023B (zh) | 一种燃气轮机控制系统半物理仿真试验系统 | |
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 | |
CN105912878A (zh) | 基于热力模型与粒子群优化算法相结合的燃气轮机自适应气路部件性能诊断方法 | |
CN115618592A (zh) | 一种电厂燃气轮机气路故障诊断方法、系统、设备及终端 | |
CN109543279A (zh) | 一种基于动态模型的燃气轮机气路故障诊断方法 | |
CN113283004A (zh) | 一种基于迁移学习的航空发动机退化状态故障诊断方法 | |
CN115640741A (zh) | 一种基于模型与数据驱动的仿真模型对故障的诊断方法 | |
CN117725700A (zh) | 基于数字孪生技术的分轴燃气轮机管理系统、方法及设备 | |
CN116090266B (zh) | 一种动力装置气路性能实时故障诊断方法 | |
CN108681614A (zh) | 基于改进高斯粒子滤波的涡扇发动机突变故障诊断方法 | |
CN116451484A (zh) | 一种发动机气路故障模拟方法、装置、电子设备和存储介质 | |
CN112052628B (zh) | 一种基于知识+数据的燃气轮机气路故障预测诊断方法 | |
Barbosa et al. | Industrial gas turbine diagnostics using fuzzy logic | |
RU2665142C1 (ru) | Способ полетной диагностики узлов турбореактивного двухконтурного двигателя со смешением потоков | |
Zhong et al. | Research on fusion diagnosis method of thermal fault of marine diesel engine | |
Yang et al. | On-Line Component Map Adaptive Procedure Based on Sensor Data | |
Bettocchi et al. | Assessment of the robustness of gas turbine diagnostics tools based on neural networks |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |